UnaliWear accuse Apple, Samsung et Garmin d’utiliser sans autorisation des brevets liés à la détection des chutes. La plainte déposée le 12 décembre 2025 devant l’USITC ouvre une procédure, pas encore une interdiction de vente.
La plainte vise la fonction apparue avec l’Apple Watch Series 4 en 2018. UnaliWear a ajouté des éléments à son dossier les 31 décembre 2025 et 5 janvier 2026. L’affaire relève de la section 337 du Tariff Act de 1930, le dispositif américain qui peut conduire à une mesure d’exclusion contre des produits importés jugés contrefaisants.
Le poignet plaide sa cause devant l’USITC
UnaliWear commercialise la Kanega Watchune montre dont la détection des chutes occupe une place centrale. Son prix affiché est de 299 dollars, auquel s’ajoute un abonnement annuel de 779,40 dollars. Sur douze mois, la facture atteint donc 1 078,40 dollars. Le produit ne se compare pas directement à une Apple Watchmais ce tarif montre qu’il existe un marché dédié aux dispositifs qui promettent de déclencher rapidement une aide.
L’USITC a annoncé son intention d’enquêter et demandé aux entreprises visées de répondre sous 20 jours. La plainte expose les accusations d’UnaliWear. Elle ne constitue ni une décision de violation ni une condamnation. Aucune interdiction d’importer une Apple Watch n’est prononcée à ce stade.
Le décalage entre 2018 et 2025 attire forcément l’attention. Il ne permet pas de juger la solidité du dossier : un litige de brevets peut dépendre de discussions privées, de l’évolution des revendications ou du calendrier choisi par le plaignant. Le droit des brevets aime les marathons, pas les sprints.
Masimo a déjà fait tomber la barrière
Apple connaît déjà les procédures de l’USITC appliquées à l’Apple Watch. Dans l’affaire Masimo, la société spécialisée dans les technologies médicales avait saisi cette commission avant d’obtenir 634 millions de dollars à l’issue d’un procès. Le montant concerne un autre capteur et ne préjuge pas du dossier UnaliWear.
Ce précédent suffit toutefois à rappeler le risque économique d’une fonction intégrée à une montre vendue dans le monde entier. Une décision peut viser l’importation du produit, certains composants ou une fonction précise. Le dossier ne se résume donc pas à la question de savoir si une montre reconnaît un mouvement brutal.
Il faudra examiner les revendications de chaque brevet, la méthode employée par les appareils visés et la correspondance entre cette méthode et les éléments protégés. Une plainte large peut ouvrir un bras de fer long, mais elle ne remplace pas cette démonstration technique.
La keynote se prend la science en pleine figure
Une démonstration de détection des chutes tient en quelques secondes : une personne tombe, la montre repère l’événement, puis une alerte est envoyée. Dans une chambre, une salle de bains ou un établissement de soins, le mouvement peut être lent, masqué ou confondu avec une activité ordinaire. La personne peut aussi ne pas répondre à l’alerte.
Une revue systématique publiée dans Medicina en 2025 a retenu 33 études portant sur 20 systèmes de détection et 13 modèles de prédiction chez des personnes âgées à l’hôpital ou en établissement de soins de longue durée. Les solutions à capteurs inertiels, de pression, radar ou combinés dépassaient 80 % d’acceptation. Elles amélioraient la surveillance, mais ne réduisaient pas régulièrement le nombre de chutes ou de blessures.
Les résultats sont même contrastés. Un essai rapportait une diminution non significative des chutes avec blessure, avec un risque relatif ajusté de 0,56 et un intervalle de confiance de 0,17 à 1,79. Un autre observait une hausse non significative, avec un rapport de taux d’incidence ajusté de 1,60 et un intervalle de 0,83 à 3,08. Les fausses alertes ajoutent un autre problème : lorsqu’elles se multiplient, elles peuvent provoquer une fatigue des équipes.
Une alerte précise ne prouve donc pas qu’elle réduit les blessures.
Le radar voit large, les preuves gardent les pieds au sol
Photo de Kindel Media sur Pexels.
