Primary and
hospital care

Agrégation de données d’un réseau de capteurs physiologiques

Original article
Frederic Ehrler
Édition
2014/00
DOI:
https://doi.org/10.4414/smi.30.00313
Affiliations
a Hôpitaux universitaires de Genève, Service des sciences de l'information médicale, Genève, Suisse

b Haute École du paysage, d'ingénierie et d'architecture, Genève, Suisse

c J.I.I.T., Noida, Inde

d Karolinska Institute, Stockholm, Suède

e Université de Genève, Genève, Suisse

Publié le 15.10.2014

Introduction

L'obsession des hommes à mesurer et évaluer leur santé à travers des paramètres physiologique est bien antérieure à l'apparition de l'électronique moderne. Déjà au 16ème siècle, les scientifiques utilisaient des capteurs tels que le thermomètre et le tensiomètre. Cependant, la vraie démocratisation de ces outils n'est apparue que dans les années 1980 avec des compagnies comme «Polar» qui produisirent les premiers moniteurs de rythme cardiaque grand public. Depuis lors, même s'il a encore fallut attendre un peu pour voir la reconnaissance du mouvement «quantified self», les technologies de surveillance d'activités et de paramètres physiologique n'ont pas cessé de se développer.
Récemment, une multitude de nouvelles compagnies sont arrivées sur le marché et proposent un éventail de capteurs capables de surveiller son état de santé et de visualiser toute les données sur des portails web. Ces nouveaux venus étendent le champ de la surveillance physiologique et d'activités bien plus loin que le simple pouls, pression artérielle et température. Des paramètres comme le niveau de stress, la qualité du sommeil, le niveau de glucose, le poids, la saturation d'oxygène ou la fréquence respiratoire sont d'ores et déjà disponibles.
Cette nouvelle diversité de paramètres enregistrés ouvre des opportunités sans précédent pour l'évaluation personnelle de son niveau de bien-être et de santé. Cependant, afin d'offrir une vision la plus fidèle possible, il est nécessaire de s'appuyer sur une gestion cohérente et agrégée des données provenant de multiples sources. Par exemple, l'évolution corrélée des rythmes de sommeil, du poids et de la pression artérielle est importante dans l'évaluation d'une apnée du sommeil. Cette approche semble être plébiscitée par les utilisateurs qui cherchent ainsi à motiver l'adoption de comportements sains ou de détection précoce d'altérations qui requièrent l'attention de professionnels de la santé. Des personnes avec des maladies chroniques, comme le diabète ou l'insuffisance respiratoire, peuvent enregistrer et analyser l'évolution de paramètres pertinents en comparaison avec l'action combinée de leur traitement et de leur style de vie [1]. Ils peuvent ensuite partager ces données avec leur médecin pour améliorer leur suivi.
Notre approche ne consiste pas à essayer de rivaliser avec les standards existants, ni de les remettre en cause. Au contraire, notre approche est parallèle, car elle consiste à s'appuyer sur ces standards pour proposer une agrégation des signaux produits par des systèmes hétérogènes. Cette approche est requise car il existe plusieurs standards compétitifs d'une part, et que certains capteurs ne disposant pas de standards utilisent des approchent propriétaires, bien que souvent ouvertes.

