IA et analyse de la démarche : un lien prometteur entre santé et sécurité

Le simple fait de marcher produit une grande quantité de signaux : rythme des pas, transfert du poids, force exercée sur le sol et variations d’un appui à l’autre. Longtemps cantonnées aux laboratoires de biomécanique et à certains services hospitaliers, ces informations intéressent désormais aussi la sécurité. Une étude internationale menée par l’Université d’Adélaïde, publiée en 2024, examine ce rapprochement à partir de données recueillies auprès de plus de 700 personnes.

L’enjeu est double. Dans un cadre de soin, l’analyse de la démarche cherche à objectiver l’état fonctionnel d’une personne, notamment lorsque des troubles neurologiques ou musculosquelettiques affectent ses mouvements. Dans un cadre de sécurité, la même démarche peut devenir une caractéristique biométrique, susceptible d’aider à reconnaître une personne en déplacement. Les deux usages mobilisent des données similaires, mais ne répondent ni aux mêmes objectifs ni aux mêmes contraintes.

Ce que révèle réellement l’analyse de la démarche

La démarche désigne la manière dont une personne marche. Elle résulte d’un ensemble complexe de mécanismes : mobilité des articulations, force musculaire, équilibre, coordination, vitesse, habitudes de déplacement et environnement. Deux personnes peuvent avoir une cadence comparable tout en répartissant différemment leurs appuis ou en produisant des forces distinctes au contact du sol.

L’analyse instrumentée vise à transformer ces éléments en données mesurables. Dans l’étude, les chercheurs se sont notamment appuyés sur des plateformes de force. Ces dispositifs, placés au sol, enregistrent les forces exercées par le corps pendant la marche. Ils fournissent ainsi une description mécanique de chaque foulée, plus détaillée qu’une simple observation visuelle.

Ces mesures peuvent être utiles pour suivre l’évolution d’une mobilité. Elles ne disent toutefois pas, à elles seules, pourquoi une personne marche d’une certaine façon. Une douleur, une fatigue, une blessure, un appareillage, une vitesse inhabituelle ou les caractéristiques propres à un individu peuvent influer sur le résultat. C’est précisément là que les modèles d’intelligence artificielle entrent en jeu : ils sont conçus pour détecter des régularités et des différences dans de grands ensembles de données.

Plus de 700 personnes pour entraîner des modèles plus robustes

L’équipe internationale dirigée par le professeur Kayne Duncanson, de l’Université d’Adélaïde, a examiné les données de démarche de plus de 700 participants. Le travail, paru dans le Journal of the Royal Society Interface, s’intéresse à la façon dont des modèles d’IA peuvent trouver à la fois les ressemblances collectives et les particularités individuelles dans ces données.

Cette question est décisive. Un modèle entraîné sur un groupe trop homogène risque de confondre une caractéristique habituelle avec une signature propre à une personne. À l’inverse, l’exposition à une plus grande diversité pendant l’apprentissage aide le système à mieux distinguer les sources de variation. Les résultats rapportés par les chercheurs montrent que les modèles entraînés avec des données diversifiées sont particulièrement performants pour l’identification des individus.

L’étude met aussi en lumière plusieurs éléments susceptibles de faire varier la démarche. Ils doivent être pris en compte pour éviter des résultats trompeurs ou une perte de fiabilité lorsque les conditions changent.

Le point important n’est donc pas de prétendre qu’une démarche serait immuable. Au contraire, les chercheurs s’intéressent à la possibilité de modéliser une signature individuelle tout en tenant compte des changements normaux ou contextuels qui l’affectent.

Santé et sécurité : deux objectifs très différents

Dans le domaine médical, la démarche est surtout considérée comme un indicateur fonctionnel. L’objectif consiste à évaluer ou à suivre les conséquences d’un trouble sur le mouvement, par exemple dans le cas de pathologies neurologiques ou musculosquelettiques. Ces évaluations reposent souvent sur des instruments spécialisés et sur des échantillons plus restreints que ceux utilisés pour construire de vastes systèmes biométriques.

En sécurité, la logique change. Il ne s’agit plus principalement d’observer l’évolution d’une personne dans le temps, mais de vérifier si une série de signaux correspond à un individu précis. Cette identification peut être envisagée dans des environnements en mouvement, tels que les zones de passage dans les aéroports. Le système doit alors reconnaître des traits suffisamment stables chez une personne, malgré la diversité des situations rencontrées.

Cette différence explique l’intérêt des réseaux de neurones profonds évoqués par les chercheurs. Ces modèles peuvent apprendre à extraire des caractéristiques complexes dans un signal et à séparer, autant que possible, les éléments pertinents pour l’identification des autres variations. Mais ils posent également une question essentielle : sur quels indices le système fonde-t-il sa décision ?

Pourquoi les plateformes de force intéressent aussi l’intelligence artificielle

Les plateformes de force ne se contentent pas d’enregistrer le passage d’un pied. Elles captent les interactions entre le corps et le sol, ce qui permet d’étudier finement la réaction de chaque personne au cours de la marche. Dans les travaux examinés, ces plateformes peuvent fonctionner comme des instruments indépendants pour recueillir des échantillons dans différentes conditions.

