Agrégation de données d`un réseau de capteurs physiologiques

Agrégation de données d’un réseau
de capteurs physiologiques
Frederic Ehrlera, Paul Albuquerqueb, Florent Gluckb, Saurabh Rainac, David Issomd, Christian Lovisa,e
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
Summary
Physiological sensors network data aggregation
Taken independently, the data produced by physiological
sensors have many applications. However, only a tight integration of the signals will provide a global comprehension of the health status of an individual. In this article, we
share our experience acquired when building a network of
physiological sensors connected to the Arduino platform.
We have conceived an architecture integrating captors, going from the connection to the manipulation of the produced data. Four key requirements have been identified:
On the one hand, to provide a plug and play connectivity,
and to communicate the data stream in a coherent way. On
the other hand, to aggregate several data streams and to
present these streams in a coherent manner. We propose to
deal with the connection issue by delegating the responsibility to a remote platform. The data transfer itself will
be done based on the existing standards. The automatic
data aggregation is possible through a set of rules and algorithms. Finally, the visualisation can be done by associating every signal to a specific visualisation widget. The connection of heterogeneous sensors is a complex task. In this
article, we propose a concrete end to end solutions to the
main challenges.
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
Swiss Medical Informatics · PDF of the online version · www.medical-informatics.ch
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 sup-
Page 1 of 5
Original article
portées 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®.
Figure 1
Capteurs de la plateforme 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
Swiss Medical Informatics · PDF of the online version · www.medical-informatics.ch
de la contrainte que tout le matériel doit être disponible sur
le marché grand public.
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
Page 2 of 5
Original article
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.
Figure 2
Architecture globale de connexion.
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.
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
Swiss Medical Informatics · PDF of the online version · www.medical-informatics.ch
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
Références
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.
Page 3 of 5
Original article
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.
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.
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.
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.
5 Martinez I, Fernández J, Galarraga M. Implementation of an end-to-end
standard-based patient monitoring solution. Iet Commun, 2008.
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.
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.
Swiss Medical Informatics · PDF of the online version · www.medical-informatics.ch
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.
Page 4 of 5
Original article
Figures (large format)
Figure 1
Capteurs de la plateforme Arduino.
Figure 2
Architecture globale de connexion.
Swiss Medical Informatics · PDF of the online version · www.medical-informatics.ch
Page 5 of 5