État de l'art

Plusieurs standards essaient de s'imposer pour proposer une norme de transfert des données produites par des capteurs médicaux ou grand public. La norme la plus avancée étant certainement ISO/IEEE 11073 (connu sous le diminutif X73) [2], mais d'autres initiatives existent supportées par HL7, IHE, VITAL ou Continua Alliance [3]. Dans le cas de la norme X73, un modèle en couche, se basant sur d'autres normes ISO existantes, décrit toutes les étapes nécessaires à la transmission d'un signal d'un capteur à un consommateur. Malheureusement, il n'y a dans ce domaine actuellement que peu ou pas de corrélation entre la qualité ou la puissance d'un standard et son taux d'adoption par l'industrie. Par ailleurs, la plupart des grands acteurs industriels du marché consumériste ne sont pas les acteurs traditionnels du domaine.
L'absence de stratégie indiscutable au niveau de l'interopérabilité entre capteurs à favorisé l'émergence de plusieurs initiatives cherchant à répondre à ce défi. Deux approches principales se détachent. D'un côté celles qui se limitent aux capteurs compatibles X73 [4, 5]. D'autres approches mettent en place des architectures inspirées des approches orientées service pour les capteurs (connue sous l'acronyme SODA pour Service Oriented Device Architecture) [6, 7]. Le concept central des approches SODA est l'encapsulation des capteurs comme des services, de la même façon que les services d'entreprise dans le SOA. L'approche la plus proche de celle que nous imaginons ici est certainement celle développée à l'université de Pennsylvanie qui propose une plateforme centralisée sur lequel il est possible de connecter les capteurs à un point centrale nommé superviseur [8].

Matériel et méthodes

L'approche présentée dans cet article est fruit d'une réflexion autour d'une contrainte de réunir une multitude de capteurs physiologique différents sur une seule plateforme, tel que rendu possible sur Arduino®.
En explorant les possibilités de cette plateforme, nous nous somme rapidement rendu compte du côté laborieux de la connexion des différents capteurs à la plateforme car, pour chacun d'eux, un logiciel spécifique doit être installé. De plus, chacun présente les données produites sur une interface spécifique, il est de cet fait impossible de contrôler facilement si son rythme cardiaque est corrélé avec son taux d'oxygène sanguin ou à son rythme respiratoire. Suite à cette première prise en main, nous avons essayé d'imaginer quelle seraient les caractéristiques d'une plateforme simple d'utilisation pouvant générer une vue concise et complète sur les informations produite par les capteurs. Nous présentons dans les résultats les exigences d'un tel système et discutons de possibles solutions à y apporter en partant de la contrainte que tout le matériel doit être disponible sur le marché grand public.
Figure 1
Capteurs de la plateforme Arduino.

Résultats

Architecture

Mettre en place une architecture globale permettant d'intégrer les signaux de différent flux de données des senseurs nécessite de résoudre plusieurs défis. Il doit être possible de connecter et déconnecter les différents capteurs et leurs signaux de façon transparente, de structurer l'information pour son exploitation, d'agréger les données de façon pertinente et de visualiser de manière souple les différents flux de données produits.

Connectivité

Le monde des capteurs est très hétérogène, la plupart des vendeurs fournissent une solution spécifique pour la communication de leurs capteurs avec leur écosystème et/ou le monde extérieur. Les plus ouverts fournissent une API complète permettant la communication bidirectionnelle avec le capteur ou son environnement. Les plus fermés n'offrent aucun moyen d'accéder aux données transférées. La plupart du temps, connecter ces capteurs requiert d'installer un logiciel spécifique ou du moins un pilote, ce qui peut s'avérer un processus pénible lors de l'utilisation de nombreux capteurs. Dans notre solution, nous désirons être capables d'intégrer ces capteurs de manière transparente sans devoir installer, une à une, toute les applications propriétaires.

Communication

Chaque capteur produit son flux de données selon sa propre logique. La transmission de ce flux à un consommateur unique en vue de leur agrégation n'est pas possible sans définir clairement la structure du conteneur de donnée transportant, entre autre, l'identifiant du producteur des données, le flux de donnée lui-même ainsi que des informations sur la temporalité.

Agrégation

L'agrégation de données produites par un ensemble hétérogènes de capteurs est une tâche complexe étant donné les nombreuses différences de modalité de production. Une normalisation est nécessaire, tant au niveau de la synchronisation qu'au niveau des plages possibles ou des unités de mesures. Par exemple, un ECG n'as pas du tout la même temporalité qu'une prise de pouls qui, de même, n'a pas la même échelle temporelle qu'une prise de tension artérielle. La granularité de l'échelle temporelle, de même que la notion de durée d'événement, doivent être représentés uniformément tout en respectant les conventions requises à chaque type de source.

