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

Résumé

Recent technological developments have created a new context of ubiquitous computing and interconnection, generating massive amounts of data. These data, which remain underutilized and often stored for a short time, may contain significant information, which could help businesses to be more competitive, provide better services or even reduce their costs. This new context affects not only businesses, but also research. This is the case for the discipline of smart homes. A smart home is a standard residence that was improved with all kinds of sensors and effectors in order to provide services to its resident. One of the most promising applications of this type of technology is the cognitive support for people with partial autonomy. The biggest challenge to achieve this goal is the recognition of the daily activities of the person. It is usually accomplished using a logical or probabilistic algorithm, which is based on a library plans defined by a human expert. This library represents a fundamental limit to the installation of smart homes. A new approach is therefore to see these habitats under the vision of Big Data and exploit data mining techniques to automatically extract the activities of daily living of the resident. The research presented in this thesis is part of this new vision of the problem of activity recognition. In particular, it proposes a data aggregation solution to the problem of the explosion in size of the data warehouse. This solution is part of the design of a fully unsupervised data mining model divided among three major steps. This new model has the particularity to introduce the notions of spatial reasoning, which the literature generally ignore, in order to recognize the activities with greater granularity. This spatial data mining model introduces a passive RFID localization algorithm to create the spatial data warehouse. Then, the positions are transformed into high-level movement information with a gesture recognition algorithm. Finally, an extension to the well-known Flocking algorithm is proposed to perform the clustering. Each part of the new model is thoroughly tested, and the results are discussed.

Les récents développements technologiques ont créé un nouveau contexte où l'informatique, devenue omniprésente et interconnectée, génère des quantités impressionnantes de données. Ces données, qui demeurent souvent entreposées et sous-exploitées, peuvent renfermer d'importantes informations qui pourraient aider les entreprises à être plus compétitives, offrir de meilleurs services ou même réduire leurs coûts. Ce nouveau contexte ne touche pas seulement les entreprises, mais aussi la recherche. C'est notamment le cas pour la discipline des habitats intelligents. Un habitat intelligent est une résidence standard qui a été augmentée à l'aide de tout genre de capteurs et d'effecteurs afin de fournir des services à un utilisateur. Une des applications les plus prometteuses de ce type de technologie est l'assistance cognitive des personnes avec une autonomie partielle. Le plus grand défi pour atteindre cet objectif est celui de la reconnaissance des activités quotidiennes de la personne qui se fait généralement à l'aide d'un algorithme logique ou probabiliste reposant sur une bibliothèque de plans définie par un expert humain. Cette bibliothèque constitue une limite fondamentale à l'implantation des habitats intelligents. Une nouvelle vision consiste donc à voir ces habitats sous la vision du Big Data et d'exploiter des techniques de forage de données afin d'extraire automatiquement les activités de la vie quotidienne du résident. Le projet de recherche présenté dans le cadre de cette thèse s'inscrit dans cette vision novatrice de la problématique de la reconnaissance d'activité. En particulier, elle propose une solution d'agrégation de données au problème d'explosion de la taille de l'entrepôt de donnée. Cette solution s'inscrit dans la conception d'un modèle de forage de données entièrement non supervisé se déroulant en trois étapes majeures. Ce nouveau modèle à la particularité d'introduire les notions de raisonnement spatial, ce que la littérature ignore généralement, afin de pouvoir reconnaître les activités avec une meilleure granularité. Ce modèle de forage de données spatiales introduit le positionnement à partir de capteurs RFID passifs afin de créer l'entrepôt. La deuxième phase, celle de la préparation des données, se résume à la transformation des positionnements en information qualitative sur les mouvements d'objets. Enfin, une extension au très connu algorithme du Flocking est proposée afin de faire la segmentation. Plusieurs séries de tests ont été effectuées afin de valider chacune des portions du modèle ainsi que son fonctionnement global.