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

Résumé

Dans les dernières années, la population mondiale a souffert d’un vieillissement. Cette tendance vise à croître dans les prochaines années. Un des problèmes qui en découle est que le nombre de personnes nécessitant du soutien au quotidien devrait également croître avec le vieillissement de la population. Les habitats intelligents offrent une alternative intéressante pouvant soulager une partie de ce problème. Les habitats intelligents contiennent une panoplie de capteurs qui, combinés à l’intelligence artificielle, ont le potentiel de supporter leurs occupants dans leur quotidien. Au centre de cette solution technologique se trouve la reconnaissance d’activités. La reconnaissance d’activités est un problème complexe visant à identifier quelle activité est effectuée par une personne. La complexité de ce problème découle de la nature des activités à identifier, des capteurs disponibles et de l’impact de ces derniers sur la vie privée. Parmi les capteurs exploitables pour la reconnaissance d’activités, les radars Ultra-Wideband (UWB) ont généré beaucoup d’intérêt dans les dernières années, car ils offrent un compromis intéressant entre précision et protection de la vie privée. Les travaux couverts par ce mémoire visent à atteindre un meilleur taux de reconnaissance d’activités de la vie quotidienne que les travaux précédents en combinant réseaux de neurones et radar UWB. Pour ce faire, deux approches ont été testées. Dans un premier temps, la combinaison de système experts et de réseau de neurones est explorée. Ensuite, un nouveau modèle d’apprentissage profond combinant différentes architectures (Long Short-Term Memory (LSTM) et réseau de neurones convolutif (CNN)) est développé pour faire la reconnaissance d’activités. Ce modèle a comme avantage de fusionner des données provenant de différentes sources et exploite des données prétraitées minimalement. Ce modèle, appelé Tuned EfficientNetB0 avec LSTM, offre une amélioration de 18,63 % du taux de reconnaissance par rapport aux réseaux de neurones développés dans des travaux antérieurs exploitant le même jeu de données. Finalement, un nouveau jeu de données a été construit et utilisé pour identifier la source des limitations de la reconnaissance d’activité dans le contexte actuel.

In the last few years, the world population has gotten older. This trend is expected to continue in the future. One of the problems related to this phenomenon is the increasing number of persons requiring assistance in their everyday life. The number of person requiring assistance is expected to rise along with the aging population. Smart homes are becoming a more and more compelling alternative to direct human supervision. Smart homes are equipped with sensors that, coupled with artificial intelligence, can support their occupants whenever needed. At the heart of this technological solution lies the problem of activity recognition. Activity Recognition is a complex problem, due to the variable nature of activities recognized, the variety of sensors available and their respective impact on privacy. Among the variety of sensors exploitable for activity recognition, Ultra-Wideband (UWB) radars have raised a lot of interest due to their precision and lower impact on privacy. Hence, the work presented in this thesis aims at acheiving higher accuracy than previous works for activity of daily living using UWB and neural networks. To do so, two approaches were investigated. Firstly, a solution combining a neural network with an Expert System was developed. The second approach consisted in the development of a new neural network combining Long Short-Term Memory (LSTM) layers and Convolutionnal Neural Network (CNN) layers for the task of activity recognition. This model has the advantage of fusing data sources and requires only a minimalist preprocessing of the UWB radar data. This model, called Tuned EfficientNetB0 with LSTM, showed an improvement of 18.63 % in accuracy over a neural network developed in previous works on the same dataset. Finally, a new dataset was created to investigate the cause of limitations in the recognition of some activities.