Visualisation

Si présenter individuellement les différents signaux produits par un réseau de capteurs est intéressant, la vraie valeur ajoutée réside dans la capacité de présenter diverses sources de manière synchrone. Cette vue permet de mettre plus facilement en relation les différents indicateurs et ainsi mieux détecter des corrélations potentielles. Toutefois, l'agrégation visuelle, même lorsque les données sont pertinentes, n'est elle pas toujours possible, voire elle peut induire en erreur. Il est donc primordial de tenir compte de la pertinence médicale d'un groupement de données et de traiter les aspects ergonomiques et d'interaction de façon spécifique.

Discussion

Nous présentons dans la cette section de discussion, les solutions que nous avons développées pour répondre aux différents défis énoncés.

Connectivité

Afin de répondre aux défis de la connectivité, l'architecture délègue la gestion de la connectivité à un serveur central responsable d'identifier les capteurs connectés grâce à des informations stockées dans une base de données de capteurs prédéfinie. Cette solution ne fonctionnera que pour les capteurs dont le protocole de connexion à été précédemment implémenté. Une fois identifié, le serveur renvoi les instructions de connexion ainsi que le protocole de communication entre le capteur et la plateforme centrale. Pour la plateforme de connexion, nous utilisons actuellement une architecture Arduino/Raspberry Pi qui offre une grande palette de connectique ainsi qu'une capacité de traitement embarqué.
Figure 2
Architecture globale de connexion.

Transport

Dans le scénario que nous sommes fixés, les capteurs que nous cherchons à agréger ne communiquent pas forcément selon des standards. Cependant, s'il est très compliqué d'utiliser ces standards lorsque ceux-ci n'ont pas été intégrés nativement dans le matériel, les structures d'information ainsi que les terminologies contrôlées décrites dans les standards peuvent être réutilisées afin d'élaborer un protocole de transport de l'information sur une base solide. Une manière de normaliser l'information qui peut être citée en exemple est «The (Normative) Medical Data Information Base (MDIB)». Cette norme consiste en sept parties distinctes spécifiant les termes et les codes pour les appareils, les unités de mesures, les mesures énumérées, la position des capteurs et les alertes [9].

Agrégation

Agréger des données de capteurs hétérogènes est une problématique complexe, les capteurs produisent leur signal selon leur propre modalité spatio-temporelle. Afin de pouvoir les agréger, il faut effectuer une synchronisation ainsi qu'une normalisation sémantique. Une synchronisation peut être effectuée en se basant sur des algorithmes d'analyse du signal qui déterminent les fréquences des signaux afin de les aligner au mieux [10]. Pour ce qui est de la normalisation sémantique inter-signaux, il est nécessaire de baser sur la connaissance des experts du domaine afin de décrire les relations existantes entre les différents signaux dans un contexte spécifique.

Visualisation

Etre capable d'agréger les signaux au niveau des données ne signifie pas que l'on sait comment les présenter aux utilisateurs. Afin d'offrir une vue spécifique aux utilisateurs pour chacun de leurs besoins, nous travaillons sur une interface modulaire permettant d'associer des ?widgets" visuels avec des signaux et de combiner ceux-ci selon les besoins. Par exemple, un utilisateur pourra choisir de visualiser le pouls et la température sur un unique graphique en ligne ou décider d'utiliser un histogramme pour l'un, et un graphique en ligne pour l'autre tout gardant la possibilité de les combiner.

