Reconnaissance d’activités à granularité fine et apprentissage des activités de la vie quotidienne pour l’assistance aux personnes en perte d’autonomie
Year: 2025
Type: dissertation
Abstract: Le vieillissement de la population, aggravé par la pénurie de personnel médical, est devenu un problème majeur dans la plupart des pays développés. Le maintien à domicile des personnes âgées en perte d’autonomie apparaît comme une nécessité, mais comporte des risques qu’il faut contrôler. Ce projet de thèse propose une nouvelle approche pour la reconnaissance d’activités à granularité fine dans le contexte des maisons intelligentes, en utilisant des capteurs de photopléthysmographie (PPG) combinés à des accéléromètres. Notre modèle est basé sur un jeu de données collecté à partir d’un bracelet équipé de capteurs PPG et d’accéléromètres, appliqué à des techniques d’apprentissage automatique. Pour construire l’ensemble de données, nous avons défini 13 gestes de cuisine atomiques effectués par 20 participants. Les données collectées ont été annotées et mises à disposition de la communauté scientifique. L’originalité de notre approche réside dans l’utilisation de capteurs PPG, traditionnellement utilisés pour la surveillance cardiaque, pour améliorer la précision de la reconnaissance d’activités à granularité fine. Nous avons obtenu des résultats prometteurs, avec une exactitude de 94,96%, démontrant le potentiel des capteurs PPG dans les maisons intelligentes pour la reconnaissance des activités dans le cadre d’une assistance aux personnes âgées en perte d’autonomie. Cette recherche ouvre la voie à de nouvelles perspectives pour le développement de systèmes d’assistance plus précis et moins intrusifs, contribuant ainsi à améliorer la qualité de vie et l’autonomie des personnes âgées tout en assurant leur sécurité.
Author: Ngodjou Doukaga, Habba’s
Institution: Université du Québec à Chicoutimi
Language: French
Subfield: Computer Vision and Pattern Recognition
Field: Computer Science
Domain: Physical Sciences
Open Access status: green
OpenAlex ID: W7140067963
