Etude comparative des performances de techniques de classification de données multicapteurs pour l’analyse d’activités de personnes fragiles dans un environnement domestique

Contexte

Le phénomène du vieillissement est une préoccupation majeure de notre société. On estime que le pourcentage de personnes âgées de 65 ans ou plus dans le monde passera de 9 % en 2019 à 16 % en 2050 [1]. Cette croissance importante influencera les secteurs économiques, médicaux et sociaux en particulier dans les pays développés avec un pourcentage en France qui passera de 19,7 % en 2019 à 32,8 % en 2050 [2]. Le besoin de sécurisation et d'accompagnement des personnes "fragiles" en situation de handicap ou de perte d'autonomie est une conséquence de cette augmentation de population. En particulier, le nombre de personnes âgées semi-autonomes vivant seules à leur domicile ou en structure médicalisée ou partagée, est important et implique une surveillance accrue [3]. Plusieurs travaux ont consisté depuis plusieurs années à proposer des solutions technologiques basées sur des capteurs qui, couplés à des algorithmes de traitement et d’analyse, permettent de créer des modèles d’habitudes représentatif des Activités de la Vie Quotidienne (AVQs) et de détecter toute dérive dans le comportement de ces modèles au cours du temps [4,5]. Le LAAS en a été un des précurseurs et collabore actuellement avec le CHU de Toulouse et l’institut Orcatech (USA – Oregon) dans le cadre d’une thèse  intitulée « Biomarqueurs numériques nutritionnels innovants basés sur la collecte des activités de mobilité et de présence en milieu naturel ». Une dizaine d’habitations de personnes âgées, vivant seules et participant au programme régional INSPIRE du CHU de Toulouse, ont été à ce jour équipées d’un système de capteurs : mouvements infrarouges pour la mesure de la vitesse de marche et la présence dans les pièces, et contacts magnétiques pour les états d’ouvertures/fermetures de certains équipements comme la porte d’entrée, le réfrigérateur et le placard à manger. Ces capteurs permettent de collecter des données continues sur le comportement quotidien de la personne âgée dans son logement.

Objectifs du stage

L’offre de stage s’inscrit résolument dans l’IA pour la santé et particulièrement sur la télé-assistance pour le maintien à domicile de personnes âgées fragiles. Elle vise à explorer et à confronter diverses méthodes d'analyse des comportements afin de décoder les schémas de vie domestique des personnes en cours d’études. Il comprend l'utilisation de méthodes de clustering telles que les méthodes Gaussian Mixture Model et le Clustering Hiérarchique pour repérer des motifs dans les données comportementales. L'objectif est d'évaluer la précision de ces méthodes et leur capacité à construire des modèles, par apprentissage automatique, les plus précis possibles. Outre la précision, la capacité de calcul nécessaire ainsi que le temps de calcul seront étudiés, avec des réflexions quant à une possible implémentation des approches en embarqué au plus près des capteurs. Le stage utilisera également des méthodes d'analyse factorielle et de réduction de dimensionnalité pour visualiser les données en deux ou trois dimensions. Différentes approches telles que t-SNE, UMAP, et d'autres seront comparées pour obtenir des représentations visuelles des données. Enfin, le stage explorera des techniques de classification telles que les SVM, les Forêts Aléatoires et les Réseaux de Neurones pour anticiper les comportements des occupants et prédire des situations potentiellement à risques (baisse de mobilité et d’activités, immobilité suspecte, isolement social, dégradation dans la prise de repas…). Les résultats obtenus devront permettre d’améliorer la qualité des diagnostics établis sur le niveau de risque d’une situation anormale qui se base sur l’évolution des indicateurs retenus (mobilité, utilisation des équipements domestiques) dans le temps.

Profil du candidat

• Ingénieur(e)/Master issu(e) d’une formation d’intelligence artificielle/modélisation OU ayant une expérience significative dans le domaine
• Profil modélisation mathématique / intelligence artificielle / big data
• Une expérience ou une bonne connaissance dans la conception de modèles de prédiction
• Enthousiaste et entreprenant(e) ayant le sens du résultat, du travail en équipe, rigoureux et autonome
• Capacité à travailler à l’oral et à l’écrit en français et en anglais

________________________

[1] https://www.un.org/en/global-issues/ageing

[2] https://www.insee.fr/fr/statistiques/4806037#:~:text=572%20000%20seniors...'ici%202050,En%202050%2C%20si&text=Les%20seniors%20y%20repr%C3%A9senteraient%20alors%2031%2C7%20%25%20de%20la%20population.

[3] https://drees.solidarites-sante.gouv.fr/publications-communique-de-press...

[4] Amiribesheli, Mohsen & Benmansour, Asma & Bouchachia, Hamid. (2015). A review of smart homes in healthcare. Journal of Ambient Intelligence and Humanized Computing. 6. 10.1007/s12652-015-0270-2.

[5] Bouchabou, Damien & Nguyen, Sao Mai & Lohr, Christophe & LeDuc, Benoit & Kanellos, Ioannis. (2021). A Survey of Human Activity Recognition in Smart Homes Based on IoT Sensors Algorithms: Taxonomies, Challenges, and Opportunities with Deep Learning. Sensors. 21. 6037. 10.3390/s21186037.