Reconnaissance de l’activité humaine dans les maisons intelligentes : traitement de la variabilité des données grâce à l’apprentissage contextuel, au transfert de connaissance et synthèse de données

Human activity recognition in smart homes : tackling data variability using context-dependent deep learning, transfer learning and data synthesis

• Auteur / Autrice : Damien Bouchabou
• Direction : Ioannis Kanellos
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 30/05/2022
• Etablissement(s) : Ecole nationale supérieure Mines-Télécom Atlantique Bretagne Pays de la Loire
• Ecole(s) doctorale(s) : École doctorale Mathématiques et sciences et technologies de l'information et de la communication (Rennes)
• Partenaire(s) de recherche : Laboratoire : Equipe Robot interaction, Ambient system, Machine learning, Behaviour, Optimization - Département Informatique - Laboratoire en sciences et techniques de l'information, de la communication et de la connaissance
• Partenaire(s) de recherche : Entreprise : Delta Dore
• Jury : Président / Présidente : Stéphane Ploix
• Jury : Examinateurs / Examinatrices : Ioannis Kanellos, Amel Bouzeghoub, François Portet, Monique Thonnat, Christophe Lohr, Sao Mai Nguyen
• Jury : Rapporteur / Rapporteuse : Amel Bouzeghoub, François Portet

Mots clés

Mots clés contrôlés

Transfert d'apprentissage

Apprentissage profond

Domotique

Mots clés libres

Reconnaissance de l’activité humaine

Maisons intelligentes

Apprentissage profond contexte dépendant

Transfert de connaissance

Synthèse de données

Jumeau numérique

Human activity recognition

Smart homes

Context-Dependent deep learning

Transfer learning

Data synthesis

Digital twin

Résumé

La maison intelligente est au centre des attentions pour les nombreuses possibilités d’applications et de services innovants qu’elle peut offrir en termes de sécurité, d’économie d’énergie, d’amélioration du confort et d’aide à la santé. Ces dernières années ont vu émerger une multitude de techniques et d’approches au travers de l’intelligence artificielle pour doter les maisons de la pierre angulaire à tous ces services ; la capacité à comprendre le mode de vie et les activités de ses résidents au travers des capteurs domotiques. Malgré les avancées grâce au deep learning et l’augmentation de la quantité de données, ces méthodes ne permettent pas de généraliser et traiter totalement la complexité et la variabilité de l’activité humaine. De plus, l’utilisation et l’application de ces approches dans un contexte réel, industriel et commercial reste un défi majeur dû au manque de données labellisées en provenance de l’environnement de destination. Cette thèse propose de tenter d’améliorer ces méthodes et leurs portabilités au travers, de la compréhension du contexte d’activation des capteurs domotique et du transfert de connaissance en s’inspirant de techniques du Traitement du Langage Naturel, ainsi que de la synthèse de données via le concept du Digital Twin.

The smart home is at the center of attention for the many innovative applications and services it can offer in terms of security, energy savings, comfort improvement and health support. The last few years have seen the emergence of a multitude of techniques and approaches through the artificial intelligence to bring the backbone of all these services to the home; the ability to understand the lifestyle and activities of its residents through home automation sensors. Despite advances in deep learning and the increase in the amount of data, these methods do not generalize and fully address the complexity and variability of human activity. Moreover, the use and the application of these approaches in a real, industrial and commercial context remains a major challenge due to the lack of labeled data from the destination environment. This thesis proposes to try to improve these methods and their portability through the understanding of the activation context of home automation sensors and the transfer of knowledge by drawing inspiration from Natural Language Processing techniques, and through data synthesis via the Digital Twin concept.