⚡ electrical engineering

A Rule-Based IoT Wearable Prototype for Companion Animal Vocalization Monitoring: Design, Implementation, and Documented Limitations

Cet article présente la conception et l'évaluation d'un prototype de dispositif portable IoT basé sur des règles, utilisant un ESP32, un microphone MEMS et une centrale inertielle (IMU) pour surveiller les états comportementaux des animaux de compagnie via une fusion de capteurs multimodale en temps réel, tout en documentant de manière critique le passage de la reconnaissance sémantique des émotions à l'estimation réalisable des états en raison des contraintes de calcul embarquées.

Auteurs originaux : Muhammad Ali Siddiqui

Publié 2026-06-24

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Muhammad Ali Siddiqui

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous possédez un collier pour animal qui agit comme un petit détective super intelligent. Son travail est d'écouter la voix de votre animal et d'observer ses mouvements, puis de vous dire sur votre téléphone ce que fait votre compagnon en ce moment même. Voici l'histoire d'un prototype conçu par Muhammad Ali Siddiqui, destiné à aider les gens (en particulier ceux qui pourraient avoir du mal à surveiller de près leurs animaux tout au long de la journée) à mieux comprendre leurs amis à poils.

Voici comment l'article présente cette invention, en utilisant des analogies simples :

La boîte à outils du détective (Le matériel)

Considérez le dispositif comme un petit sac à dos pour animal. À l'intérieur de ce sac à dos se trouvent trois outils principaux :

Les Oreilles (Microphone) : Un minuscule microphone numérique (INMP441) qui écoute chaque son produit par l'animal.
L'Oreille interne (Capteur de mouvement) : Un capteur de mouvement (MPU6050) qui agit comme l'oreille interne d'un humain, ressentant chaque secousse, saut et pas de l'animal.
Le Cerveau (Microcontrôleur) : Une puce ESP32 qui sert de cerveau. Elle est petite, bon marché et assez puissante pour effectuer des calculs instantanés sans avoir besoin d'appeler un ordinateur géant dans le cloud pour obtenir de l'aide.

Le rêve original vs La confrontation à la réalité

Le Rêve : Le créateur voulait initialement construire un « Traducteur pour Animaux ». L'idée était que si le chien aboyait d'une certaine manière, l'appareil dirait : « Il a faim » ou « Elle est triste ». C'était comme essayer de traduire instantanément une langue étrangère.

La Confrontation à la réalité : Après avoir construit le prototype, le créateur s'est rendu compte que ce rêve était trop grand pour le minuscule cerveau contenu dans l'appareil.

Le Problème : Un aboiement fort peut signifier « Je suis excité ! », « J'ai peur ! » ou « Je veux une friandise ! ». Écouter simplement à quel point l'aboiement est fort (le volume) ne suffit pas pour savoir ce que l'animal ressent. C'est comme essayer de deviner si une personne est heureuse ou en colère simplement en écoutant la force de ses cris ; on ne peut pas faire la différence sans voir son visage ou connaître la situation.
Le Pivot : Le créateur a dû changer l'objectif. Au lieu d'un « Traducteur pour Animaux » (qui devine les émotions), l'appareil est devenu un « Moniteur d'Activité pour Animaux » (qui devine les actions). Il a cessé d'essayer de deviner les sentiments pour se concentrer sur ce que l'animal fait réellement.

Comment cela fonctionne maintenant (Les règles)

Comme l'appareil est trop petit pour utiliser une « Intelligence Artificielle » complexe (comme un cerveau qui apprend à partir de milliers d'exemples), il utilise un simple carnet de règles « Si-Alors », comme un système de feux de signalisation.

Écouter (Les règles de son) :
- Si le son est très faible $\rightarrow$ L'animal est Silencieux/Au repos.
- Si le son est moyen $\rightarrow$ L'animal a une Faible activité (peut-être qu'il regarde simplement autour de lui).
- Si le son est fort $\rightarrow$ L'animal a une Forte activité (peut-être qu'il aboie ou miaule bruyamment).
Observer (Les règles de mouvement) :
- Si le capteur ne ressent aucun mouvement $\rightarrow$ Repos.
- Si le capteur ressent une secousse constante et lente $\rightarrow$ Va-et-vient (marche d'avant en arrière).
- Si le capteur ressent des secousses rapides $\rightarrow$ Course.
- Si le capteur ressent une secousse soudaine et brusque $\rightarrow$ Saut.
Le mélange magique (La fusion) :
La véritable magie opère lorsque l'appareil combine le son et le mouvement.
- Scénario A : Son fort + Course = Excitation/Jeu.
- Scénario B : Son fort + Immobilité = Détresse ou Recherche d'attention (L'animal crie mais ne bouge pas, ce qui peut signifier qu'il est coincé ou contrarié).
- Scénario C : Son faible + Repos = Calme/Sommeil.

