Détection de situations à risques pour des personnes fragiles sur des données multimodales

Abstract

Les prévisions actuelles montrent que la population mondiale vieillit. Cette population âgée est sujette à la fragilité avec des risques accrus dans leur quotidien. Ainsi, vieillir dans les meilleures conditions possibles et maintenir à domicile des sujets fragiles est devenu un défi, presque une nécessité. De nombreux projets ont alors été menés dans le monde, avec des architectures incluant des objets connectés avec différents types de capteurs et différentes techniques de détection pour assister les personnes âgées dans leur quotidien. La fragilité est un syndrome gériatrique caractérisé par la faiblesse, l'émaciation et une faible activité physique. L'objectif de cette thèse est d'identifier les risques au quotidien liés à la fragilité et d'y remédier. Nous proposons un dispositif portable pour prévenir les situations à risque des personnes fragiles à leur domicile. La prolifération des wearables a permis de collecter une énorme quantité de données physiologiques, motrices et environnementales pour évaluer l'état et les risques encourus par les humains dans différents environnements. Ainsi, instrumenter une personne fragile pour pouvoir l'accompagner dans sa vie quotidienne devient une tâche de plus en plus abordable. Différentes situations à risque sémantiques ont été rapportées telles que le risque de fraude et le risque d'accident domestique. La difficulté des études dans le monde réel avec des sujets fragiles est que les situations de risque sémantique sont à la fois complexes et "complémentaires".Pour nos recherches nous avons mis en place un dispositif porté par des volontaires sains enregistrant des données à l'aide d'un kit portable incluant des dispositifs IoT. A l'aide de ce dispositif nous avons enregistré un dataset avec des situations à risque simulées dans un environnement réel. Après des tests concluants, effectués sur un dataset lifelog pour la détection de situations à risque sémantiques, nous nous sommes intéressés à la détection de situations à risques sur séries temporelles. D'abord, on s'est essayé aux réseau de neurone LSTM comme algorithme de base ensuite nous avons testé des réseaux de neurones avec un ajout de l'attention.