Data-Efficient Continuous Walking Fatigue Prediction using Kinect Stride Features
Cette étude présente un cadre efficace en termes de données qui utilise une signature de marche initiale de 200 secondes et une nouvelle stratégie d'apprentissage par transfert par fusion floue pour prédire avec précision les trajectoires continues de la fatigue de la marche chez des individus non vus, surmontant ainsi les limites de rareté des données des approches traditionnelles d'apprentissage profond.
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
La fatigue est un voleur silencieux qui dérobe notre stabilité physique bien avant que nous ne nous sentions complètement épuisés. Dans le monde du mouvement humain, cette lassitude modifie notre façon de marcher, déplaçant notre équilibre et augmentant le risque de chute. Pendant des décennies, les médecins et les experts en sécurité ont tenté de suivre ce déclin, mais leurs outils ont souvent été maladroits. Certains s'appuient sur le simple fait que les gens devinent à quel point ils se sentent fatigués, ce qui est peu fiable car chacun perçoit l'épuisement différemment. D'autres utilisent des électrodes collées à la peau pour mesurer les signaux musculaires, une méthode qui est précise mais invasive et difficile à utiliser en dehors d'un laboratoire. Le défi consistait à trouver un moyen d'observer une personne marcher et de savoir exactement comment son énergie s'amenuise en temps réel, sans fils, sans demander d'opinions et sans avoir besoin d'un ordinateur massif pour traiter les données.
Une équipe de chercheurs de l'Université de Semnan et de l'Université des sciences de la réadaptation et de la protection sociale en Iran a développé une nouvelle façon de résoudre ce problème. Ils ont créé un système capable de prédire tout le parcours d'une personne vers la fatigue en l'observant marcher pendant seulement quelques minutes. Au lieu d'essayer de construire un modèle d'intelligence artificielle complexe qui nécessite des milliers d'heures de données enregistrées pour apprendre, ils ont utilisé une approche plus intelligente et plus efficace. Ils ont commencé par enregistrer quarante-deux jeunes adultes en bonne santé alors qu'ils marchaient sur un tapis roulant jusqu'à ce qu'ils soient trop fatigués pour continuer. Au cours de ces séances, un capteur de caméra, similaire aux dispositifs de suivi de mouvement que l'on trouve dans les consoles de jeux vidéo, surveillait leurs articulations et mesurait comment leurs pas changeaient à mesure qu'ils se fatiguaient. Les chercheurs ont également demandé aux marcheurs d'évaluer leur effort et ont mesuré leur activité musculaire pour créer une véritable carte de ce à quoi la fatigue ressemble réellement.
Le cœur de leur découverte réside dans la manière dont ils ont utilisé ces données. D'abord, ils ont identifié huit façons spécifiques dont le corps se déplace — comme l'angle de la hanche, la hauteur du pas et la rotation de l'orteil — qui changent le plus visiblement lorsqu'une personne se fatigue. Ils ont ensuite utilisé un outil de recherche mathématique pour trouver la combinaison parfaite de ces mouvements afin de correspondre aux niveaux de fatigue réels enregistrés par les capteurs et les propres rapports des marcheurs. Cela a créé une bibliothèque de « signatures de fatigue », où le profil de marche unique de chaque personne est lié à une courbe spécifique de fatigue. La percée est survenue lorsqu'ils ont testé s'ils pouvaient prédire la fatigue d'une nouvelle personne qu'ils n'avaient jamais vue auparavant. Pour cela, ils ont fait marcher cette nouvelle personne pendant seulement 200 secondes. Pendant ce court laps de temps, le système a analysé sa démarche et a trouvé la personne dans leur base de données qui marchait de la manière la plus similaire.
Les résultats ont montré qu'une marche de 200 secondes était suffisante pour identifier une personne avec une précision parfaite. Le système pouvait distinguer le style de marche d'une personne de celui de n'importe qui d'autre avec une certitude absolue. Une fois que le système a trouvé la correspondance la plus proche dans la base de données, il n'a pas simplement copié la courbe de fatigue de cette personne. Au lieu de cela, il a utilisé une méthode de fusion sophistiquée pour combiner les profils de marche de plusieurs personnes similaires, créant ainsi une prédiction personnalisée pour le nouvel individu. Cette approche, qu'ils appellent une fusion floue (fuzzy fusion), s'est avérée bien plus précise que de simplement choisir la correspondance la plus proche ou de faire la moyenne de quelques voisins. Testé sur des personnes ne figurant pas du tout dans la base de données originale, le système a prédit leur trajectoire de fatigue avec une précision de près de 90 %. Il a réduit le taux d'erreur de presque moitié par rapport aux anciennes méthodes qui se contentaient de choisir le voisin le plus proche.
Ce travail démontre que nous n'avons pas besoin de quantités massives de données pour comprendre des états humains complexes comme la fatigue. En se concentrant sur les manières spécifiques et mesurables dont nos corps bougent et en utilisant un petit groupe d'exemples bien choisis, il est possible de construire un système qui fonctionne pour tout le monde. La méthode est rapide, ne nécessite aucun fil et peut être réalisée avec une technologie abordable. Elle offre une voie pratique vers la surveillance de la fatigue dans des contextes réels, que ce soit pour aider les athlètes à éviter les blessures ou pour assurer la sécurité des travailleurs sur leur lieu de travail, tout cela en observant simplement leur façon de marcher.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.