L'essai routier (Résultats)

Le créateur a testé cet appareil dans une pièce calme avec un chat (puisque les chats étaient le sujet principal de test).

Mouvement : L'appareil était très efficace pour distinguer le sommeil, la marche, la course et le saut. Il a réussi 90 % du temps.
Son : L'appareil était correct pour distinguer le « calme » du « bruyant », mais il pouvait parfois être trompé par les bruits de fond (comme l'allumage d'une télévision). Il a correctement identifié le son environ 82,5 % du temps.
Combiné : Lorsqu'il utilisait à la fois le son et le mouvement, il obtenait la réponse finale correcte 92,5 % du temps. Il était rapide, prenant seulement 1 à 2 secondes pour transmettre ce qui se passait au téléphone.

Le « Mais... » (Limites)

L'article est très honnête sur ce que cet appareil ne peut pas encore faire :

Ce n'est pas un lecteur de pensée : Il ne peut pas vous dire si votre animal est « triste » ou « heureux ». Il peut seulement vous dire s'il « bouge vite » ou « fait du bruit ».
Il nécessite un réglage : Les règles (comme déterminer si un son est « fort ») ont été définies manuellement. Si vous le mettez sur un autre animal (comme un grand chien par rapport à un petit chat), les règles pourraient devoir être modifiées manuellement.
Il est sensible au bruit : Si votre maison est très bruyante, l'appareil pourrait penser que votre animal aboie alors qu'il ne le fait pas.
C'est un prototype : C'est un modèle de travail, pas un produit fini que vous pouvez acheter aujourd'hui. Il fonctionne bien en laboratoire, mais le créateur admet qu'il nécessite plus de tests dans des maisons réelles et désordonnées.

L'essentiel

Cet article est l'histoire d'un ingénieur intelligent qui a tenté de construire un « Traducteur pour Animaux », a réalisé que la technologie n'était pas prête pour cette tâche spécifique, et a plutôt construit un « Suiveur d'Activité pour Animaux » très utile qui combine le son et le mouvement. Cela prouve que l'on peut placer un capteur intelligent sur le collier d'un animal pour vous dire ce qu'il fait en temps réel, mais pour l'instant, il est plus performant pour décrire les actions que les émotions.

Résumé Technique : Prototype de Wearable IoT à Base de Règles pour la Surveillance de la Vocalisation des Animaux de Compagnie

Énoncé du Problème
L'article traite du défi du développement d'un système portable (wearable) à bas coût, léger et aux ressources limitées, destiné à la surveillance en temps réel du comportement des animaux de compagnie. Alors que les recherches existantes ont utilisé avec succès des accéléromètres pour la classification de l'activité et l'apprentissage profond (deep learning) pour l'analyse de la vocalisation animale, il existe une lacune significative dans les systèmes multimodaux intégrés, spécifiquement conçus pour les animaux domestiques, fonctionnant entièrement sur du matériel embarqué sans déchargement vers le cloud.

Un problème critique identifié est la difficulté d'effectuer une inférence émotionnelle sémantique (par exemple, distinguer la faim de la détresse) à partir des vocalisations des animaux sur des dispositifs de classe microcontrôleur. L'objectif de conception initial visait à créer un « traducteur de langage pour animaux » faisant correspondre les vocalisations aux états émotionnels. Cependant, les auteurs notent que cet objectif se heurte à des barrières fondamentales : l'absence de jeux de données annotés et standardisés pour les émotions animales, la haute variabilité intra-espèce des motifs vocaux, les interférences du bruit environnemental, et les limitations de calcul des microcontrôleurs à faible consommation qui excluent l'utilisation de modèles d'apprentissage profond complexes nécessaires pour un décodage sémantique audio fiable.

Méthodologie
La solution proposée est un cadre IoT modulaire à quatre couches centré sur un microcontrôleur ESP32-WROOM-32. Le système intègre deux modalités de détection primaires :

Détection Acoustique : Un microphone numérique MEMS INMP441 capture l'audio à 16 kHz. Le système calcule l'amplitude absolue moyenne ( $A_{avg}$ ) sur un tampon de 256 échantillons.
Détection de Mouvement : Un IMU MPU6050 à 6 axes (accéléromètre et gyroscope) échantillonne à 100 Hz. Le système calcule les magnitudes scalaires pour l'accélération et les données du gyroscope, ainsi que des caractéristiques statistiques telles que l'écart type ( $\sigma_a$ ) et la plage crête à crête ( $P_{pp}$ ) sur une fenêtre glissante de 50 échantillons.

