• Accueil
  • Société
  • Solutions
  • Base documentaire
  • Support
  • Newsletter
  • Fusion de données

    Afin de permettre la gestion des alertes dans des conditions optimales, les différents types de situations critiques pouvant survenir pour les différents domaines d’intervention de nos dispositifs télémédicaux (chute des personnes âgées, modification brutale de la température corporelle, ischémie cardiaque silencieuse...) sont catégorisées grâce à un Système Expert de Levée de Doute (SELD) particulièrement performant.

    Un principe de fusion de données par analyse contextuelle multidimensionnelle est par conséquent appliqué au traitement des informations physiologiques et contextuelles, ce qui permet de distinguer les situations critiques nécessitant le déclenchement d’une alerte et l’arrivée des secours des situations ne le nécessitant pas.

    Dans le cadre de la détection des chutes suivies d’une immobilisation, les paramètres pris en compte sont les données accélérométriques, les mouvements et déplacements, la temporisation et la fréquence cardiaque.

    Pour la température corporelle, la valeur prise en compte est la température centrale, de même que la rapidité de l’élévation ou de la décroissance thermique.


    Principes et algorithmes


    La plupart des méthodes connues de fusion de données reposent sur un principe de "méthode analytique" lorsqu'elles sont basées sur un modèle, ou "par apprentissage" lorsqu'elles font appel à ce qui est parfois présenté comme ressortissant du champ de l'intelligence artificielle.

    Par le biais de la fusion de données, différentes sources d'information sont combinées pour améliorer les performances d'un système. L'illustration la plus évidente de la fusion est l'utilisation de différents capteurs généralement pour détecter une cible ou pour créer des images d'occupation du sol. Plus généralement, les différentes entrées peuvent provenir d'un seul capteur à des moments différents (fusion dans le temps) ou d'un seul capteur à un moment donné, mais pour lequel plusieurs experts interviennent. Dans ce dernier cas, les avis des experts peuvent être fusionnés.

    La fusion de données  peut ainsi être utilisée pour plusieurs objectifs tels que la détection, la reconnaissance, l'identification, le suivi, la détection du changement, la prise de décision, etc. Ces objectifs peuvent être rencontrés dans de nombreux domaines d'application comme la défense, la robotique, la médecine, l'espace...
     
    Les  processus de fusion sont souvent qualifiés d'intermédiaire, de haut niveau ou de niveau faible selon le stade de transformation au cours duquel la fusion a lieu.
     
    Dans la fusion de niveau intermédiaire, diverses fonctionnalités telles que les bords, coins, les lignes, les paramètres de texture... sont combinés en une carte de fonctionnalité qui peut ensuite être utilisée par d'autres procédures


    Fusion de bas niveau


    La fusion de bas niveau combine plusieurs sources de données brutes destinée à produire de nouvelles données brutes qui ont pour but de se révéler plus instructives et synthétiques que les entrées.

    Dans le domaine de l’image, plusieurs bandes spectrales de la même scène sont fusionnées pour produire une nouvelle image qui contient idéalement dans un seul et même canal toutes les informations disponibles, un opérateur ou un algorithme de traitement d'image pouvant alors utiliser cette image unique au lieu des images originales.

    Ceci est particulièrement important lorsque le nombre de bandes spectrales disponibles devient si grand qu'il est impossible de regarder les images séparément. Ce type de fusion nécessite toutefois une précision importante, notamment pour des images complexes.

    Ce type de fusion nécessitant de bien sélectionner les informations à partir de sources différentes, il est important de bien définir ce que sont les informations pertinentes.


    Fusion de niveau intermédiaire


    La fusion de niveau intermédiaire combine des caractéristiques différentes qui peuvent provenir de plusieurs sources de données brutes (plusieurs capteurs, des moments différents...) ou de la donnée elle-même. Dans ce dernier cas, l'objectif est de trouver des éléments pertinents parmi les fonctionnalités disponibles, éléments qui sont susceptibles de provenir de plusieurs méthodes d'extraction des données.
     
    L'objectif est d'obtenir un nombre limité de caractéristiques pertinentes. Les méthodes de fusion de niveau intermédiaire incluent l'analyse en composantes principales (ACP) ou par réseau neuronal (ARN). Dans le domaine du traitement d'image, certaines fonctionnalités sont ainsi calculées comme prétraitement pour la segmentation ou la détection.
     
    Des caractéristiques telles que les arêtes, les coins, les lignes, les paramètres de texture, les coefficients d'ondelettes... sont calculées et combinées dans une carte de fonction fusionnée et ensuite utilisées pour la segmentation ou la détection.


    Fusion de haut niveau


    Egalement dénommé fusion de décisions, la fusion de haut niveau combine les décisions anticipées de plusieurs experts, même si les experts n'expriment en retour qu'une confiance (exprimée sous la forme d'un score) et non une décision. De telles méthodes de fusion de décisions faisant appel à des méthodes statistiques de logique floue sont largement utilisées en matière de sondage électoraux.
     
    Une telle  catégorisation n'englobe toutefois pas tous les paradigmes de fusion possible, les entrées et les sorties du processus de fusion pouvant présenter différents niveaux de traitement, les données les plus typiquement caractéristiques pouvant être fusionnées à l'issue d'une décision et le niveau de la fusion pouvant être alors soit défini par le niveau de sortie ou par le niveau d'entrée.
     
    Les procédures de fusion sont parfois classées selon leurs caractéristiques d'entrée / sortie dans les catégories suivantes : Hors données, Etalonnage de données, Entité-étalonnage , Entité-décision de données, Décision entrée-sortie.
     
    Dans la pratique, la procédure de fusion est souvent appliquée à partir d'une combinaison des trois niveaux susmentionnés.