Une autre revue systématique publiée dans Sensors en 2025 a analysé 80 études consacrées aux technologies d’assistance à domicile et aux maisons intelligentes. Les capteurs non portés et les solutions hybrides obtenaient les meilleures performances globales, tandis que les capteurs portés arrivaient derrière dans les cinq paramètres étudiés. Les méthodes de deep learning obtenaient les meilleurs résultats parmi les approches comparées.
Cette comparaison ne constitue pas un test de l’Apple Watch. Elle montre seulement que le port permanent d’une montre impose une condition pratique : l’utilisateur doit la porter, la recharger et la conserver en état de fonctionnement. Un capteur fixé dans une pièce évite l’oubli, mais demande une installation et reste dépendant de l’environnement surveillé.
Un essai publié dans les actes de l’IEEE EMBC en 2023 a évalué un radar ultra-large bande fixé au plafond. Le protocole réunissait dix participants, des chutes simulées et des activités quotidiennes dans un environnement dégagé puis encombré. Le système fondé sur un réseau neuronal convolutif a obtenu une précision de 93,97 %, une sensibilité de 95,58 % et une spécificité de 92,68 %. Ce sont les résultats d’un protocole expérimental, pas une mesure de l’efficacité d’une montre en conditions ordinaires.
Le deep learning n’a pas encore son permis de conduire
Une revue systématique publiée dans Sensors en 2026 a retenu 11 études parmi 588 résultats initiaux sur la détection vidéo en temps réel avec du matériel physique. Elle définissait le temps réel à partir d’un seuil d’au moins 10 images par seconde. Les architectures CNN dominaient, et les appareils en périphérie du réseau facilitaient le traitement local.
La limite est nette : les travaux retenus utilisaient surtout de petits jeux de données et des chutes simulées. Aucun ne rapportait de test en conditions réelles avec des personnes âgées. Un modèle peut donc afficher un score qui claque dans un laboratoire et perdre en fiabilité quand la lumière baisse ou qu’un objet masque une partie du corps.
Le jardin clos passe en mode tribunal
La plainte vise une fonction directement intégrée à l’Apple Watchalors que la Kanega Watch en fait un axe commercial central. Cette différence de positionnement explique l’intérêt économique du dossier, sans établir pour autant que les brevets d’UnaliWear couvrent le fonctionnement des produits concurrents.
La notice d’enquête ne donne pas la portée complète des revendications ni la défense technique qu’Apple pourrait présenter. Le débat devra porter sur les capteurs, le traitement des signaux et la méthode exacte revendiquée. Dire que toutes les montres détectent une chute ne suffit pas à prouver qu’elles utilisent la même invention.
La suite peut donc passer par plusieurs étapes : réponses des entreprises, examen des brevets, audiences et éventuelle mesure d’exclusion. Même dans le scénario d’une décision défavorable, la portée dépendrait des produits et des fonctions concernés. Le couperet n’est pas encore tombé.
Une alerte utile, pas un ange gardien
Les études donnent une image moins spectaculaire que la démonstration d’une keynote. Les systèmes sont acceptés par les utilisateurs dans plusieurs travaux, certains protocoles affichent de très bons scores et la détection peut accélérer le signalement d’un incident. En revanche, les données disponibles ne montrent pas une réduction constante des chutes ou des blessures.
La plainte du 12 décembre 2025 ajoute donc une bataille de brevets à une technologie dont la validation reste incomplète. Une chute détectée à 95 % dans un protocole contrôlé, c’est un résultat intéressant. L’alerte qui arrive au bon moment, dans une vraie salle de bains avec une vraie personne, c’est là que le dossier commence vraiment.
Sources et références scientifiques
William Gallagher. Apple under legal attack over fall detection tech. 2026.
Digital Healthcare Approaches for Fall Detection and Prediction in Older Adults: A Systematic Review of Evidence from Hospital and Long-Term Care Settings – PMC. Medicina (Kaunas, Lithuania). DOI: 10.3390/medicina61111926 · PMID: 41303763.
