Modélisation multi-agent dans un processus de gestion multi acteur, application au maintien à domicile

Collecting and classifying large scale data to build an adaptive and collective memory by using multi-agent technologies : a case study in e-health for a pro-active management

• Auteur / Autrice : Ali Rammal
• Direction : Rémi Bastide
• Type : Thèse de doctorat
• Discipline(s) : Informatique. Intelligence artificielle
• Date : Soutenance en 2010
• Etablissement(s) : Toulouse 3

Mots clés

Mots clés contrôlés

Surveillance électronique

Mots clés libres

Maintien à domicile

Classification multi-agent

Profiles de comportement

Méta-surveillance

Classification distribuée

Résumé

Les systèmes de maintien ou de surveillance à domicile existants cherchent à répondre aux besoins de ce domaine, mais souffrent néanmoins de quelques limites, une de ces limites étant que ces systèmes sont centrés sur une seule personne et ne permettent pas la surveillance de plusieurs personnes en même temps. Notre objectif est de construire des patrons de comportement à partir des informations provenant du domicile des personnes suivies à l'aide des capteurs de mouvement, des capteurs physiologiques, des cahiers de liaison, et d'autres sources, dans le but d'avoir une vision macroscopique des personnes suivies. Pour ce faire nous déployons une architecture de classification utilisable à grande échelle et basée sur les technologies multi-agent. Nous avons opté pour une méthode de classification multi-agents car l'application des méthodes classiques centralisées (statistiques, neuronales, de formation de concept. . . ) ne sont pas possibles quand les données nécessaires pour faire la classification, sont distribuées. De telles méthodes ne permettent pas le passage à l'échelle qui suppose de pouvoir prendre en compte de nombreuses personnes situées dans des environnements différents et suivies par de nombreux indicateurs dont le nombre et le domaine de valeur peuvent évoluer dans le temps. Un tel passage à l'échelle est possible avec les méthodes multi-agents où chaque agent gère une partie de données sur un sous-ensemble de la population suivie. L'évolution du nombre ou du domaine des indicateurs peut induire la suppression ou l'ajout d'un nouvel agent sans l'obligation de refaire tout le calcul.

This research can be seen as a macroscopic approach to a large-scale distributed data gathering. We propose a software architecture to monitor elderly or dependent people in their own house. Many studies have been done on hardware aspects resulting in operational products. But there is a lack of adaptive algorithms to handle all the data generated by these products, because such data is distributed and heterogeneous in a large scale environment. We propose a multi-agent classification method to collect and to aggregate data about activity, movements and physiological information of the monitored people: agent's know-how consists in a simple classification algorithm. Data generated at this local level are communicated and adjusted between agents to obtain a set of patterns. This data is dynamic; the system has to store the built patterns and has to create new patterns when new data is available. Therefore, the system is adaptive and can be spread on a large scale. The generated data is used at a local level, for example to raise an alert, but also to evaluate global risks. We present the specification choices and the massively multi-agent architecture we developed.