Vers une approche multimodale en utilisant l'apprentissage automatique/profond : Application pour le suivi des patients dans un espace connecté

TOWARD A MULTIMODAL APPROACH USING MACHINE/DEEP LEARNING:APPLICATION TO MONITOR PATIENT IN CONNECTED SPACE

• Auteur / Autrice : Yao Trésor Koffi
• Direction : Yohan Dupuis
• Type : Projet de thèse
• Discipline(s) : Informatique
• Date : Inscription en doctorat le 03/10/2022
• Etablissement(s) : Paris, ENSAM
• Ecole(s) doctorale(s) : École doctorale Sciences des métiers de l'ingénieur
• Partenaire(s) de recherche : Laboratoire : CESI LINEACT - Laboratoire d'Innovation Numérique

Mots clés

Mots clés libres

Multimodale

Apprentissage profond

Apprentissage automatique

Patient

Espace connecte

Suivi

Multimodal

Deep learning

Machine learning

Patient

Connected space

Monitoring

Résumé

Les chutes, en particulier chez les personnes âgées, constituent un problème de santé important dans le monde entier. Le développement d'un système de détection des chutes fiable peut atténuer les conséquences négatives des chutes. Parmi les défis et les problèmes importants signalés dans la littérature, il y a les préoccupations en matière de respect de la vie privée ainsi que les limites des dispositifs opérationnels quand il s'agit d'un seul capteur. Dans ce travail, nous proposons un système multimodal à base d' approches d'apprentissage automatique/profond pour la détection de chute des personnes âgées. Ce système exploite les données issues des capteurs de vision, des capteurs portables et des capteurs ambiants pour surmonter les limitations des approches existantes qui se concentrent seulement sur une seule modalité.

Falls, especially among the elderly, are a significant health problem worldwide. The development of a reliable fall detection system can mitigate the negative consequences of falls. Significant challenges and issues reported in the literature include privacy concerns as well as limitations of operational devices when dealing with a single sensor. In this work, we propose a multimodal system based on machine learning/deep learning approaches for fall detection of elderly people. This system exploits data from vision sensors, wearable sensors and ambient sensors to overcome the limitations of existing approaches that focus only on a single modality.