1.World Health Organization Falls. Fact Sheets. [(accessed on 1 October 2024)]. Available online:.
2.LeLaurin J.H., Shorr R.I. Preventing falls in hospitalized patients: State of the science. Clin. Geriatr. Med. 2019;35:273-283. doi: 10.1016/j.cger.2019.01.007. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1016/j.cger.2019.01.007.
3.Zhong Y.J., Meng Q., Su C.H. Mechanism-driven strategies for reducing fall risk in the elderly: A multidisciplinary review of exercise interventions. Healthcare. 2024;12:2394. doi: 10.3390/healthcare12232394. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.3390/healthcare12232394.
4.Giovannini S., Brau F., Galluzzo V., Santagada D.A., Loreti C., Biscotti L., Laudisio A., Zuccalà G., Bernabei R. Falls among older adults: Screening, identification, rehabilitation, and management. Appl. Sci. 2022;12:7934. doi: 10.3390/app12157934. [DOI] [Google Scholar]. doi:10.3390/app12157934.
5.Zhang H., Si W., Pi H. Incidence and risk factors related to fear of falling during the first mobilisation after total knee arthroplasty among older patients with knee osteoarthritis: A cross-sectional study. J. Clin. Nurs. 2021;30:2665-2672. doi: 10.1111/jocn.15731. [DOI] [PubMed] [Google Scholar]. doi:10.1111/jocn.15731.
6.Florence C.S., Bergen G., Atherly A., Burns E., Stevens J., Drake C. Medical costs of fatal and nonfatal falls in older adults. J. Am. Geriatr. Soc. 2018;66:693-698. doi: 10.1111/jgs.15304. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1111/jgs.15304.
7.King B., Pecanac K., Krupp A., Liebzeit D., Mahoney J. Impact of fall prevention on nurses and care of fall risk patients. Gerontologist. 2018;58:331-340. doi: 10.1093/geront/gnw156. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1093/geront/gnw156.
8.Locklear T., Kontos J., Brock C.A., Holland A.B., Hemsath R., Deal A., Leonard S., Steinmetz C., Biswas S. Inpatient falls: Epidemiology, risk assessment, and prevention measures. A narrative review. HCA Healthc. J. Med. 2024;5:517-525. doi: 10.36518/2689-0216.1982. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.36518/2689-0216.1982.
9.Lee M.-J., Seo B.-J., Kim M.-Y. Time-varying hazard of patient falls in hospital: A retrospective case-control study. Healthcare. 2023;11:2194. doi: 10.3390/healthcare11152194. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.3390/healthcare11152194.
10.Cortés O.L., Vásquez S.M., Mendoza A.C. Validation of the stratify scale for the prediction of falls among hospitalized adults in a tertiary hospital in Colombia: A retrospective cohort study. Sci. Rep. 2023;13:21640. doi: 10.1038/s41598-023-48330-y. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1038/s41598-023-48330-y.
11.Zeleníková R., Jarošová D. The predictive validity of the Morse Fall Scale in hospitalized patients in the Czech Republic. Nurs. 21st Century. 2024;23:86-91. doi: 10.2478/pielxxiw-2024-0015. [DOI] [Google Scholar]. doi:10.2478/pielxxiw-2024-0015.
12.Adeli V., Korhani N., Sabo A., Mehdizadeh S., Mansfield A., Flint A., Iaboni A., Taati B. Ambient monitoring of gait and machine learning models for dynamic and short-term falls risk assessment in people with dementia. IEEE J. Biomed. Health Inform. 2023;27:3599-3609. doi: 10.1109/JBHI.2023.3267039. [DOI] [PubMed] [Google Scholar]. doi:10.1109/JBHI.2023.3267039.
Fall Detection in Elderly People: A Systematic Review of Ambient Assisted Living and Smart Home-Related Technology Performance – PMC. Sensors (Basel, Switzerland). DOI: 10.3390/s25216540 · PMID: 41228764.