Cette autonomie potentielle est importante pour la recherche. Elle permet d’imaginer des protocoles de collecte qui ne dépendent pas d’une seule source d’information et qui conservent une mesure physique directement liée au mouvement. Les chercheurs proposent un processus d’analyse capable de synthétiser les variations de démarche à plusieurs échelles, de l’individu au groupe.

Pour des outils destinés à la santé, cette capacité peut aider à comparer une personne à ses propres mesures antérieures, plutôt qu’à une moyenne abstraite. Pour les usages biométriques, elle peut au contraire aider à différencier une personne d’autres profils tout en limitant l’influence de certaines conditions de marche. Dans les deux cas, la qualité des données recueillies demeure aussi importante que la sophistication du modèle.

L’étude souligne enfin l’intérêt de méthodes d’IA explicable. Un système explicable cherche à rendre plus compréhensibles les caractéristiques qui ont pesé dans un résultat. Cette approche est particulièrement utile lorsqu’une analyse concerne la santé d’un patient ou l’identification d’une personne : il ne suffit pas qu’un algorithme produise une réponse, il faut aussi pouvoir interroger les raisons de cette réponse et ses limites.

Les limites à ne pas effacer derrière la promesse technologique

La démarche est informative, mais elle n’est pas une empreinte parfaitement fixe. Une personne ne marche pas toujours de la même manière. L’allure choisie, les chaussures, un sac porté, une fatigue passagère ou un changement de sol peuvent modifier le signal. Un modèle performant dans des conditions précises doit donc être évalué avec prudence lorsqu’il est transposé dans un autre contexte.

Cette réserve compte d’autant plus dans le champ médical. Une anomalie observée dans la marche peut mériter une attention, mais elle ne permet pas, à elle seule, d’établir une cause ni de poser un diagnostic. Les systèmes d’IA peuvent soutenir l’observation, faciliter le suivi et aider à structurer des données nombreuses. Ils ne remplacent pas l’examen clinique, les échanges avec le patient ni l’expertise médicale.

Dans la sécurité, la question porte aussi sur les erreurs d’identification. Reconnaître une personne à partir de son mouvement est un problème différent de l’évaluation d’un état physique. Les conséquences d’une confusion peuvent être sensibles, surtout dans un espace public ou un lieu de passage. Les performances doivent donc être analysées selon des scénarios réalistes et sur des populations suffisamment diverses.

La démarche, une donnée biométrique qui appelle des garde-fous

Lorsqu’elle sert à distinguer ou reconnaître une personne, la démarche touche directement à la biométrie. Elle ne doit donc pas être traitée comme une simple donnée technique. La collecte, la conservation, le partage et l’utilisation de mesures de mouvement demandent des règles claires, en particulier lorsque les personnes ne maîtrisent pas pleinement le contexte dans lequel elles sont observées.

En santé, la confidentialité est au centre du dispositif. Les données de marche peuvent être associées à l’état fonctionnel d’un patient et, parfois, à son parcours de soins. Il est nécessaire de limiter l’accès à ce qui est utile, de sécuriser les informations et d’expliquer clairement l’objectif de leur collecte.

En sécurité, les interrogations concernent davantage la proportionnalité de la surveillance. Un système conçu pour identifier une personne dans un lieu de transit ne doit pas être évalué seulement à l’aune de ses résultats techniques. Il faut également examiner sa nécessité, les modalités d’information du public, la durée de conservation des données et les possibilités de contrôle.

La recherche décrite par l’équipe de l’Université d’Adélaïde ne fait pas disparaître ces tensions. Elle montre plutôt pourquoi il est utile de les aborder dès la conception. Le rapprochement entre santé et sécurité peut favoriser des méthodes plus robustes, mais il ne rend pas leurs finalités interchangeables.

Ce qu’il faut surveiller pour passer de la recherche à des usages fiables

Au 26 décembre 2024, les résultats de cette étude ouvrent des pistes plutôt qu’ils ne valident un outil universel. Les prochaines avancées dépendront d’abord de la capacité à collecter des données représentatives, avec des conditions de marche variées et des participants suffisamment divers. C’est une condition nécessaire pour limiter les biais et mesurer honnêtement les performances.

Il faudra également distinguer les cas d’usage. Le suivi d’une rééducation, l’évaluation d’un trouble de mobilité et l’identification biométrique dans un environnement dynamique ne peuvent pas reposer sur les mêmes critères de succès. Les premiers exigent une interprétation clinique utile au patient. Les seconds exigent une fiabilité élevée, des protections renforcées et une justification claire de la surveillance.

Enfin, l’IA explicable pourrait jouer un rôle de trait d’union entre ces deux univers. Rendre les résultats plus compréhensibles aiderait les professionnels de santé à vérifier la pertinence d’un signal et les responsables de systèmes biométriques à mieux auditer leurs outils. L’analyse de la démarche pourrait alors devenir non pas une boîte noire qui prétend lire un individu dans sa façon de marcher, mais un instrument mesuré, transparent et adapté à un objectif précis.