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

Résumé

With the advancement of information and communication technology, sensors, actuators or other computational elements can be embedded seamlessly in the daily objects of our lives. These components can make our lives smarter by generating an intelligent living environment called smart home. Information indicating environmental changes can be integrated from many sources and exchanged in such an environment through wireless communications. Smart homes attempt to create a human-centered environment that let all kinds of components work cooperatively to make residents lives more comfortable, and allow the environment to respond adaptively to various requests. They are also be expected to autonomously acquire contextual information under the premise of ensuring privacy to guarantee the safety of residents and improve their experience in that environment. As a prerequisite for all above functionalities, activity recognition is an important part of smart home applications. It greatly affects the appropriateness and accuracy of intelligent assistance and preventive interventions. However, modeling and understanding human behaviors involve many tasks, each of which may affect the final recognition results. First, the collected sensor data is massive and continuous with various data types. How to filter noise, extract useful behavioral patterns and manage discovered knowledge are a thorny issue at the preprocessing stage. Second, because of various lifestyles and other factors, there are often many different behavioral patterns that describe the same activities. Moreover, different activities may also have similar patterns. In addition, some composite activities can be performed in a continuous, concurrent or interleaved manner. These factors increase the uncertainty and complexity of activity recognition problem. Third, if there are multiple residents in a smart home, it is difficult to determine exactly who triggered some sensor events or which activity a sensor data belongs to. Fourth, how to detect abnormal data and normal one as well as the moments they occur are also very difficult. The purpose of this thesis is to establish a knowledge-driven activity inference engine based on formal concept analysis to extract useful behavioral patterns and model human behaviors from massive sensor data. All explored inferences are represented as nodes in a lattice structure knowledge base. Using partially observed data as a query condition, we propose a new lattice search algorithm to incrementally retrieve the most probable inference in order to recognize ongoing activities and predict subsequent behaviors. Furthermore, abnormal behavioral patterns are successfully detected to avoid activity failures or severe consequences. More complex situations, such as composite and multi-resident activity recognition can also be addressed by the extension modules of the inference engine. Finally, we use an incremental lattice construction algorithm to strengthen the inference engine to avoid retraining the whole model when new training data with new features are available. Compared with recently published research, our method avoids the interventions of domain experts in building a knowledge base and can achieve competitive results in the benchmark datasets with or without unbalanced distribution.

Avec l’avancement des technologies de l’information et de la communication, des capteurs ou d’autres composants informatiques peuvent être intégrés de manière transparente aux objets quotidiens de notre vie. Ces composants peuvent rendre nos vies plus intelligentes en générant un environnement intelligent appelé maison intelligente. Les informations et les données indiquant les changements de l’environnement peuvent être intégrées à partir de nombreuses sources et échangées dans un tel environnement par les communications sans fil. Les maisons intelligentes tentent de créer un environnement concentré sur humains qui permet à toutes sortes de composants de travailler en coopération pour rendre la vie des résidents plus confortable et permettre à l’environnement de répondre de manière adaptative aux diverses demandes. Ils sont également censés acquérir des informations contextuelles en manière autonome afin de garantir la sécurité des résidents et d’améliorer leur expérience dans cet environnement. Pour réduire le fardeau des familles et de la société, la communauté scientifique considère les environnements intelligents comme une solution prometteuse pour aider les personnes âgées à vivre de manière autonome avec dignité et bien-être. Les données sensorielles indiquant les changements environnementaux et le comportement humain devraient être recueillies par les réseaux de capteurs sans fil dans les maisons intelligentes. Après avoir compris les situations en temps réel et les activités en cours, les maisons intelligentes peuvent fournir une assistance proactive si nécessaire pour aider les personnes âgées à mieux accomplir leurs activités. De plus, si certains résidents ont tendance à se comporter de manière anormale en raison de leur déficience cognitive, les maisons intelligentes peuvent détecter ces anomalies, évaluer leurs menaces, les avertir et prendre des mesures préventives ou des interventions pour éviter d’autres conséquences graves. Comme condition préalable à toutes les fonctionnalités ci-dessus, la reconnaissance d’activité est une partie importante des applications de maison intelligente. Cela affecte grandement la pertinence et l’exactitude de l’assistance intelligente et des interventions préventives. Cependant, la modélisation et la compréhension des comportements humains impliquent de nombreuses tâches, dont chacune peut affecter les résultats de la reconnaissance finale. Premièrement, les données collectées sur les capteurs sont massives, hétérogènes et continues. Comment filtrer les données de bruit, extraire les modèles comportementaux utiles et leur gestion des connaissances sont un problème épineux au stade du prétraitement. Deuxièmement, en raison de divers modes de vie et d’autres facteurs, il peut y avoir de nombreux modèles de comportement différents qui décrivent les mêmes activités. De plus, différentes activités peuvent également avoir des tendances similaires. De plus, certaines activités composites peuvent être réalisées de manière continue, simultanée ou entrelacée. Ces facteurs augmentent l’incertitude et la complexité du problème de reconnaissance d’activité. Troisièmement, s’il y a plusieurs résidents dans une maison intelligente, il est difficile de déterminer exactement qui a déclenché certains événements de capteurs ou à quelle activité appartiennent les données d’un capteur. Quatrièmement, comment détecter des données anormales et normales ainsi que les moments où elles se produisent sont également très difficiles. Le but de cette thèse est d’établir un moteur d’inférence d’activité basé sur la connaissance basée sur l’analyse conceptuelle formelle pour extraire des modèles comportementaux utiles et modéliser des comportements humains à partir de données de capteurs massives et hétérogènes. Toutes les inférences explorées sont représentées sous la forme de noeuds dans une base de connaissances de la structure en treillis. En utilisant des données partiellement observées comme condition de requête, nous proposons un nouvel algorithme de recherche sur réseau pour récupérer de façon incrémentielle l’inférence la plus probable afin de reconnaître les activités en cours et de prédire les comportements subséquents. De plus, des modèles comportementaux anormaux dus à des erreurs cognitives sont détectés avec succès pour éviter des échecs d’activité ou des conséquences graves. Des situations plus complexes, telles que la reconnaissance d’activité composite et multi-résident peuvent également être adressées par les modules d’extension du moteur d’inférence. Enfin, nous utilisons un algorithme de construction de réseau incrémental pour renforcer le moteur d’inférence afin d’éviter de recycler l’ensemble du modèle lorsque de nouvelles données d’entraînement avec de nouvelles fonctionnalités sont disponibles. Par rapport à la recherche publiée récemment, notre méthode évite les interventions des experts du domaine dans la construction d’une base de connaissances, et peut atteindre des résultats compétitifs dans les jeux de données de référence avec ou sans distribution déséquilibrée.