Approches hybrides et sensibles au contexte pour la reconnaissance des activités et comportements humains dans les environnements intelligents ambiants

Hybrid and context-aware approaches for human activity and behavior recognition in Ambient Assisted Living systems

• Auteur / Autrice : Roghayeh Mojarad
• Direction : Yacine Amirat
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 12/01/2021
• Etablissement(s) : Paris Est
• Ecole(s) doctorale(s) : École doctorale Mathématiques, Sciences et Technologies de l'Information et de la Communication
• Partenaire(s) de recherche : Laboratoire : Laboratoire Images, Signaux et Systèmes Intelligents (Créteil)
• Jury : Président / Présidente : Mohamed Chetouani
• Jury : Examinateurs / Examinatrices : Yacine Amirat, Dan Mircea Istrate, Dominique Vaufreydaz, Abdelghani Chibani, Ferhat Attal, Gabrièle Breda, Amar Ramdane-Cherif
• Jury : Rapporteurs / Rapporteuses : Dan Mircea Istrate, Dominique Vaufreydaz

Mots clés

Mots clés contrôlés

Protection, assistance, etc.

Personnes âgées dépendantes

Apprentissage automatique

Mots clés libres

Environnements intelligents ambiants

Reconnaissance des activités humaines

Reconnaissance des comportements humains

Ontologies

Modèles d'apprentissage machine

Représentation des connaissances et raisonnement

Ambient Assisted Living systems

Human activity recognition

Human behavior recognition

Ontologies

Machine-Learning models

Knowledge representation and reasoning

Résumé

La dépendance des personnes âgées est devenue une préoccupation sociale et économique grandissante dans de nombreux pays en raison de l’augmentation de cette population, de la pénurie croissante des personnels aidants ou soignants, du coût élevé des soins médicaux de longue durée et de l’aspiration de cette population à une vie indépendante.Des statistiques récentes montrent que la proportion de la population mondiale âgée de plus de 60 ans passera de 12% en 2015 à 22% en 2050. Il est donc nécessaire de développer des systèmes intelligents qui permettent d’améliorer la qualité de vie à domicile des personnes dépendantes en exploitant le paradigme de l’intelligence ambiante (AmI). Les environnements basés sur ce paradigme, comme par exemple, les systèmes d’assistance à l’autonomie à domicile (AAD), sont destinés à fournir aux utilisateurs des services adaptés à leurs contextes. La conception de tels systèmes capables de reconnaître automatiquement les activités, les comportements normaux ou anormaux des utilisateurs et de fournir des recommandations bénéfiques au bien-être de ces derniers pose plusieurs défis. Ces derniers sont abordés dans la littérature sans tenir suffisamment compte du contexte de l’utilisateur, ce qui conduit à une reconnaissance erronée et incohérente des activités et des comportements humains. Dans cette thèse, différentes approches méthodologiques hybrides orientées données et connaissances, sont proposées pour fournir une description plus complète des activités et des comportements des utilisateurs en exploitant leurs contextes et ainsi réduire les erreurs et les incohérences de classification en termes de reconnaissance des activités et des comportements. Quatre jeux de données sont utilisés pour évaluer les performances des approches proposées : Opportunity, HumanMovement and Ergonomics, Orange4Home et UCI HAR. Deux approches de reconnaissance des activités humaines multi-label sont tout d’abord proposées pour traiter les prédictions erronées et incohérentes.La première approche exploite des modèles d’apprentissage machine et des 5 réseaux bayésiens pour détecter et corriger les erreurs de classification des activités.Dans la seconde approche, des modèles d’apprentissage machine, le raisonnement ontologique et le raisonnement bayésien sont utilisés pour détecter et corriger des prédictions d’activités incohérentes. La troisième approche, basée sur des modèles d’apprentissage machine, la représentation ontologique du contexte du comportement humain et le raisonnement sur des connaissances de sens commun, est proposée pour la reconnaissance des comportements humains. Dans la quatrième approche, les comportements humains reconnus et le raisonnement probabiliste sur des connaissances de sens commun sont exploités pour la reconnaissance des comportements humains anormaux. Enfin, un système de recommandation, prenant en compte le contexte en termes de prédictions des comportements de l’utilisateur et des préférences de ce dernier, est proposé pour fournir de façon adaptative des recommandations pour le bien-être quotidien des utilisateurs.

The elderly have been the subject of significant concern in recent years due to the growth of their population, the reduction of caregivers' population, the growing cost of long-term medical care, and the people's preference for having an independent life. Recent statistics show that the proportion of the world's population aged over 60 years will increase from 12% in 2015 to 22% in 2050. Therefore, it is a requirement to develop intelligent systems that allow improving the quality of people's lives, especially dependent people, in the context of Ambient Intelligence (AmI). AmI-based environments, e.g., Ambient Assisted Living (AAL) systems, are intended to provide context-aware services to the users. Designing AAL systems that can automatically recognize human activities, human behaviors, abnormal human behaviors, and provide well-being recommendation system poses several challenges. The latter are addressed in the literature without considering sufficiently user's context, which lead to erroneous and inconsistent human activity and behavior recognition; i.e., exploiting user's context, such as relationships between activity predictions prevents classification errors and inconsistencies. In this thesis, different frameworks are proposed to provide a more comprehensive description of user's activities and behaviors by exploiting his/her context and the advantages of hybrid approaches that combine data-driven and knowledge-driven approaches. Four datasets are used to evaluate the performance of the proposed frameworks: the Opportunity, the Human Movement and Ergonomics, the Orange4Home, and the UCI HAR datasets. Two multi-label human activity recognition frameworks are firstly proposed to deal with erroneous and inconsistent predictions. The first framework exploiting machine-learning models and Bayesian networks is proposed to detect and correct activity classification errors. In the second framework, machine-learning models, ontological reasoning, and Bayesian reasoning are used to detect and correct inconsistent predictions. The third framework, based on machine-learning models, ontological representation of human behavior context, and commonsense reasoning, is proposed for human behavior recognition. In the fourth framework, the recognized human behaviors and probabilistic commonsense reasoning are used to recognize abnormal human behaviors. Lastly, a context-aware adaptive system exploiting the recognized human behaviors and probabilistic commonsense reasoning is proposed to provide adaptive well-being recommendations based on the user's preferences.