Détection de pré-chutes et de chutes : une approche embarquées basée sur l'IA

Les chutes, notamment chez les personnes âgées, représentent une problématique majeure de santé publique, avec des conséquences directes (fractures, en particulier celles du col du fémur) et indirectes (immobilisation prolongée sans secours, entraînant des complications graves). À l'échelle mondiale, on recense chaque année 37,3 millions de chutes nécessitant une prise en charge médicale et 684 000 décès. En France, 450 000 chutes annuelles concernent les personnes âgées de 65 ans et plus, dont près de 50 000 conduisent à une fracture du col du fémur. Ces fractures entraînent une perte d'autonomie dans 50 % des cas et un décès dans l'année suivante pour 30 % des patients concernés. De nombreux travaux de recherche aient été réalisés sur la détection des chutes. Cependant, la détection des pré-chutes reste relativement sous-explorée. Les études existantes partagent plusieurs limites : elles intègrent souvent un éventail restreint d’activités de la vie quotidienne et de types de chutes (principalement latérales et postéro-antérieures), les évaluations des solutions proposées se limitent fréquemment à des données simulées en mode hors ligne, enfin, elles négligent généralement les contraintes de complexité et d’utilisation dans des conditions réelles. Ces lacunes compromettent la viabilité des solutions dans des dispositifs embarqués ou des environnements pratiques. Le coeur de ce travail repose sur le développement et l'optimisation d'algorithmes basés sur l'apprentissage machine pour la détection des chutes et des pré-chutes. Ces dernières, correspondant à la phase critique entre la perte d'équilibre et l'impact, sont particulièrement complexes à détecter. Les algorithmes s'appuient sur des données issues de capteurs inertiels (IMU) embarqués dans la ceinture, nécessitant des techniques avancées de traitement de signal et de préparation des données. L'un des principaux défis a été d'intégrer ces modèles, naturellement gourmands en ressources, dans un dispositif embarqué à faible capacité mémoire, tout en maintenant un haut niveau de performance. Les travaux de recherche présentés traitent également des défis liés à la collecte de données réalistes, notamment en raison de la difficulté d'obtenir des chutes réelles de personnes âgées ou fragiles. Un protocole spécifique a été mis en place pour collecter des données dans des conditions réelles et avec des profils variés. Les solutions développées ont été rigoureusement testées en conditions réelles, démontrant leur robustesse et leur applicabilité pratique. Les résultats obtenus, sur des bases de données de chutes réelles, sont prometteurs, avec des performances de détection élevées : une spécificité de 99,7 % et une sensibilité de 92,73 % pour les pré-chutes (avec une marge moyenne de détection de 253,11 ±127 ms), ainsi qu'une sensibilité de 98,48 % et une spécificité > 99 % pour les chutes. Ce travail marque une avancée significative, non seulement par son passage de la recherche à une application réelle, mais aussi par sa contribution à l'état de l'art, souvent limité à des environnements simulés. En conclusion, ce travail ouvre la voie à une solution médicale embarquée innovante pour réduire l'impact des chutes, à la fois en termes de prévention des blessures graves et de réponse rapide aux incidents.