Utiliser la vidéo pour surveiller la marche chez les patients atteints de démence

Surveiller comment les gens marchent, connu sous le nom d'Analyse de la démarche, peut aider à repérer tôt les problèmes de santé, surtout pour les personnes âgées avec de la démence. Comme ces personnes sont plus susceptibles de tomber, garder un œil sur leurs habitudes de marche peut aider les aidants et les médecins à réagir rapidement pour éviter les accidents. Utiliser des caméras vidéo simples pour suivre la marche au lieu de systèmes coûteux rend cette méthode plus accessible.

#Pourquoi le suivi de la démarche est important

Les personnes âgées avec de la démence tombent souvent deux fois plus que celles sans problèmes cognitifs. Des changements dans leur façon de marcher peuvent indiquer des blessures, des maladies ou d'autres soucis qu'elles ont du mal à communiquer. Surveiller leurs habitudes de marche tous les jours peut permettre de repérer ces changements tôt.

Traditionnellement, analyser la marche nécessite du matériel coûteux, mais les récentes avancées en technologie vidéo nous permettent de suivre les comportements de marche avec des caméras ordinaires. Ça rend la surveillance des individus dans des situations quotidiennes beaucoup plus facile, offrant un outil précieux aux aidants.

#Défis de l'analyse de la démarche

Bien que les technologies de vision par ordinateur s'améliorent, la plupart ne sont pas spécifiquement conçues pour analyser la marche des personnes âgées. Marcher implique beaucoup de mouvements subtils, surtout dans le bas du corps. Savoir où se trouvent chaque articulation dans une vidéo ne suffit pas. Des informations cliniquement importantes, comme combien de temps une personne passe à chaque pas ou combien elle marche, doivent aussi être extraites avec précision.

Des erreurs dans le suivi des articulations peuvent mener à des erreurs significatives dans la mesure des comportements de marche. Les méthodes précédentes devaient calculer manuellement des informations à partir de séquences capturées, laissant plus de place à l'erreur. À la place, utiliser un modèle spécialisé peut améliorer la précision de notre évaluation des caractéristiques de marche à partir de vidéos.

#Travaux connexes

La recherche sur l'utilisation de la vidéo pour suivre le mouvement des gens est en pleine expansion. De nombreuses études ont montré qu'il est possible d'évaluer les caractéristiques de marche par vidéo, surtout dans des scénarios médicaux. Certains chercheurs ont comparé les résultats des analyses vidéo avec les données de systèmes avancés de mesure de la marche et ont trouvé des corrélations prometteuses.

Bien que certaines études aient réussi à extraire des caractéristiques de marche, il y a encore un besoin de modèles bien ajustés pour analyser efficacement la marche des personnes âgées. Plusieurs études ont utilisé des algorithmes personnalisés pour dériver les caractéristiques de marche à partir de vidéos, montrant le potentiel de cette méthode.

#Notre approche

Notre recherche se concentre sur l'utilisation d'une vidéo d'une personne marchant vers une caméra pour prédire des caractéristiques importantes de la marche. On a développé une méthode qui prend une séquence de pose en deux dimensions, qui est une représentation des articulations du corps d'une personne au fil du temps, et la traduit en caractéristiques de marche en trois dimensions.

Pour ce faire, on a utilisé un réseau de neurones spécialisé. Les données utilisées pour notre modèle provenaient de deux endroits différents : un hôpital et une maison de soins de longue durée. Les données vidéo et de profondeur recueillies nous ont aidés à voir à quel point notre modèle fonctionne bien pour prédire les caractéristiques de marche.

#Collecte de données

Les données pour notre analyse ont été collectées à l'aide d'un système de caméra qui a enregistré des personnes en train de marcher. En analysant les vidéos, on a suivi les mouvements des chevilles et des hanches pour obtenir des mesures de marche précises comme la longueur des pas et le rythme. Une planification soignée et des approbations éthiques étaient en place pour garantir la sécurité et la vie privée des participants.

#Construction du modèle

Le modèle a été entraîné à l'aide d'une méthode appelée validation croisée en 10 plis. Elle divise les données en sections pour entraîner et tester le modèle correctement. Chaque fois que le modèle était entraîné, on s'est concentré sur l'optimisation de sa précision en comparant la sortie aux mesures réelles. Les résultats ont été mesurés à l'aide de deux indicateurs principaux : la corrélation de Spearman et l'erreur moyenne absolue.

#Résultats

Nos résultats ont montré que le modèle pouvait prédire efficacement certaines caractéristiques de la marche. En particulier, il était capable de bien corréler avec les mesures de la vitesse de marche d'une personne et la distance de ses pas.

Cependant, le modèle avait du mal à prédire le temps de pas et la largeur des pas, ce qui indique qu'il y a place à amélioration. Quand on a comparé notre modèle à un autre modèle existant, on a constaté que le nôtre offrait de meilleures performances globales en matière de vitesse et de longueur des pas, malgré certaines difficultés avec le timing.

#Importance des résultats

Ces résultats soulignent le potentiel d'utiliser des vidéos simples pour mesurer des caractéristiques physiques complexes comme la marche. Les informations obtenues peuvent orienter les développements futurs dans la surveillance de la santé pour les personnes âgées. Pouvoir suivre les changements de marche efficacement pourrait mener à de meilleures soins préventifs et finalement améliorer la qualité de vie des individus avec de la démence.

#Recherche future

Il y a encore beaucoup à explorer dans ce domaine. Les travaux futurs pourraient se concentrer sur l'amélioration de la précision de la prédiction du timing et de la largeur des pas. On pourrait aussi envisager de développer des modèles spécialisés pour chaque caractéristique afin d'obtenir de meilleurs résultats dans l'ensemble.

De plus, collecter des données sur de plus longues périodes peut nous aider à comprendre comment les habitudes de marche évoluent au fil du temps. Cela pourrait mener à des applications utiles pour surveiller plus précisément les risques pour la santé.

#Conclusion

En résumé, utiliser la technologie vidéo pour surveiller les habitudes de marche des personnes avec de la démence est à la fois prometteur et nécessaire. La capacité d'analyser des caractéristiques clés de la marche peut aider à prévenir les chutes et d'autres problèmes de santé. À mesure qu'on améliore ces méthodes et technologies, on peut offrir de meilleurs soins et améliorer les résultats pour cette population vulnérable.

En continuant d'avancer dans notre recherche et d'appliquer ces découvertes dans des situations réelles, on peut renforcer les systèmes de soutien disponibles pour les aidants et les professionnels de santé. L'avenir de l'analyse de la démarche réside dans la rendre ces outils plus accessibles et efficaces pour toutes les personnes concernées.