Human-Centered Learning Mechanics for Reliable Smart Textiles: An Explainable and Frugal AI Framework for Separating Physiological Anomalies from Sensor Drift and Degradation

Résumé technique : Mécaniques d'apprentissage centrées sur l'humain pour les textiles intelligents fiables

Énoncé du problème
Les textiles intelligents, qui intègrent des capteurs directement dans le tissu, offrent un potentiel significatif pour la santé à domicile, le suivi du sommeil et la sécurité professionnelle. Cependant, ils sont confrontés à une limitation fondamentale de fiabilité distincte des dispositifs portables conventionnels : un signal anormal collecté par un vêtement sensorisé est intrinsèquement ambigu. Un tel signal peut provenir d'un événement physiologique réel (ex. : apnée, hypopnée), d'une dégradation du capteur textile lui-même (ex. : dérive, hystérésis, perte de contact, dommages induits par le lavage), ou d'un artefact d'utilisation transitoire (ex. : mauvais positionnement du vêtement, bruit de mouvement).

Les pipelines de surveillance actuels traitent généralement l'évaluation de la qualité du signal et la détection d'événements physiologiques comme des étapes séparées. Cette séparation est sous-optimale car une fenêtre rejetée pour « faible qualité » pourrait en réalité contenir une défaillance textile critique nécessitant une maintenance, tandis qu'une fenêtre « acceptée » peut encore être physiologiquement ambiguë. Le défi central est de distinguer les anomalies physiologiques réelles des défaillances de capteurs induites par le textile d'une manière frugale (adaptée aux appareils de bord/edge), explicable et optimisée pour la prise de décision centrée sur l'humain plutôt que pour la simple précision de classification brute.

Méthodologie : Cadre HCLM-SmartTex
Les auteurs proposent le HCLM-SmartTex, un cadre explicable et frugal fondé sur les mécaniques d'apprentissage centrées sur l'humain (HCLM). Le cadre traite le textile intelligent non pas simplement comme un support de capteur, mais comme un système de mesure dynamique dont la fiabilité doit être surveillée parallèlement aux signaux physiologiques. L'architecture se compose de cinq étapes :

1. Extraction de caractéristiques au niveau de la fenêtre : Des caractéristiques statistiques et liées au domaine sont extraites de fenêtres glissantes de signaux multivariés (respiration, déformation thoracique, SpO2, fréquence cardiaque, déformation textile, qualité du contact et variables environnementales). Les caractéristiques clés incluent l'effondrement de l'amplitude, la profondeur de désaturation, les taux de perte de contact et le couplage respiration-déformation.
2. Score physiologique mécaniste ($S_{phys}$) : Un score transparent et fondé sur des règles quantifie les preuves d'un événement corporel. Il augmente lorsque l'amplitude respiratoire s'effondre, que la désaturation d'oxygène se produit ou que des augmentations compensatrices de la fréquence cardiaque sont observées, reflétant la signature canonique des événements respiratoires obstructifs.
3. Score de fiabilité textile mécaniste ($S_{textile}$) : Un score complémentaire quantifie les preuves d'une défaillance de mesure. Il augmente en cas de perte de contact, de dérive de la déformation textile par rapport à la ligne de base calibrée, et de l'affaiblissement du couplage respiration-déformation, sur la base des comportements de dégradation documentés des capteurs tricotés et à base de fils.
4. Fusion tardive frugale : Les deux scores mécanistes sont normalisés et combinés avec un classificateur logistique léger entraîné sur un petit ensemble étiqueté. Cela produit un score d'anomalie hybride ($S_{hyb}$) qui préserve l'interprétabilité tout en améliorant la robustesse.
5. Régulation HCLM (Couche de contrôle actif) : Un thermostat à porte d'entropie régule le score hybride. Il calcule une entropie effective ($H_{eff}$) qui combine l'incertitude prédictive avec l'ambiguïté entre les preuves physiologiques et textiles. Si l'entropie est élevée (indiquant une incertitude) ou si l'évidence de risque dérivée du mécanisme contredit le score hybride, le contrôleur module activement la décision. Il peut supprimer les fausses alarmes (si un score élevé manque de support mécaniste) ou récupérer des événements manqués (si un score limite possède une forte évidence de risque).