1.United Nations. World Population Prospects: The 2017 Revision, Key Findings and Advance Tables. Department of Economic and Social Affairs, Population Division; New York, NY, USA: 2017. Working Paper ESA/P/WP/248. [Google Scholar].
2.Centers for Disease Control and Prevention Falls Are Leading Cause of Injury and Death in Older Americans. [(accessed on 25 August 2025)]; Available online:.
3.Turner S., Kisser R., Rogmans W. Falls Among Older Adults in the EU-28: Key Facts from the Available Statistics. [(accessed on 25 August 2025)]. Available online:.
4.Li L.T., Wang S.Y. Disease burden and risk factors of falls in the elderly. Chin. J. Epidemiol. 2001;22:262-264. [Google Scholar].
5.Kumari P., Mathew L., Syal P. Increasing trend of wearables and multimodal interface for human activity monitoring: A review. Biosens. Bioelectron. 2017;90:298-307. doi: 10.1016/j.bios.2016.12.001. [DOI] [PubMed] [Google Scholar]. doi:10.1016/j.bios.2016.12.001.
6.Kumar P., Suresh S. Deep-HAR: An ensemble deep learning model for recognizing the simple, complex, and heterogeneous human activities. Multimed. Tools Appl. 2023;82:30435-30462. doi: 10.1007/s11042-023-14492-0. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1007/s11042-023-14492-0.
7.Nouredanesh M., Gordt K., Schwenk M., Tung J. Automated detection of multidirectional compensatory balance reactions: A step towards tracking naturally occurring near falls. IEEE Trans. Neural Syst. Rehabil. Eng. 2020;28:478-487. doi: 10.1109/TNSRE.2019.2956487. [DOI] [PubMed] [Google Scholar]. doi:10.1109/TNSRE.2019.2956487.
la Cal E.A., Fáñez M., Villar M., Villar J.R., González V.M. A low-power HAR method for fall and high-intensity ADLs identification using wrist-worn accelerometer devices. Log. J. IGPL. 2023;31:375-389. doi: 10.1093/jigpal/jzac025. [DOI] [Google Scholar]. doi:10.1093/jigpal/jzac025.
9.Garcia-Ceja E., Galván-Tejada C.E., Brena R. Multi-view stacking for activity recognition with sound and accelerometer data. Inf. Fusion. 2018;40:45-56. doi: 10.1016/j.inffus.2017.06.004. [DOI] [Google Scholar]. doi:10.1016/j.inffus.2017.06.004.
10.Xie J., Guo K., Zhou Z., Yan Y., Yang P. ART: Adaptive and real-time fall detection using COTS smart watch; Proceedings of the 2020 6th International Conference on Big Data Computing and Communications (BIGCOM); Deqing, China. 24-25 July 2020; pp. 33-40. [Google Scholar].
11.Zhang S., Mc Cullagh P. Situation Awareness Inferred from Posture Transition and Location. IEEE Trans. Hum. Mach. Syst. 2017;47:814-821. doi: 10.1109/THMS.2017.2693238. [DOI] [Google Scholar]. doi:10.1109/THMS.2017.2693238.
12.Badgujar S., Pillai A.S. Fall detection for elderly people using machine learning; Proceedings of the 2020 11th International Conference on Computing, Communication and Networking Technologies (ICCCNT); Kharagpur, India. 1-3 July 2020; pp. 1-4. [Google Scholar].
Real-Time Vision-Based Fall Detection Systems for the Elderly: A Systematic Review – PMC. Sensors (Basel, Switzerland). DOI: 10.3390/s26165069 · PMID: 42655379.
1.United Nations Population Fund Ageing. United Nations Population Fund. 2024. [(accessed on 4 December 2025)]. Available online:.
2.Gutiérrez J., Rodríguez V., Martin S. Comprehensive review of vision-based fall detection systems. Sensors. 2021;21:947. doi: 10.3390/s21030947. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.3390/s21030947.
3.Sterling D.A., O’connor J.A., Bonadies J. Geriatric falls: Injury severity is high and disproportionate to mechanism. J. Trauma Acute Care Surg. 2001;50:116-119. doi: 10.1097/00005373-200101000-00021. [DOI] [PubMed] [Google Scholar]. doi:10.1097/00005373-200101000-00021.
