Apprentissage profond pour l’authentification continue et la reconnaissance d’activités humaines à partir de données comportementales multimodales
Year: 2025
Type: dissertation
Abstract: Les smartphones modernes embarquent une variété de capteurs, tels que l’accéléromètre, le gyroscope et l’écran tactile capacitif, offrant une opportunité unique pour l’authentification continue et la reconnaissance d’activités humaines. Ce mémoire propose deux architectures basées sur l’apprentissage profond et les modèles à espaces d’états structurés (SSM) : S4HI, pour l’identification robuste à partir de données comportementales inertielles, et MEDUSAA, un encodeur-décodeur multimodal combinant capteurs inertiels et interactions tactiles. Ces approches exploitent la capacité des SSM à capturer efficacement les dépendances temporelles longues, tout en réduisant la complexité et le temps d’inférence par rapport aux architectures de type Transformer. Les modèles sont évalués sur plusieurs jeux de données publics (HMOG, OU-ISIR, WhuGait, PAMAP2, Capture-24) et démontrent des performances supérieures en précision, évolutivité et déploiement en ligne. Les résultats obtenus confirment le potentiel de ces méthodes pour des applications embarquées sécurisées et à faible consommation énergétique.
Source: Espace ÉTS (ETS)
Author: Snoussi, Khalil
Institution: École de Technologie Supérieure
Language: French
Subfield: Information Systems
Field: Computer Science
Domain: Physical Sciences
Open Access status: green
OpenAlex ID: W7113058134