Premiers résultats d’un algorithme de détection des frottements oculaires avec une montre connectée

S. Elahi^a (Dr), T. Mery*, A. Saad, A. Alahi^a, D. Gatinel

^a Fondation Adolphe de Rothschild, Paris, FRANCE

But de l'étude

Développer un outil de détection objectif du frottement oculaire afin d’évaluer sa relation avec des maladies dégénératives ectasiques telles que le kératocône.

Méthode

Détection d’interactions main-visage (IMV) avec une montre connectée (Apple®) par des modèles de machine learning (ML): 19 variables de mouvement (accélérations linéaires/angulaires, orientations …) issues de l’appareil sont collectées et analysées de manière continue, afin de détecter automatiquement les frottements oculaires.

La base de données est collectée grâce à un algorithme de détection visuelle par caméra (OpenPifPaf) qui annote les actions des différents sujets en 10 classes d’IMV, ainsi qu’une classe « arrière-plan » (ou « sans actions »). 80% des données est utilisé pour entrainer des modèles (dont les CNN --réseau de neurones convolutifs, et les LSTM --réseau de neurones récurrents), et le reste pour valider leurs performances.

Résultats

39 individus ont permis de collecter en moyenne 506.8 séquences de chacune des 10 classes d’IMV préalablement définies, ainsi que 4463 séquences d’actions annexes (l’arrière-plan), pour un total de 9531 séquences analysées.

La précision du modèle de classification est évaluée à 74.1% pour l’algorithme CNN et 73.7% pour le LSTM avec une efficacité de chaque modèle à détecter l’arrière-plan à 85.0% et 81.0% respectivement.

Conclusions

Cette étude préliminaire pose les fondements du premier outil de détection des frottements oculaires objectifs. Les précisions des modèles de détection (>73.7%) ainsi que leur capacité à détecter l’arrière-plan (>81.0%) sont prometteurs mais la difficulté reste de différencier les IMV entre elles.

L’auteur n’a pas transmis de déclaration de conflit d’intérêt.