Dtection automatique des strotypies gestuelles dans le Trouble
Détection automatique des stéréotypies gestuelles dans le Trouble du Spectre de l’Autisme El Amrani R. *, Jazouli M. **, Majda A. **, Merad D. , Zarghili A. **, Bout A. *, Aarab C. *, Aalouane R*. *Service de Psychiatrie, CHU HASSAN II – Fès **Laboratoire de systèmes intelligents et applications, FST - Fès Introduction • Les troubles du spectre autistique (TSA), est un groupe de troubles complexes envahissants du développement, se caractérisant par des difficultés au niveau de la socialisation, de la communication et par la présence de comportements répétitifs et d’intérêts restreints. • L’analyse du comportement par les outils de l’informatique est d’une importance cruciale dans les troubles du développement. L’émergence est notable dans le domaine de la détection automatisée des comportements stéréotypés des enfants atteints de TSA, malgré le peu d’études existant dans ce sens. Objectifs Ø Elaborer un système de vidéosurveillance capable de suivre et d’analyser les comportements des enfants atteints de TSA en temps réel Ø Aider les cliniciens dans la détection précoce et automatique des TSA, et ce en détectant les mouvements stéréotypés du corps associés aux TSA Méthodologie • Notre étude est réalisée conjointement entre le service de Psychiatrie du CHU Hassan II et le laboratoire de Systèmes Intelligents & Applications de la Faculté des Sciences Techniques de Fès. • Le groupe témoin est constitué de 10 individus sains. L’échantillon est constitué d’enfants âgés de 5 à 10 ans suivis pour TSA, intégrés dans un centre spécialisé et qui y sont familiarisés • En se basant sur l’échelle d’évaluation de degré d’autisme CARS (Childhood Autism Rating Scale), nous avons décidé de travailler sur les mouvements stéréotypés. • Le système de vidéosurveillance a été instauré au niveau de la salle d’attente du centre spécialisé : - Des caméras qui enregistrent des séquences vidéos, - Deux appareils Kinnect posés dans les coins de la salle en se fondant dans le décor. • Le but était de garder un environnement le plus familier possible pour les enfants suivis pour TSA. Nous avons utilisé la Microsoft Kinect V 1 pour la reconnaissance des mouvements, que vous connaissez peut-être dans les consoles de jeu. Les données sont exploitées par le système Windows SDK, qui permet le suivi de points du squelette qui sont tous représentés en 3 dimensions (X, Y, Z), où X et Y définissent le position du joint et Z sa distance du capteur, en calculant trois vues de la même image : de face, de gauche et de dessus, dans un but de définir la position 3 D du corps. Pour l’acquisition des données, nous avons opté pour le suivi de 10 points situés au niveau des principales articulations de la moitié supérieure du corps humain : Tête, centre des épaules, épaules droite et gauche, coude droit et gauche, poignet droit et gauche, et les mains droite et gauche. Ces points sont suivis en temps réel à une vitesse de 30 images/ seconde, et la distance du capteur est calculée en mètres. Cinq catégories de mouvements sont détectées : Le système a été évalué avec notre propre base de données contenant 500 gestes, issus de dix personnes non autistes, dont chacune a été invitée à faire chaque geste dix fois. Par la suite, nous avons fait le test sur cinq enfants autistes où chaque enfant a un ou plusieurs gestes stéréotypés. Nous avons obtenu des données de test de dix gestes stéréotypés d'enfants autistes. Après l'acquisition des données, nous avons utilisé 50 gestes dans l'apprentissage (dix entraînements pour chaque type de geste). Comparaison des résultats en utilisant l’algorithme $P vs DTW chez des personnes non-autistes. Comparaison des résultats en utilisant l’algorithme $P vs DTW chez les enfants suivis pour TSA. Ces deux figures comparent le pourcentage de reconnaissance des mouvements d’apprentissage recueillis chez les personnes nonautistes d’un côté, et chez les enfants suivis pour TSA d’un autre, en utilisant l’algorithme $P vs DTW. On constate un meilleur taux de reconnaissance grâce à $P dans les 2 cas et concernant les 5 types de mouvements étudiés. Résultats Les données recueillies chez les personnes saines et les enfants suivis pour TSA via l’algorithme $P ont été comparées à l’algorithme DTW afin de déterminer le plus fiable en pratique. De manière générale, le système de reconnaissance $P a atteint un taux de reconnaissance de 94% des mouvements stéréotypés avec un taux d’erreur de 6% Discussion • Peu de travaux dans ce sens dans la littérature : la plupart des auteurs n’ont étudié que peu de mouvements stéréotypés (2 à 3). • Certains ont utilisé des capteurs au niveau des poignets des enfants, ce qui n’est pas toléré par tous les enfants autistes, D’autres ont obtenu des résultats plus satisfaisant en utilisant le capteur Kinnect. • Systèmes de reconnaissance proposés dans la littérature taux de reconnaissance non satisfaisant faux-positifs. • En utilisant le système $P, nous avons atteint un taux de reconnaissance dans ce domaine de 94% avec un taux d’erreur de 6%, ce qui est satisfaisant en comparaison à d’autres systèmes. Conclusion En perspective, d’autres améliorations pourraient être envisagées. Notamment : • Construction d’une base de données plus grande (différents âges et de différents sexes). • Ajout de plus de mouvements stéréotypés afin d’augmenter la puissance de détection. • Intégration d’autres comportements inhabituels chez les enfants autistes (comportement vocal stéréotypé, le comportement visuel, comportement d'automutilation). Bibliographie : 1. Abdelkader, M. F. , Chellappa, R. , Zheng, Q. , and Chan, A. L. (2006). Integrated motion detection and tracking for visual surveillance. Proc. of the Fourth IEEE International Conference on Computer Vision Systems (ICVS), (pp. 28 -28). 2. Abdel. Maseeh, M. , Chen, T. W. , and Stashuk, D. W. (2016). Extraction and classification of multichannel electromyographic activation trajectories for hand movement recognition. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 24(6), 662 -673. 3. Adrien, J. L. , Faure, M. , Perrot, A. , Hameury, L. , Garreau, B. , Barthelemy, C. , and Sauvage, D. (1991). Autism and family home movies: preliminary findings. Journal of autism and developmental disorders, 21(1), 43 -49. 4. Alabbasi, H. a, Moldoveanu, P. , and Moldoveanu, A. (2015). Real Time Facial Emotion Recognition using Kinect V 2 Sensor. IOSR Journal of Computer Engineering Ver. II, 17(3), 2278– 661. 5. Albinali, F. , Goodwin, M. S. , and Intille, S. S. (2009). Recognizing Stereotypical Motor Movements in the Laboratory and Classroom : A Case Study with Children on the Autism Spectrum. The Proceedings of the 11 th international conference on Ubiquitous computing, doi: 10. 1145/1620545. 1620555.
- Slides: 1