4.Haagsma J.A., Olij B.F., Majdan M., van Beeck E.F., Vos T., Castle C.D., Dingels Z.V., Fox J.T., Hamilton E.B., Liu Z., et al. Falls in older aged adults in 22 European countries: Incidence, mortality and burden of disease from 1990 to 2017. Inj. Prev. 2020;26:i67-i74. doi: 10.1136/injuryprev-2019-043347. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1136/injuryprev-2019-043347.
5.Mubashir M., Shao L., Seed L. A survey on fall detection: Principles and approaches. Neurocomputing. 2013;100:144-152. doi: 10.1016/j.neucom.2011.09.037. [DOI] [Google Scholar]. doi:10.1016/j.neucom.2011.09.037.
6.Patel A.N., Murugan R., Maddikunta P.K.R., Yenduri G., Jhaveri R.H., Zhu Y., Gadekallu T.R. AI-powered trustable and explainable fall detection system using transfer learning. Image Vis. Comput. 2024;149:105164. doi: 10.1016/j.imavis.2024.105164. [DOI] [Google Scholar]. doi:10.1016/j.imavis.2024.105164.
7.Wang S., Wu J. Patch-transformer network: A wearable-sensor-based fall detection method. Sensors. 2023;23:6360. doi: 10.3390/s23146360. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.3390/s23146360.
8.Solatidehkordi Z., Shanableh T. Fall detection using deep learning with features computed from recursive quadratic splits of video frames. Image Vis. Comput. 2025;163:105749. doi: 10.1016/j.imavis.2025.105749. [DOI] [Google Scholar]. doi:10.1016/j.imavis.2025.105749.
9.Wang X., Ellul J., Azzopardi G. Elderly fall detection systems: A literature survey. Front. Robot. AI. 2020;7:71. doi: 10.3389/frobt.2020.00071. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.3389/frobt.2020.00071.
10.Islam M.M., Tayan O., Islam M.R., Islam M.S., Nooruddin S., Kabir M.N., Islam M.R. Deep learning based systems developed for fall detection: A review. IEEE Access. 2020;8:166117-166137. doi: 10.1109/ACCESS.2020.3021943. [DOI] [Google Scholar]. doi:10.1109/ACCESS.2020.3021943.
11.Alam E., Sufian A., Dutta P., Leo M. Vision-based human fall detection systems using deep learning: A review. Comput. Biol. Med. 2022;146:105626. doi: 10.1016/pbiomed.2022.105626. [DOI] [PubMed] [Google Scholar]. doi:10.1016/j.compbiomed.2022.105626.
12.Gaya-Morey F.X., Manresa-Yee C., Buades-Rubio J.M. Deep learning for computer vision based activity recognition and fall detection of the elderly: A systematic review. Appl. Intell. 2024;54:8982-9007. doi: 10.1007/s10489-024-05645-1. [DOI] [Google Scholar]. doi:10.1007/s10489-024-05645-1.
Lu W, Kumar S, Sandhu M, Zhang Q.. An Unobtrusive Fall Detection System Using Ceiling-mounted Ultra-wideband Radar.. Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference. 2023. DOI: 10.1109/embc40787.2023.10341081 · PMID: 38083299. (résumé scientifique structuré; texte intégral non fourni)
Apple under legal attack over fall detection tech, AppleInsider Forums.
William Gallagher. Apple under legal attack over fall detection tech – NewsBreak. 2026.
Bonjour ! Je suis Yves, un passionné de technologie et du web, âgé de 35 ans. J'adore explorer les innovations numérique et partager mes connaissances avec autrui. Mon objectif est d'aider chacun à naviguer dans l'univers digital avec aisance. Bienvenue sur mon site !
Nous utilisons des cookies pour vous garantir la meilleure expérience sur notre site web. Si vous continuez à utiliser ce site, nous supposerons que vous en êtes satisfait.