Logique de Classification et de Fusion
En raison de l'incapacité d'exécuter des modèles d'apprentissage profond sur le matériel cible, les auteurs ont implémenté un cadre de classification basé sur des règles :

Règles Acoustiques : Des seuils hiérarchiques ( $T_1=1200, T_2=2500, T_3=4000$ ) associent l'amplitude moyenne à des états heuristiques (Silencieux, Faible, Activité Modérée, Haute Activité). Les auteurs reconnaissent explicitement que ce sont des indicateurs d'intensité, et non des étiquettes émotionnelles sémantiques.
Règles de Mouvement : Des arbres de décision basés sur $\sigma_a$ , $g_{std}$ , $P_{pp}$ et l'accélération minimale ( $a_{min}$ ) classent les activités en Repos, Marche, Course et Saut.
Fusion Multimodale : Une table de correspondance déterministe combine les sorties acoustiques et de mouvement pour générer un état comportemental composite. Par exemple, une « Haute Activité » (acoustique) combinée à la « Course » (mouvement) est interprétée comme de l'« Excitation », tandis qu'une « Haute Activité » avec le « Repos » est interprétée comme de la « Détresse » ou une « Recherche d'Attention ».

Le système transmet les données via Bluetooth Classic (SPP) à une application mobile compagnon (développée avec MIT App Inventor) avec une latence de bout en bout moyenne de 1 à 2 secondes.

Principales Contributions

Développement de Prototype : Création d'un dispositif portable autonome et à bas coût intégrant la détection acoustique et inertielle sur une plateforme ESP32, capable de traitement local et de transmission sans fil.
Cadre Multimodal Basé sur des Règles : Implémentation d'un système de classification léger qui fusionne l'intensité acoustique et les statistiques de mouvement pour améliorer la robustesse contextuelle par rapport aux approches à capteur unique.
Évolution Critique de la Conception : Une documentation transparente du pivot de conception, passant d'un objectif de « reconnaissance d'émotion sémantique » irréalisable à un paradigme d'« estimation d'état comportemental » pratique. Cela inclut une analyse d'échec expliquant pourquoi les caractéristiques acoustiques basées sur l'amplitude ne peuvent pas décoder de manière fiable la valence émotionnelle sur du matériel embarqué.
Validation Expérimentale : Une évaluation systématique en trois phases (acoustique seule, mouvement seul, et combinée) démontrant les performances du système dans des conditions contrôlées.

Résultats Expérimentaux
Le prototype a été évalué dans un environnement intérieur contrôlé en utilisant un chat domestique comme sujet principal pour le calibrage.

Sous-système de Mouvement : A démontré une grande cohérence (90 % au total), classant correctement le Repos, la Marche, la Course et le Saut. Il n'a montré aucun déclenchement intempestif lors des essais de repos de base.
Sous-système Acoustique : A atteint 82,5 % de cohérence. Bien que les états « Silencieux » et « Haute Activité » aient été détectés avec une grande précision (95–100 %), les classes d'activité « Faible » et « Modérée » ont souffert de problèmes de seuils limites. Crucialement, le sous-système acoustique a présenté un taux de déclenchement intempestif de 15 % lors des essais de base dû au bruit ambiant, confirmant la limitation de l'analyse basée uniquement sur l'amplitude.
Fusion Multimodale : Le système combiné a atteint une précision d'état composite de 92,5 %. La logique de fusion a réussi à réduire l'ambiguïté en croisant les événements acoustiques avec le contexte de mouvement.
Latence : Le système a maintenu une latence de réponse d'environ 1 à 2 secondes, ce qui est approprié pour une surveillance en temps réel.

Signification et Revendications
L'article revendique sa signification principalement en tant que preuve de concept au niveau de maturité technologique (TRL) 4, démontrant que la surveillance comportementale multimodale en temps réel sur du matériel à ressources limitées est réalisable.

Les auteurs présentent modestement l'utilité du système non pas comme un « traducteur de langage pour animaux » définitif, mais comme un outil de surveillance assistée pour les personnes âgées et les utilisateurs à mobilité réduite. En déplaçant l'accent du décodage sémantique des émotions vers l'estimation de l'état comportemental (par exemple, détecter la détresse, l'excitation ou l'inactivité), le système vise à réduire la charge de l'observation humaine constante et à permettre des réponses de soins opportunes.

L'étude souligne que bien que l'approche actuelle basée sur des règles soit fonctionnelle, elle est limitée par le calibrage manuel des seuils et la sensibilité au bruit. Les auteurs postulent que les itérations futures devraient incorporer l'apprentissage automatique (par exemple, TensorFlow Lite Micro) et des jeux de données annotés plus vastes pour améliorer la robustesse de la classification acoustique et la généralisation à travers différentes races d'animaux et environnements. L'article conclut que la transition d'un objectif sémantique ambitieux vers un système d'estimation comportementale pratique fournit des orientations empiriques précieuses pour la communauté des systèmes embarqués concernant les limites de faisabilité de l'inférence émotionnelle acoustique.