Une étude d’Apple révèle que les AirPods pourraient servir de moniteurs cardiaques alimentés par IA, doublant ainsi leur fonctionnalité. En intégrant des technologies avancées, ces écouteurs révolutionnaires promettent une surveillance de la santé en temps réel, transformant notre approche du bien-être personnel et de l’audio.

Apple étudie l’utilisation des AirPods comme moniteurs de fréquence cardiaque AI

Une étude révolutionnaire

L’équipe de recherche d’Apple a publié une étude fascinante qui explore la possibilité d’utiliser des modèles d’intelligence artificielle (IA) pour estimer la fréquence cardiaque à partir d’enregistrements de stéthoscope. Bien que ces modèles n’aient pas été spécialement entraînés dans cette optique, les résultats sont prometteurs. La recherche montre que ces modèles peuvent estimer la fréquence cardiaque à partir de phonocardiogrammes, apportant ainsi une avancée significative dans le domaine de la santé numérique.

Méthodologie de l’étude

Pour effectuer cette étude, l’équipe a examiné six modèles de base populaires, initialement conçus pour traiter des données audio ou de la parole. Ces modèles ont été évalués selon leur capacité à estimer la fréquence cardiaque à partir d’enregistrements sonores du cœur. L’étude a utilisé un ensemble de données public, comprenant plus de 20 heures de sons cardiaques réels provenant d’hôpitaux, soigneusement annotés par des experts.

Les enregistrements ont été découpés en courts extraits de cinq secondes, avancés d’une seconde à chaque fois, ce qui a donné environ 23 000 extraits audio. Ces extraits ont ensuite été utilisés pour entraîner un réseau de neurones à classifier la fréquence cardiaque en valeurs de battements par minute.

Performances des modèles

Les résultats de l’étude ont révélé que, malgré le fait que ces modèles n’étaient pas spécifiquement conçus pour les données de santé, leurs performances étaient remarquablement solides. La plupart des modèles ont affiché des résultats similaires aux méthodes plus anciennes qui reposent sur des caractéristiques audio conçues manuellement. Cela souligne le potentiel des nouvelles technologies d’IA dans le domaine de la santé.

Plus intéressant encore, le modèle développé en interne par Apple, une version de CLAP (Contrastive Language-Audio Pretraining), a surpassé les autres modèles. Entraîné sur 3 millions d’échantillons audio, ce modèle a montré la meilleure performance générale lors des comparaisons.

Leçons clés de l’étude

Un des enseignements importants de cette recherche est que la combinaison de techniques de traitement du signal traditionnelles avec des modèles d’IA de nouvelle génération peut aboutir à des estimations de fréquence cardiaque plus fiables. Dans les cas où une approche peine à fonctionner, l’autre peut souvent compenser ces lacunes. Ces deux méthodes capturent différents aspects du signal, ce qui leur permet de se compléter mutuellement.

Un autre constat intéressant est que les modèles plus grands ne garantissent pas toujours de meilleures performances. En effet, les couches plus profondes de ces modèles semblent souvent encoder moins d’informations utiles relatives au cœur et à la respiration, probablement parce qu’elles sont optimisées pour le traitement du langage. En revanche, les représentations des couches superficielles ou intermédiaires se sont révélées plus efficaces.

Perspectives d’avenir

L’équipe de recherche prévoit de continuer à améliorer ces modèles pour des applications de santé, en développant des versions plus légères susceptibles de fonctionner sur des appareils à faible consommation d’énergie. Ils envisagent également d’explorer d’autres sons corporels qui pourraient être pertinents pour des analyses médicales.

Parmi les objectifs futurs, l’équipe souhaite :

1. Combiner des caractéristiques acoustiques avec des représentations de modèles de base pour améliorer les performances.
2. Affiner les modèles pour réduire les incohérences entre les domaines et améliorer l’estimation de la fréquence cardiaque.
3. Évaluer l’applicabilité de ces modèles à d’autres tâches et paramètres physiologiques, y compris des conditions pathologiques.
4. Adapter et augmenter les données cliniquement significatives.
5. Comparer ces modèles avec d’autres modèles bioacoustiques, comme HeAR.
6. Explorer des stratégies de simplification des modèles pour offrir des solutions déployables à faible coût computationnel tout en maintenant des performances élevées.

Intégration dans les dispositifs d’Apple

Bien que l’étude ne fasse pas de promesses cliniques, elle ouvre la voie à une potentielle intégration de ces modèles dans les iPhones, Apple Watches, et surtout les AirPods. Ces derniers utilisent des microphones internes pour la réduction active du bruit, ce qui pourrait faciliter la capture des sons cardiaques. Si vous avez déjà entendu votre propre battement de cœur lorsque vous portez des AirPods, vous saisissez l’intérêt de cette technologie.

Pour plus d’informations, vous pouvez consulter l’article complet sur Nature.