     

    Application dans le domaine de la santé

     

    Appliquée à différents domaines en santé, la fusion de données permet d’affiner le niveau de pertinence du traitement de l’information (diagnostic, pronostic, prise de décision, protocoles thérapeutiques...).

    Dans un système de suivi domotisé, les données peuvent être issues de biocapteurs caractérisant les paramètres physiologiques, de descripteurs d’activité (présence, déplacements...) ou encore de descripteurs de conditions environnementales.

    Dans des systèmes complexes liés notamment à l’assistance au domicile, des contraintes telles que les modalités de gestion des alertes, le besoin de réactivité en temps réel ou la sécurisation des échanges de données doivent être prises en compte.

    Des besoins spécifiques peuvent toutefois interagir avec les processus de fusion de données, à savoir l’intégration de données composite et l’auto-adaptation du système au patient à partir de modèles généraux. La fusion de données peut également combiner des aspects temporels et spatiaux et peut être appliquée à plusieurs niveaux, depuis la validation de mesures élémentaires jusqu’à la prise de décision.

    L’intérêt de différentes méthodes telles que l’analyse multivariée, l’estimation Bayésienne, les systèmes multi-agents, les modèles de décision Markoviens, les réseaux neuronaux ou l’analyse de proximité a été confirmé. Les méthodes probabilistes sont en outre apparues intéressantes afin de rendre compte de l’état de santé des patients, de tels modèles permettant d’anticiper l’évolution de la pathologie voire d'éviter son aggravation. Le suivi des insuffisants rénaux s’appuie ainsi sur des modèles de décision stochastiques comme les modèles markoviens MDP ou POMPDP (Partially Observable Markovian Decision Process).

    Le succès de ces modèles tient pour partie à leur capacité à modéliser des incertitudes liées aux informations provenant des capteurs. De plus, ces techniques permettent l’adaptation d’un modèle générique piloté par expertise médicale, un tel modèle spécifique étant ensuite confronté régulièrement aux informations nouvelles qui permettent d'assurer une autorégulation du modèle.

    D’autres méthodologies ont été développées pour les insuffisants cardiaques, avec notamment la possibilité d’interpréter et de caractériser l’information liée à l’activité électrique du cœur par une analyse spatio-temporelle de l’ECG. On peut alors trouver les meilleurs descripteurs spécifiques à un patient par les techniques d’analyse multivariée. Une seconde approche s’appuie sur les méthodes d’analyse multidimensionnelle de proximité  pour combiner les informations issues de différents descripteurs de l’état du patient en relation avec un ensemble de diagnostics possibles.

    Dans le domaine du monitorage des personnes âgées, les données collectées par les capteurs sont des suites temporelles de booléens, la méthode d’analyse relevant de la reconnaissance et de l’identification de motifs temporels et la détection d’alertes étant menée par une processus de décision à partir d’heuristiques. Dans les applications considérées, deux types de résultats sont recherchés : la détermination de tendances basées sur l’analyse de données quotidiennes et la détection de situations critiques. 

    Appliquée au domaine de la chute des personnes âgées, l’analyse contextuelle multidimensionnelle basée sur les données accélérométriques, actimétriques et temporelles a apporté la preuve de sa pertinence pour la catégorisation des situations critiques.


    Conclusion
     

    Qu’elles soient basées sur un principe analytique ou d’apprentissage, les méthodes de fusion de données appliquées à la connaissance et à la gestion des situations complexes ont permis d’aboutir à des évolutions considérables. Il a ainsi été possible d’améliorer le degré de confiance dans les décisions, d’améliorer la performance de mesures opérationnelles ou encore les performances dans des conditions défavorables. D’une manière générale, l’association de plusieurs types de données issues de capteurs différents permet d’améliorer la performance globale des systèmes d’aide à la décision.

    Dans le domaine de la santé, la fusion de données permet d’affiner le niveau de pertinence du traitement de l’information (diagnostic, pronostic, prise de décision, protocoles thérapeutiques...).

    Il est ainsi possible d’améliorer le degré de pertinence du suivi des certaines affections chroniques ainsi que le niveau de fiabilité des alertes en cas de situation critique.
     


    Bibliographie

     

    Beuscart R, Zweigenbaum P, Degoulet P
    Télémédecine et e-santé
    Springer-Verlag 2002
    Dasarthy BV, Fusion decision, IEEE Computer Society Press, 1994
    Gupta M, Romary L Dynamic Interfaces for Telemedicine Systems. In: Proc UIML-Europe. Ecole nationale des Arts et Métiers. Paris 2001
    Noury N, Hervé T, Rialle V, Virone G, Cingala C, Gouze E, Mercier E Wireless ambulatory acquisition of high resolution physiological signals. In: Proc European Telemetry Conferences. Garmisch Partenkirchen: German Society Telmetering 2000: 199-204
    Noury N, Poujaud J, Lundy JE
    Analyse contextuelle multidimensionnelle pour la reconnaissance de situations à risque pour la santé. Le paradigme de la détection de la chute
    IRBM 2009, (30), 5, 268-272
    Rialle V, Lauvernay N, Franco A, Piquard JF, Couturier P. A smart room for hospitalised elderly people: essay of modelling and first steps of an experiment. Technol Health Care 1999:7: 343-357
    Rubel P et al.
    Towards Intelligent and Mobile Systems for Early Detection and Interpretation of Cardiological Syndromes. In: Murray A., Swiryn S. eds. Computers in Cardiology, Piscataway (USA): IEEE Computer Society Press, 2001:28:193-196
    Thomesse J.P.
    Les technologies de l’information intégrées aux services des soins à domicile : le projet TIISSAD in : Beuscart R., Zweigenbaum P., Degoulet P. Télémédecine et e-santé Springer-Verlag 2002