A Decade of Progress in Video-Based Infant Movement Assessment: A Comprehensive Survey of Methods, Applications, and Datasets
Contexte : L'analyse vidéo des mouvements infantiles est devenue une approche prometteuse pour la détection précoce des troubles du développement neurologique. Le domaine a évolué de l'évaluation clinique subjective vers des systèmes quantitatifs et automatisés. Objectif : Ce survol complet trace l'évolution technologique du domaine de 2014 à 2024, en se concentrant sur trois axes : les méthodes d'estimation de posture adaptées aux nourrissons, les approches d'analyse directe des vidéos, et les méthodologies de collecte de données. Méthode : L'analyse systématique couvre la progression des techniques de suivi du mouvement vers des solutions avancées de deep learning, avec une attention particulière aux périodes clés du développement (mouvements de torsion, mouvements de fidgety, et mouvements volontaires). Résultats : Les adaptations réussies des techniques d'estimation de posture aux caractéristiques des nourrissons sont mises en évidence, tout en soulignant des défis persistants liés à l'acquisition de données, à la préservation de la vie privée et à l'intégration clinique. L'accent croissant mis sur l'intelligence artificielle explicable est jugé essentiel pour renforcer la confiance clinique. Une analyse comparative des jeux de données et des systèmes de surveillance met en lumière leurs forces et limites. Intérêt clinique : Cette revue offre des perspectives pour l'early detection des troubles neurodéveloppementaux, en combinant vision par ordinateur, machine learning et soins pédiatriques. Limites : La rareté des grands jeux de données diversifiés, l'absence de standardisation entre plateformes, et le besoin de validations cliniques robustes restent des obstacles majeurs. Les capacités techniques ont progressé, mais leur mise en œuvre clinique exige une prise en compte des contraintes pratiques et éthiques.
Évolution des méthodes d'analyse vidéo des mouvements infantiles (2014-2024) Avancées en estimation de posture et deep learning, défis en acquisition de données et intégration clinique Nécessité d'IA explicable et de standardisation des jeux de données Rareté des données de grande envergure et manque de validation clinique
Outils pour la détection précoce des troubles neurodéveloppementaux Nécessité de collaborations interdisciplinaires (informatique, médecine, éthique) Développement de systèmes respectueux de la vie privée et adaptés aux besoins cliniques
Données limitées sur les méthodologies d'acquisition et les validations cliniques Absence de standardisation entre les plateformes de collecte de données Défis éthiques et pratiques pour l'intégration en milieu clinique
Revue