Inférence de mouvements contraints à partir d'un signal d'accéléromètre

 

Christopher Isaac Larnder

Cégep John Abbott

 

Domaine : technologies de l'information et des communications

Programme de recherche pour les chercheurs de collège

Concours 2019-2020

Les capteurs d'accéléromètre, développés à l'origine dans les années 1960 pour fournir des capacités de navigation inertielle pour les avions, les navires et les engins spatiaux, sont maintenant, avec l'avènement de la technologie micro-électromécanique (MEMS), devenus des composants omniprésents à faible coût qui fournissent une capacité de détection de mouvement dans une grande variété de domaines. Se limitant uniquement au domaine des applications biomédicales, une liste partielle comprend la biométrie comportementale ; reconnaissance gestuelle, habiletés chirurgicales, détection des troubles de la démarche, systèmes pour la réhabilitation, la vie assistée et les soins aux personnes âgées, et la surveillance physiologique.

Le défi pour les chercheurs ne réside plus dans la collecte des données, mais dans leur interprétation. Une difficulté fondamentale est la séparation de la contribution gravitationnelle du signal accéléromètrique. Cette problème est souvent atténuée par l'ajout d'un gyroscope au système. Typiquement, le gyroscope est utilisé pour détecter les changements d'orientation et l'accéléromètre est relégué à la détection des changements dans la vitesse linéaire. L'analyse est encore sujette à l'erreur de dérive qui s'accumule lorsque l'orientation ou la position d'un objet est reconstruite par des techniques de simple ou double intégration numérique.

Pour les mouvements sans contrainte totalement arbitraires, comme dans le mouvement libre d'un avion, il n'y a aucun moyen de surmonter ces limitations. Cependant, lorsqu'il y a des contraintes connues imposées aux trajectoires, elles peuvent être exploitées dans la reconstruction des degrés de liberté restants. Bien que cela puisse réduire les erreurs et la complexité des problèmes, il ne semble pas y avoir d'étude systématique de telles stratégies. Un point de départ simple est une étude de mouvement circulaire qui démontre, sans l'utilisation de gyroscopes, la capacité de récupérer à la fois la position radiale et angulaire des accéléromètres par rapport à l'axe de rotation. Cela contraste avec les techniques sans gyroscope pour les mouvements non-contraignants qui exigent de 12 à 18 accéléromètres pour un seul corps.

Dans ce projet, nous identifions et explorons des systèmes simples de faible degré de liberté qui sont suffisamment contraints pour permettre au mouvement d'être déduit de façon complète et fiable à l'aide d'un seul accéléromètre à 3 axes. Le développement de ces techniques promet également une grande applicabilité en tant que couche de classification de bas niveau dans les architectures d'apprentissage machine (AM) pour le mouvement dans des systèmes complexes comme le corps humain. Reconnaissant que les systèmes AM traditionnels souffrent d'une inflexibilité et d'un transfert médiocre vers des domaines connexes, il y a un intérêt croissant pour les systèmes hybrides qui intègrent des connaissances spécifiques au domaine. La détection automatisée de simples contraintes de bas niveau dans un signal de mouvement peut servir de fonction d'extracteur universel convertissant une série temporelle complexe en vecteur de fonction de basse dimension dans une classification simple ou servir comme un qualificateur d'intervalle. Différents réseaux profonds spécialisés dans des domaines d'application distincts peuvent réutiliser le même stade précoce, diminuant ainsi le temps de développement, augmentant les possibilités de transfert d'apprentissage et de compréhensibilité des représentations internes.