Contributions clés
Le document stratifie ses contributions à travers les niveaux du cadre, du benchmark, du modèle et de la validation :

• Formulation de la décision centrée sur l'humain : Le problème est formulé comme une tâche d'inférence conjointe visant à séparer les événements physiologiques de la dégradation textile, optimisée par rapport à un coût de décision centré sur l'humain. Ce coût pénalise les événements physiologiques manqués, les fausses alarmes induites par le textile et les délais de détection, privilégiant les conséquences opérationnelles sur la précision brute.
• Simulateur de textile intelligent synthétique : Pour remédier au manque de vérité terrain dans les enregistrements réels (où l'origine d'une anomalie est rarement connue), les auteurs ont conçu un simulateur contrôlé. Il génère des scénarios contrefactuels (événements physiologiques identiques avec ou sans défauts de capteur, et défauts textiles identiques sous différents états physiologiques) pour isoler et valider le mécanisme de séparation.
• Sous-scores mécanistes explicables : Le cadre expose deux sous-scores indépendants et lisibles par l'humain ($S_{phys}$ et $S_{textile}$). Cela permet au système d'attribuer les anomalies à des familles spécifiques (normal, physiologique, ou textile/capteur) et de suggérer des actions correctives distinctes (ex. : attention clinique vs repositionnement du vêtement).
• Contrôle HCLM actif : Contrairement au post-traitement passif, la couche HCLM agit comme un régulateur sensible au risque. Elle utilise l'entropie effective pour décider quand intervenir, garantissant que le système se comporte comme un outil d'aide à la décision plutôt que comme un classificateur statique.
• Frugalité et compatibilité avec l'Edge : Le modèle est conçu pour un déploiement embarqué, utilisant seulement 201 paramètres, ~2,15 Ko de RAM et ~6,79 Ko de flash, avec une complexité d'inférence en temps linéaire.
• Protocole de validation : Le document fournit un protocole de validation concret pour un vêtement intelligent physique, définissant un parcours allant de la simulation contrôlée au déploiement réel avec des exigences spécifiques en matière d'instrumentation, d'acquisition par étapes et d'étiquetage à deux couches (état physiologique et état de fiabilité textile).

Résultats expérimentaux
Évalué sur un échantillon de sujets de test (held-out subject split) du benchmark synthétique, le détecteur actif HCLM-SmartTex a surpassé les seuils basés sur des règles, les détecteurs non supervisés (Isolation Forest, One-Class SVM) et divers modèles de référence appris (Régression Logistique, ExtraTrees, ensembles optimisés pour la précision) :

• Performance : Il a atteint le F1-score (0,9515) le plus élevé et la plus faible fraction de fenêtre de fausse alarme (0,0267) de toutes les méthodes, tout en maintenant un rappel élevé (0,9800) et un délai de détection moyen de 0,50 fenêtre.
• Efficacité de la régulation : Le contrôleur HCLM était empiriquement actif, modifiant 64 % des fenêtres évaluées et changeant cinq décisions de test par rapport à l'hybride non régulé. Cette régulation a réussi à réduire les fausses alarmes sans sacrifier la sensibilité.
• Précision de la séparation : Le cadre a atteint une précision de 0,9667 pour distinguer entre les familles normale, physiologique et textile/capteur, ainsi que pour la classification de la cause racine pour les classes actives.
• Empreinte de ressources : Le modèle est resté nettement plus petit que les bases non supervisées et les ensembles complexes, confirmant son aptitude pour les appareils de bord (edge devices).

Signification et affirmations
L'article positionne ce travail comme un benchmark de niveau mécanisme et orienté vers la décision pour la surveillance fiable des textiles intelligents. Il affirme explicitement que le cadre répond à une lacune résiduelle dans la littérature : aucune approche existante ne sépare conjointement les anomalies physiologiques de la dégradation textile/capteur sous un coût de décision centré sur l'humain, de manière frugale et explicable.

Les auteurs modèrent leurs affirmations, soulignant que :

• Les résultats sont basés sur des données synthétiques et ne constituent pas une validation clinique ou une certification industrielle.
• Le simulateur sert de « pont contrôlé » pour tester la séparation des mécanismes sous des conditions contrefactuelles, et non un remplacement des tests physiques sur les vêtements.
• Le cadre est un bloc de construction pour le prototypage initial et l'aide à la décision déployée en edge, conçu pour être transférable aux vêtements réels via le protocole de validation fourni.
• La contribution principale est le mécanisme de séparation et le contrôle de décision sensible au risque, plutôt que l'atteinte d'une précision de pointe sur une tâche clinique spécifique.

L'étude conclut qu'en couplant la prise de décision à l'entropie effective et aux preuves de risque dérivées des mécanismes, le cadre rend le compromis entre les événements manqués et les fausses alarmes explicite et ajustable, offrant une voie pratique vers des systèmes de surveillance de textiles intelligents plus fiables, interprétables et frugaux.