📄 bioengineering

Edge-First Ground Reaction Force Estimation with Consumer Smartwatches

Cet article présente un système portable privilégiant l'exécution en périphérie utilisant des montres connectées grand public et un réseau de neurones convolutifs temporel compact pour estimer localement les forces de réaction au sol verticales, atteignant une forte corrélation avec les mesures de laboratoire, particulièrement pour la locomotion cyclique.

Auteurs originaux : Ghaffarzadeh, P., Chakraborty, D., Aslansefat, K., Dostan, A., Papadopoulos, Y.

Publié 2026-07-21

📖 7 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Ghaffarzadeh, P., Chakraborty, D., Aslansefat, K., Dostan, A., Papadopoulos, Y.

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Ceci est une explication générée par l'IA d'un preprint qui n'a pas été évalué par des pairs. Ce n'est pas un avis médical. Ne prenez pas de décisions de santé basées sur ce contenu. Lire la clause de non-responsabilité complète

Imaginez essayer de comprendre la force avec laquelle vos pieds frappent le sol à chaque pas que vous faites. Les scientifiques appellent cela la « Force de Réaction au Sol » (GRF - Ground Reaction Force). C'est comme une poignée de main secrète entre votre corps et la Terre, nous indiquant exactement quel poids vous posez et comment vos muscles travaillent pour vous maintenir debout. Habituellement, pour mesurer cela, il faut se rendre dans un laboratoire de haute technologie et marcher sur une immense et coûteuse dalle sensible à la pression. C'est précis, mais c'est aussi figé à un endroit, comme une pièce de musée que vous ne pouvez pas emporter chez vous.

Maintenant, imaginez que votre montre connectée puisse faire le même travail. C'est la grande question que traite cet article. Les chercheurs se demandent : pouvons-nous transformer les minuscules capteurs à l'intérieur d'une montre grand public ordinaire en une machine portable de mesure de force ? Ils n'essaient pas de remplacer entièrement le laboratoire ; ils veulent plutôt voir si nous pouvons obtenir une lecture « suffisamment bonne » directement depuis votre poignet ou votre taille, sans avoir besoin d'envoyer vos données vers le cloud ou d'attendre un supercalculateur. Il s'agit de réduire un problème de physique complexe pour qu'il tienne dans votre poche, tout en gardant vos données de mouvement privées en sécurité sur votre propre téléphone.

L'équipe de détectives « Edge-First »

Les auteurs de cet article ont construit un système qu'ils appellent « Edge-First », ce qui est une façon sophistiquée de dire qu'ils ont fait en sorte que la montre connectée et le téléphone fassent tout le gros du travail eux-mêmes, sans demander de l'aide à Internet. Considérez cela comme une brigade de détectives où les deux Apple Watch sont les espions collectant des indices, et l'iPhone est le bureau du détective où tout le travail de résolution a lieu.

Voici comment l'équipe travaille : vous portez deux appareils Apple Watch Series 6 — l'un à votre poignet et l'autre à votre taille. Pendant que vous marchez, trottinez ou courez, ces montres agissent comme des caméras haute vitesse, prenant 100 photos de votre mouvement chaque seconde. Elles ne font pas que prendre des photos ; elles enregistrent comment vous tremblez et pivotez en trois dimensions. Ces montres murmurent ensuite ces données à votre iPhone via une liaison radio à courte portée. L'iPhone agit comme le cerveau, organisant les données, nettoyant le bruit statique et exécutant un modèle d'IA spécial appelé GRFNet-MultiScale pour deviner à quoi ressemble la force au sol. Le plus beau dans tout ça ? Tout le processus se déroule directement sur votre téléphone. Pas de Wi-Fi, pas de serveurs cloud, juste vous et votre appareil.

Le Modèle Magique : Une Machine à Remonter le Temps Multi-Échelle

La recette secrète est le modèle d'IA, GRFNet-MultiScale. Imaginez essayer de comprendre une chanson. Vous devez entendre les coups de batterie rapides et secs (le moment où votre talon frappe le sol) et aussi la mélodie longue et fluide du reste du pas. Un modèle simple pourrait n'entendre que la batterie ou seulement la mélodie, mais ce modèle est comme un super-auditeur qui entend les deux à la fois.

Les chercheurs ont conçu ce modèle pour analyser les données à différentes « échelles de temps ». Il possède des couches spéciales qui zooment sur les impacts infimes de l'ordre de la fraction de seconde et d'autres couches qui dézooment pour voir l'image globale de votre pas entier. En combinant ces vues, le modèle peut reconstruire la courbe de force — l'histoire de la force avec laquelle vous poussez sur le sol — uniquement à partir des vibrations de votre bras et de votre taille.

Ce qu'ils ont découvert : Le Poignet est un Héros Surprenant

Lorsque l'équipe a testé ce système sur 10 personnes en bonne santé, les résultats ont été très prometteurs, bien qu'avec des limites claires.