Conclusion

Le fort enthousiasme actuel concernant la gestion personnelle de son activité et niveau de bien être incite les industriels à mettre sur le marché un nombre grandissant de capteurs permettant la surveillance de paramètres de plus en plus nombreux. Le plein potentiel de ces capteurs pourra s'exprimer seulement lorsqu'il sera possible de les intégrer dans une vue cohérente, facilitant l'aide à la décision, que ce soit pour l'adoption de comportements sains ou la gestion à long terme de maladies chroniques. Suite à nos expérimentations, menées sur une plateforme Arduino, permettant la connexion d'une dizaine de capteurs physiologiques, nous avons identifié les difficultés clefs dans la mise en place d'une plateforme de capteurs intégrées. Parmi ces difficultés, la connectique, le transport des informations, l'agrégation des signaux et la visualisation on particulièrement retenu notre attention. Afin de résoudre ces défis nous développons le concept d'une architecture permettant l'intégration transversale de capteurs hétérogènes, depuis leur branchement sur une plateforme centrale, jusqu'à la manipulation des données produite à travers une interface dédiée. Les défis à relever sont nombreux et nécessitent de rechercher des solutions développées dans plusieurs domaines.
Correspondance:

Frédéric Ehrler, PhD

Hôpitaux universitaires de Genève

Service des Sciences de l'information Médicale

Rue Gabrielle-Perret-Gentil 4

CH-1211 Genève 14

frederic.ehrler[at]hcuge.ch
1 Lucotti P, Monti LD, Setola E, Galluccio E, Gatti R, et al. Aerobic and resistance training effects compared to aerobic training alone in obese type 2 diabetic patients on diet treatment. Diabetes Res Clin Pract. 2011;94(3):395–403.
2 Park C, Lim J, Park S. ISO/IEEE 11073 PHD standardization of legacy healthcare devices for home healthcare services. IEEE International Conference on Consumer Electronics (ICCE), 2011, pp. 547–548.
3 Schmitt L, Falck T, Wartena F, Simons D. Towards plug-and-play interoperability for wireless personal telehealth systems. 4th Int. Work. Wearable Implant. Body Sens. Networks, vol. 13, pp. 257–263, 2007.
4 de Toledo P, Galarraga M, Martinez I, Serrano L, Fernandez J, Del Pozo F. Towards e-Health device interoperability: the Spanish experience in the telemedicine research network. Conf Proc IEEE Eng Med Biol Soc. 2006;1:3258–61.
5 Martinez I, Fernández J, Galarraga M. Implementation of an end-to-end standard-based patient monitoring solution. Iet Commun, 2008.
6 Gregorczyk G. A proof of concept for medical device integration using web services. International Multi-Conference on Systems, Sygnals and Devices, 2012, pp. 1–6.
7 Mauro C, Sunyaev A. Standardized device services-A design pattern for service oriented integration of medical devices. 43rd Hawaii International Conference on System Sciences, 2010, pp. 1–10.
8 Asare P, Cong D, Vattam S. Demo of the medical device dongle: an open-source standards-based platform for interoperable medical device connectivity. Proceedings of the 2nd Conference on Wireless Health – WH ‘11, 2011, no. Mdd, p. 1.
9 Zywietz C. SCP-ECG and Vital Signs Information Representation – two examples of successful transcontinental cooperation in medical informatics standardization. Int J Med Inform. 1998;48(1–3):195–9.
10 Camacho A, Hernández AM, Londoño Z, Serna LY, Mañanas MA. A synchronization system for the analysis of biomedical signals recorded with different devices from mechanically ventilated patients. Conf Proc IEEE Eng Med Biol Soc. 2012:1944–7.

Publié sous la licence du droit d'auteur.

"Attribution - Non-Commercial - NoDerivatives 4.0"

Pas de réutilisation commerciale sans autorisation..

See: emh.ch/en/emh/rights-and-licences/

 

 

Avec la fonction commentaires, nous proposons un espace pour un échange professionnel ouvert et critique. Celui-ci est ouvert à tous les abonné-e-s SHW Beta. Nous publions les commentaires tant qu’ils respectent nos lignes directrices.

Haut de page