Détection de chute sans caméra : quels capteurs Arduino pour limiter les faux positifs ?

International Français
1

Bonjour à tous,

Je m’intéresse à la détection de chute chez les personnes âgées, en particulier dans un contexte de chambre ou d’établissement médico-social. Je cherche à comprendre ce qui est réaliste avec Arduino ou ESP32 pour faire un prototype fiable, sans caméra.

J’ai vu plusieurs approches possibles :

  • accéléromètre / gyroscope porté, type MPU6050 ou BNO055 ;
  • détection d’impact suivie d’une période d’immobilité ;
  • capteurs de présence ou de pression dans l’environnement ;
  • combinaison de plusieurs capteurs pour réduire les faux positifs.

Mes questions :

  1. Est-ce qu’un capteur inertiel porté suffit vraiment pour détecter une chute ?
  2. Quels seuils d’accélération ou de changement d’orientation sont généralement utilisés ?
  3. Comment éviter les faux positifs, par exemple lorsqu’une personne s’assoit rapidement, pose l’objet brusquement ou se cogne ?
  4. Est-ce qu’un ESP32 est adapté pour ce type de prototype, notamment si l’on veut envoyer une alerte ?
  5. Avez-vous déjà testé une logique “impact + absence de mouvement pendant X secondes” ?

J’essaie surtout de comprendre les limites techniques. Les chutes chez les personnes âgées sont un vrai sujet de santé publique, et je vois que certaines solutions professionnelles essaient de détecter les chutes sans caméra, par exemple dans ce type de contexte :

Je ne cherche pas à promouvoir une solution, mais à comprendre quels choix techniques permettent d’arriver à quelque chose de fiable côté prototype.

Merci pour vos retours.

2

Les capteurs invensense peuvent parfaitement remplir ce rôle. En utilisant tous les axes il est possible de mesurer de la perte de stabilité à la chute c'est une question d'algorithme et de pondération (traitement) des données fournies.

3

Si vous regardez l'Apple Watch, c'est une approche pure IA ➜ elle combine son accéléromètre et son gyroscope pour analyser en permanence les mouvements du poignet, y compris le balancement naturel du bras. Elle recherche une séquence très spécifique qu'un simple mouvement de bras ne peut pas reproduire : une accélération brusque, suivie d'un impact fort, puis d'une immobilité soudaine. C'est cette signature qui distingue une chute d'un geste ordinaire ou d'une activité sportive.

Apple a entraîné ses algorithmes sur des dizaine de milliers de chutes simulées pour minimiser les faux positifs et la principale limite reste liée au port au poignet : si celui-ci n'absorbe pas le choc, comme lors d'une chute sur les genoux, la détection peut échouer.

une approche purement algorithmique juste sur la base d'un seuil ne me semble pas pertinente, on parle de détection d'un type de pattern très variable, sur une certaine durée - pas juste d'un évènement ponctuel.