La Puissance des Capteurs Doubles : Lorsqu'ils ont utilisé ensemble les montres au poignet et à la taille, le système était assez doué pour deviner la force. Il correspondait aux mesures réelles du laboratoire avec une corrélation de 0,798 (où 1,0 est une correspondance parfaite) et présentait une marge d'erreur de 257 N (Newtons, l'unité de force).
La Surprise du Poignet Seul : Voici le tournant amusant. Même si vous ne portez la montre qu'au poignet et que vous oubliez celle de la taille, le système fonctionne toujours ! Il conserve 82,5 % de la précision de la configuration à deux montres. Cela suggère que le balancement de votre bras porte une grande partie de l'« empreinte » de votre marche, même si votre pied est loin.
L'Écart d'Activité : Le système est un champion des activités rythmiques comme la marche, le jogging et la course. Il a obtenu les meilleurs scores là. Cependant, il a eu du mal avec les mouvements soudains et saccadés. Si vous faisiez un « drop de talon » (sauter de la pointe des pieds et atterrir brutalement), le système était confus. C'est comme si le modèle était excellent pour comprendre un rythme régulier, mais se perdait lorsque la musique s'arrête et redémarre brusquement avec un crash.

Pourquoi c'est important : Faire confiance à la Machine

L'une des choses les plus cool que les chercheurs ont faites est de demander à l'IA : « Comment le sais-tu ? ». Habituellement, l'IA est une « boîte noire » — elle donne une réponse, mais vous ne savez pas pourquoi. Les auteurs ont utilisé une technique appelée « Attribution Temporelle » pour jeter un coup d'œil à l'intérieur de la boîte noire. Ils ont découvert que le modèle observait l'accélération du poignet pendant la première partie du pas (lorsque votre talon touche le sol) pour formuler sa supposition.

Mieux encore, ce n'était pas un coup de chance. Peu importe la personne testée ou la façon dont les données étaient divisées, l'IA pointait toujours au même endroit : le mouvement du poignet lorsque le pied touche le sol. Cette cohérence rend le système plus digne de confiance, comme un détective qui trouve toujours le même indice, plutôt que de deviner au hasard.

L'Essentiel à Retenir

Cet article ne prétend pas que votre Apple Watch peut remplacer parfaitement une machine de laboratoire à un million de dollars. Il précise explicitement que pour les sauts soudains et explosifs, la configuration actuelle n'est pas encore prête. Mais pour les activités quotidiennes — marcher, trottiner et courir — il montre que nous pouvons obtenir une estimation solide et respectueuse de la vie privée de la façon dont notre corps se charge, directement depuis nos poignets.

L'étude prouve que l'« edge » (votre téléphone et votre montre) est assez puissant pour gérer une biomécanique complexe sans avoir besoin du cloud. C'est un pas vers un avenir où nous pourrons suivre les tendances de notre santé physique sur des mois et des années, et non plus seulement lors d'une visite unique en laboratoire, grâce aux appareils que nous portons déjà. La porte est ouverte, mais les chercheurs précisent avec prudence : « Nous pouvons la franchir pour des pas réguliers, mais nous devons apprendre à marcher avant d'essayer de sauter. »

Résumé Technique : Estimation de la Force de Réaction au Sol en mode Edge avec des Montres Connectées Grand Public

Énoncé du Problème
La force de réaction au sol (GRF - Ground Reaction Force) est un signal critique pour l'analyse du mouvement, l'évaluation de la marche et le suivi de la rééducation. Cependant, la mesure précise de la GRF est actuellement confinée aux plaques de force de laboratoire instrumentées, qui sont fixes, coûteuses et inadaptées à un suivi longitudinal dans la vie quotidienne. Bien que des recherches antérieures aient démontré que les données des unités de mesure inertielle (IMU) peuvent estimer la GRF, des lacunes importantes subsistent pour la transition de ces preuves de concept vers des systèmes portables déployables. Plus précisément, la littérature existante manque souvent d'une évaluation rigoureuse de la généralisation indépendante du sujet, d'architectures de systèmes edge détaillées (communication, mise en mémoire tampon, inférence locale) et d'une explicabilité temporelle reproductible.

Méthodologie
Les auteurs proposent un système portable de bout en bout, privilégiant l'approche "edge-first" (traitement en périphérie), utilisant du matériel grand public et un traitement local :

