EMGesture : Transformer les chargeurs sans fil Qi en capteurs de gestes sans contact

2.1. Acquisition & Prétraitement du signal EM

Le signal principal est le champ électromagnétique généré par la bobine de transmission de puissance du chargeur, fonctionnant à des fréquences d'environ 100-205 kHz pour le Qi. Lorsqu'un utilisateur effectue un geste de la main près du chargeur, celle-ci agit comme un milieu conducteur, perturbant ce champ. Ces perturbations sont capturées sous forme de données de tension en série temporelle.

Le prétraitement implique :

• Filtrage du bruit : Application de filtres passe-bande pour isoler la bande de fréquence Qi pertinente du bruit environnemental.
• Normalisation : Mise à l'échelle des signaux pour tenir compte des différentes paires appareil/chargeur et des niveaux de puissance de référence.
• Segmentation : Isolement de la fenêtre de signal correspondant à une instance de geste unique.

2.2. Extraction des caractéristiques & Classification des gestes

Le signal prétraité est analysé pour extraire des caractéristiques discriminantes. Étant donné la nature séquentielle des gestes, les caractéristiques sont probablement tirées des domaines temporel et fréquentiel :

• Domaine temporel : Amplitude du signal, taux de passage par zéro, énergie.
• Domaine fréquentiel : Centroid spectral, largeur de bande, Coefficients Cepstraux sur une échelle Mel-Fréquence (MFCC) adaptés aux signaux EM.
• Temps-Fréquence : Caractéristiques issues de la Transformée de Fourier à Court Terme (STFT) ou des transformées en ondelettes pour capturer les motifs évolutifs.

Un modèle d'apprentissage automatique robuste (par exemple, une Machine à Vecteurs de Support (SVM), une Forêt Aléatoire, ou un réseau de neurones léger comme un CNN 1D ou un LSTM) est entraîné sur ces caractéristiques pour classer les gestes (par ex., glisser gauche/droite, tapoter, cercle). La robustesse du modèle est essentielle pour gérer la variabilité entre les utilisateurs et le matériel.

3.1. Précision de reconnaissance & Performances

Les auteurs ont mené des expériences complètes avec 30 participants, 10 appareils mobiles différents et 5 chargeurs Qi. Le système a démontré une précision de reconnaissance remarquable de plus de 97 % pour un ensemble défini de gestes (par ex., glissements directionnels, cercles, tapotements). Cette haute précision a été maintenue à travers différentes combinaisons appareil-chargeur, prouvant la généralisabilité de l'approche.

Description du graphique (inférée) : Un histogramme à barres multiples montre probablement les pourcentages de précision (axe des y) pour différents types de gestes (axe des x) tels que Glisser à gauche, Glisser à droite, Cercle, Tapoter et Pousser. Chaque barre est subdivisée pour montrer les performances dans différentes conditions de test (par ex., Utilisateur 1-10, Appareil A-E). Une ligne superposée indique la précision moyenne globale se maintenant systématiquement au-dessus de la barre des 97 %.

3.2. Étude utilisateur & Évaluation de l'utilisabilité

Au-delà de la précision, des études utilisateurs ont été menées pour évaluer l'aspect pratique. Les participants ont rapporté :

• Une grande commodité : L'utilisation d'un appareil existant et omniprésent (le chargeur) élimine le besoin de capteurs supplémentaires.
• Une forte perception de la vie privée : Contrairement aux caméras, le système ne capture pas de données visuelles ou biométriques, seulement des perturbations EM abstraites.
• Une facilité d'utilisation : Les gestes se sont avérés intuitifs et faciles à réaliser dans des contextes comme un bureau ou une table de chevet.

L'étude positionne EMGesture non seulement comme techniquement viable mais aussi comme acceptable pour l'utilisateur.

4.1. Fondements mathématiques & Traitement du signal

La perturbation du champ EM par un objet conducteur (la main) peut être modélisée par des changements d'inductance mutuelle et de courants de Foucault induits. Le signal reçu $s(t)$ peut être considéré comme :

$s(t) = A(t) \cdot \sin(2\pi f_c t + \phi(t)) + n(t)$

où $A(t)$ est l'amplitude variant dans le temps, $f_c$ est la fréquence porteuse (~110-205 kHz), $\phi(t)$ est la phase, et $n(t)$ est le bruit. Les gestes modulent $A(t)$ et $\phi(t)$. L'extraction des caractéristiques implique souvent le calcul de l'enveloppe du signal $E(t)$ :

$E(t) = |s(t) + j \cdot \mathcal{H}\{s(t)\}|$

où $\mathcal{H}\{\cdot\}$ est la transformée de Hilbert, utilisée pour obtenir le signal analytique pour la détection d'enveloppe.

4.2. Cadre d'analyse : Une étude de cas sans code

Scénario : Contrôler une lampe de bureau intelligente (allumer/éteindre, augmenter/diminuer l'intensité) en utilisant des gestes au-dessus de son socle de charge sans fil intégré.

1. Flux du signal : L'utilisateur effectue un geste de "cercle". Le mouvement de la main altère le champ EM local de la bobine de charge.
2. Pipeline de données : Un Convertisseur Analogique-Numérique (CAN) sur la carte de contrôle du chargeur échantillonne le retour de courant/tension de la bobine (données déjà surveillées pour le contrôle de la charge).
3. Création du vecteur de caractéristiques : La fenêtre échantillonnée de 500 ms est traitée. Un modèle CNN 1D extrait des caractéristiques spatio-temporelles : par exemple, un pic de puissance spectrale basse fréquence suivi d'un motif d'amplitude cyclique.
4. Classification & Action : Le modèle associe le vecteur de caractéristiques à la classe "cercle" avec une confiance de 98 %. Le système traduit cela en la commande : "Parcourir les températures de couleur de la lampe."
5. Vérification de robustesse : Le système ignore les perturbations mineures (comme le placement d'un téléphone sur le socle) en vérifiant si le motif du signal correspond à la signature d'un appareil en charge connu avant d'activer le mode gestuel.

Ce cadre met en lumière l'intégration transparente de la détection dans une fonction existante.