Edito n°44 : Un pied dans la ville quand on est presbyacousique

Suzanne Soukeina, 84 ans, retraitée de la poste tunisienne, ne s’adonne plus à son activité préférée : la marche. Des problèmes cardiaques couplés à une déficience auditive liée à l’âge avancé l’obligeant à porter une prothèse auditive font que son univers se rétrécie considérablement depuis quelques années. Elle nous a fait part de ses craintes vis-à-vis de la fréquentation de l’espace public : « Je crains les chutes…tout le monde court à l’extérieur, les voitures roulent vite et ma lenteur me fait sentir que je m’expose à un danger à chaque mètre que je fais… »¹.

De nombreuses études qui s’intéressent à l’usage de la ville par les plus âgés pose la question de la sécurité à s’exposer dans l’espace public lorsqu’on atteint le grand âge. Les difficultés de mobilité au sens strict sont souvent le prétexte à fréquenter de moins en moins l’espace public. Un mal, aussi responsable de l’isolement de la personne âgée que la diminution de ses capacités physiques, passé souvent sous silence, à cause entre autres de son invisibilité : il s’agit de la presbyacousie. La perte de discrimination sonore chez le piéton âgé est à l’origine de nombreuses situations de dangers et d’accidents de la voie publique. Ne percevant plus les signaux auditifs d’alerte ou, quand il les perçoit, ne les situe plus à leur bonne origine, le piéton âgée se trouve vulnérable et fragilisé lors de son évolution dans la ville. Suzanne Soukeina nous confie que : « les voitures roulent vite et je n’arrive plus à entendre leurs klaxons parfois pour savoir d’où elles viennent… j’ai peur de traverser, on m’écraserait surement »².

Elle souffre d’une surdité de perception moyenne à sévère. Si sa prothèse auditive est d’une aide considérable à l’intérieur, elle n’a pas été calibrée pour l’extérieur. Afin de déchiffrer les moments clés de modification d’ambiances sonores urbaines et d’émergence d’évènements sonores qui avertissent d’un danger et que cette dame n’arrive plus à discriminer auditivement en s’engageant dans une configuration urbaine de situation de danger critique³, nous avons fait appel à la technique des « textures audio⁴ », une technique récente, empruntée du domaine du traitement de l’image et permettant de détecter graphiquement, sur une matrice dite d’inter-similarité⁵ les modifications d’ambiances sonores lors d’un parcours. Un algorithme de segmentation de scènes sonores⁶ a été développé à cet effet pour détecter la similarité ou non entre deux séquences sonores.

Avant de traverser un carrefour, l’une des configurations urbaines accidentogènes identifiées, nous avons équipé Suzanne Soukeina d’un biocapteur sans fil qui mesure l’activité électrodermale (AED) qui est un indicateur physiologique objectif du niveau de stress et un allié de taille pour détecter graphiquement sur le tracé de l’AED un événement stressant pour notre enquêtée et confirmer l’apparition dans le temps et dans l’espace d’une situation de danger lors du parcours. Notre enquêtée a eu beaucoup de problème à traverser comme le témoigne cet extrait de son commentaire : « Nous allons traverser ce carrefour ? ça me stresse…J’ai peur,  je ne sais plus à quel moment je peux traverser…je ne vois plus de loin le feu s’il est rouge ou vert et je suis obligé de me fier aux voitures qui s’arrêtent…il faut traverser là ? Oh mon dieu, cette voiture n’a pas respecté le feu…je n’ai rien entendu ni vu venir…il a klaxonné ? Heureusement que vous êtes avec moi et que le conducteur a freiné à temps sinon elle m’aurait écrasé…C’est dangereux pour moi la ville, c’est fini…»⁷.

A l’instant ‘’T’’ où Suzanne Soukeina a traversé cette partie du carrefour non réglée par des feux de circulation routière et n’a pas pu identifier le son de l’avertisseur sonore de la voiture qui approchait, nous avons analysé la scène sonore en question grâce à l’algorithme de segmentation. En relevant les coordonnées temporelles de la RED et en les couplant avec la segmentation de la scène sonore à l’endroit ‘’X’’ de l’apparition de la réaction stressante à travers un balayage de la matrice d’inter-similarité obtenue, nous avons pouvons pu déterminer avec précision le numéro de l’échantillon de la séquence sonore sujet à l’apparition de la situation de danger qui n’a pas été identifiée par la personne âgée presbyacousique.

Les « textures audio » seraient alors un indicateur sonore pertinent pour une personne âgée presbyacousique et la représentation en deux dimensions qu’elles offrent nous permettrait de détecter graphiquement l’apparition d’une situation de handicap et de prévoir ainsi les corrections nécessaires afin de permettre aux séniors de sortir de chez eux. Suite à cette détection graphique, nos recherches doctorales à visée opérationnelle dicteraient l’établissement d’un éventuel cahier des charges regroupant des dispositions et dispositifs palliatifs à l’apparition de ces situations de danger en ville pour cette population âgée (feux sonores dont le signal est modifié selon une écoute déficiente dans les aigues, un appareillage auditif intégrant une localisation de l’avertisseur sonore d’un véhicule…).

1. Extrait d’un entretien précédant un parcours commenté réalisé avec Mme Suzanne Soukeina B. le 03/01/11 à Tunis, quartier Lafayette (12h34).
2. Extrait d’un entretien précédant un parcours commenté réalisé avec Mme Suzanne Soukeina B. le 03/01/11 à Tunis, quartier Lafayette (12h46)
3. Une situation de handicap est une conjugaison d’une diminution des performances physiques et d’un environnement matériel et humain peu favorable. Typologie des situations de handicap identifiées : les situations de gêne, de stress et de danger (d’après L. SABY, Vers une amélioration de l’accessibilité urbaine pour les sourds et les malentendants, thèse en génie civil, l’institut national des sciences appliquée de Lyon, 2007).
4. Ensemble d’éléments sonores répétitifs, organisés aléatoirement, tout en préservant une certaine cohérence temporelle et spectrale.
5. La matrice est obtenue en : d’abord, échantillonner le signal audio. Ensuite, partitionner le signal en frames de 512 échantillons via les 13 premiers coefficients MFCC (échelle de Mels de perception humaine). Enfin, capturer le degré de similarité entre 2 frames représentés par deux vecteurs i et j en se basant sur le produit de vecteurs : on obtient ainsi une matrice carrée symétrique présentant graphiquement le signal sonore tel qu’il a été traité par cet algorithme de segmentation
6. Algorithme développé au sein de l’Unité de recherche « Signaux et Systèmes », Département TIC, Ecole Nationale d’Ingénieurs de Tunis (ENIT).
7. Extrait d’un parcours commenté réalisé avec Mme Suzanne Soukeina B. le 03/01/11 à Tunis, quartier Lafayette (13h17).