Architecture Matérielle : Le système utilise deux appareils Apple Watch Series 6 (un au poignet dominant, un à la taille) comme nœuds de capteurs et un iPhone comme nœud edge. Les montres transmettent des données inertielles sur 12 canaux (accélération sur 3 axes et vitesse angulaire sur 3 axes par appareil) à une fréquence de 100 Hz.
Pipeline de Données : Les données sont transmises via WatchConnectivity par blocs de 5 secondes (500 échantillons) vers l'iPhone. L'iPhone gère la mise en mémoire tampon locale, le réordonnancement des paquets et le prétraitement (alignement, filtrage passe-bas à 10 Hz pour l'IMU et 20 Hz pour la plaque de force, normalisation z-score, et segmentation en fenêtres fixes de 198 échantillons). Crucialement, l'ensemble du chemin d'inférence s'exécute localement sur le téléphone sans dépendance au cloud, préservant la confidentialité et réduềnisant la sensibilité à la latence.
Architecture du Modèle (GRFNet-MultiScale) : Le modèle prédictif central est un réseau de neurones convolutifs temporels 1D compact conçu pour le déploiement edge. Il présente :
- Quatre blocs résiduels dilatés avec des taux de dilatation $d \in \{1, 2, 4, 8\}$ et une taille de noyau de 3, créant un champ récepteur effectif de 127 échantillons (1,27 s).
- Une branche de contexte global utilisant un pooling moyen adaptatif pour capturer la structure au niveau de la fenêtre.
- Un décodeur léger pour la prédiction de la GRF verticale (vGRF) par pas de temps.
- Le modèle à double capteur contient environ 1,2 M de paramètres ; la variante uniquement au poignet en contient environ 605 k.
Explicabilité : Pour garantir la fiabilité, l'étude emploie deux méthodes d'explicabilité temporelle complémentaires :
- SMILE Temporel : Une méthode basée sur le masquage qui perturbe de courtes fenêtres contiguës pour mesurer les changements de sortie.
- Analyse de type TimeSHAP : Une méthode d'attribution au niveau du segment basée sur les valeurs de Shapley.
- Les deux méthodes sont évaluées pour leur stabilité à travers les plis de validation.

Contributions Clés

Pipeline Edge-First : Un système de bout en bout démontrant le prétraitement local, le stockage et l'inférence sur des appareils grand public, éliminant le besoin de connectivité cloud pendant l'opération.
Modèle Multi-Échelle Compact : Introduction de GRFNet-MultiScale, qui équilibre la précision prédictive avec les contraintes de calcul des appareils mobiles edge.
Évaluation de la Généralisation Stricte : Évaluation complète sous un protocole Leave-One-Subject-Out (LOSO) à 10 plis, testant la généralisation à des utilisateurs non vus plutôt qu'un ajustement spécifique au sujet.
Attribution Temporelle Reproductible : Démonstration que les modèles d'attribution temporelle (identifiant quand et où les signaux sont importants) restent stables à travers différents partages de validation, allant au-delà des simples visualisations à un seul partage.

Résultats

Performance Prédictive : Sous validation LOSO sur 539 fenêtres de pose de 10 participants sains, le système à double capteur a atteint une corrélation de Pearson moyenne ( $r$ ) de 0,798 avec une erreur quadratique moyenne (RMSE) de 257 N.
Configuration des Capteurs : Une configuration uniquement au poignet a conservé 82,5 % de la corrélation du système à double capteur ( $r=0,658$ ), validant l'utilité des configurations standards de montres connectées.
Dépendance à l'Activité : La performance varie considérablement selon l'activité. Le système a le mieux performé sur la locomotion cyclique : jogging ( $r=0,867$ ) et course à pied ( $r=0,829$ ), suivis de la marche. La performance est modérée pour les descentes de marches (step-downs) et faible pour les chutes de talon (heel drops) ( $r=0,301$ ), attribuée à la difficulté de reconstruire des impacts brefs et impulsifs à partir de signaux de 100 Hz filtrés par passe-bas.
Métriques Dérivées : Le système présente une haute précision pour les métriques intégrées, l'impulsion ( $r=0,983$ ) et la durée de contact effective ( $r=0,982$ ) corrélant fortement avec la vérité terrain. La vGRF de crête ( $r=0,741$ ) et le taux de charge ( $r=0,588$ ) sont moins précis.
Explicabilité : Le SMILE temporel et le TimeSHAP ont tous deux identifié de manière cohérente l'accélération du poignet en phase de pose précoce comme le signal dominant reproductible. Ce modèle d'attribution est resté stable à travers les 45 comparaisons de plis LOSO par paires (médiane de Spearman $\rho=0,755$ ).

Signification et Revendications
L'article affirme que les objets connectés grand public peuvent supporter une estimation "edge-first" significative de la GRF verticale lors de conditions de détection contrôlées, à condition que les affirmations soient alignées avec les capacités mesurées. Le système est positionné non pas comme un remplacement des plaques de force de laboratoire dans tous les contextes, mais comme un outil pour le suivi de charge longitudinal répété lors de la locomotion cyclique (marche, jogging, course à pied).

Les auteurs soulignent que la contribution réside dans l'intégration complète de la détection, de la communication, de l'exécution edge et de l'explicabilité reproductible. Ils définissent explicitement les limites actuelles : le système est plus performant pour les tâches cycliques, ne supporte pas encore les événements impulsifs de chute de talon, nécessite toujours le timing de la plaque de force pour l'évaluation (nécessitant une future détection de la phase de pose par IMU pour un déploiement complet), et n'a pas encore été caractérisé pour la consommation d'énergie ou l'autonomie de la batterie sur l'appareil. Ce travail établit un modèle de conception pour l'IA portable qui privilégie la confidentialité, l'inférence locale et l'interprétabilité mécaniste.

Articles similaires