Constellation, le dépôt institutionnel de l'Université du Québec à Chicoutimi

Résumé

Le vieillissement de la population soulève des défis importants en matière de suivi de la santé et de maintien de l’autonomie à domicile. Ce mémoire étudie l’utilisation d’une brosse à dents intelligente équipée de capteurs inertiels pour la reconnaissance d’activités humaines (HAR) dans le cadre du suivi des routines de brossage dentaire. En s’appuyant sur une base de données issue d’une étude antérieure, plusieurs étapes ont été mises en oeuvre : prétraitement des signaux, fusion des données capteurs, segmentation temporelle (CluMing, détection de pics) et extraction de caractéristiques. Trois familles de modèles ont été testées : les méthodes classiques (random forest), les réseaux de neurones récurrents (LSTM), et les modèles transformers appliqués à la HAR. Les performances obtenues révèlent une précision de 98,7 % pour random forest, 99,79 % pour LSTM, et 96,17 % pour Transformer. LSTM s’est ainsi démarqué par son efficacité à capturer la dynamique des gestes de brossage, tandis que Transformer a montré une stabilité prometteuse malgré une légère baisse de performance. Une validation Leave-One-Subject-Out (LOSO) a été mise en oeuvre pour évaluer la capacité des modèles à généraliser à de nouveaux utilisateurs, tandis que l’approche de One-Session-Out (OSO) s’est concentrée sur la stabilité du modèle à travers différentes sessions du même utilisateur. Les résultats mettent en lumière l’intérêt d’approches adaptatives, en intégrant potentiellement des connaissances expertes ou des mécanismes de personnalisation. Aussi, ils suggèrent que des systèmes embarqués de suivi du brossage pourraient être envisagés à moyen terme, notamment pour le soutien à domicile des populations âgées.

The aging of the population presents major challenges in terms of healthcare monitoring and maintaining autonomy at home. This research explores the use of a smart toothbrush equipped with inertial sensors as a tool for human activity recognition (HAR) to evaluate the quality and regularity of toothbrushing routines. Based on a dataset collected in a previous study, we implemented a multistep pipeline including signal preprocessing, sensor fusion, temporal segmentation (using algorithms such as CluMing and peak detection), and discriminative feature extraction. Three model families were evaluated for the classification of brushing regions: traditional machine learning (Random Forest), recurrent neural networks (LSTM), and Transformers. Experimental results showed that LSTM achieved the highest accuracy (99.79%), followed by Random Forest (98.7%) and Transformer (96.17%). LSTM proved particularly effective in capturing the sequential dynamics of brushing gestures, while Transformer models offered stable performance across different conditions. A Leave-One-Subject-Out (LOSO) validation was conducted to assess generalization across participants. In addition, a One-Session-Out (OSO) strategy was used to assess temporal robustness, testing the models’ capacity to maintain performance over time for the same individual. The observed performance variations highlight the need for personalized or hybrid approaches, integrating expert knowledge or adaptive learning. This study contributes to the development of intelligent assistive technologies tailored to the needs of older adults, with potential applications in daily health monitoring and autonomy support.