Fusion de données multicapteurs pour un système de télésurveillance médicale de personnes à domicile

Multisensors data fusion for home health telecare

• Auteur / Autrice : Florence Duchêne
• Direction : Catherine Garbay, Vincent Rialle
• Type : Thèse de doctorat
• Discipline(s) : Traitement du signal et des images
• Date : Soutenance en 2004
• Etablissement(s) : Grenoble 1

Résumé

Le développement des systèmes de télésurveillance médicale à domicile est fondamental face au vieillissement de la population et aux capacités limitées d'admission dans les hôpitaux et centres spécialisés. Ce travail de thèse concerne particulièrement la conception d'un assistant intelligent pour l'analyse des données hétérogènes collectées par des capteurs au domicile afin de détecter, voir prévenir, l'occurrence de situations inquiétantes. Il s'agit de concevoir un système d'apprentissage des habitudes de vie d'une personne, tout écart par rapport à ce profil comportemental étant considéré comme critique. L'étude proposée concerne d'une part la conception d'un processus de simulation pour la génération de grandes quantités de données appropriées au contexte expérimental. D'autre part, une méthode générique pour l'extraction non supervisée de motifs dans des séquences temporelles multidimensionnelles et hétérogènes est proposée puis expérimentée dans le contexte de l'identification des comportements récurrents d'une personne dans ses activités quotidiennes. On évalue en particulier les indices de sensibilité (tolérance aux modifications normales de comportement) et de spécificité (rejet des modifications inquiétantes) du systèmes. L'application du système d'apprentissage aux séquences générées par la simulation permet également de vérifier l'extraction possible de comportements récurrents interprétés a posteriori en terme de la réalisation d'activités de la vie quotidienne.

The development of medical remote care applications is crucial due to the general aging of the population and the restricted number of possible admissions to hospital, residential or nursing homes. This thesis deals with the concept of "smart assistants" used to analyze large heterogeneous data sets collected at home from sensors, in order to detect event unusual situations that may give serious cause for concern. The aim is to learn meaningful patterns representative of the person's daily living habits. Any deviatio from this learned profile is then considered as an unexpected situation. The study concerns on one hand the conception of a multivariate simulations process for generating large amount of data relevant to our experimental context. On the other hand, we build a generic unsupervised learning process for mining heterogeneous multivariate time-series and identifying temporel patterns. The proposed approach is applied in the context of identifying recurrent behaviors during activities of daily living. We espacially evaluate the sensibility (tolerance of normal changes in behavior) and specificity (rejection of abnormal changes) of the system. This learning method is applied to the output of the simulation process and shows its relevance in extracting behaviors that can be a posteriori interpreted as some activities of daily living.