Apprentissage profond robuste et adaptatif pour la reconnaissance et le suivi des activités de la vie quotidienne chez les personnes âgées

Dans le domaine de la santé et de l'habitat intelligent pour personnes âgées (Ambient Assisted Living, AAL), la reconnaissance d'activités humaines (Human Activity Recognition, HAR) est de plus en plus utilisée pour soutenir le suivi des activités de la vie quotidienne (Activities of Daily Living, ADL), favoriser le maintien à domicile en autonomie, identifier les changements de comportement quotidien et appuyer les stratégies de vieillissement à domicile (aging-in-place). La HAR vise à reconnaître automatiquement les actions et activités humaines à partir de données acquises par des dispositifs portables, des smartphones, des caméras ou des capteurs ambiants intégrés dans des environnements intelligents. L'apprentissage profond a considérablement fait progresser la HAR basée sur les capteurs en permettant un apprentissage automatique de représentations à partir de données de capteurs brutes ou faiblement prétraitées. Des architectures fondées sur les réseaux de neurones convolutifs, les réseaux de neurones récurrents, les réseaux convolutifs temporels et les Transformers ont atteint de hautes performances de reconnaissance sur les jeux de données de référence couramment utilisés en HAR. Cependant, la transposition de ces résultats à des systèmes de suivi à long terme destinés aux personnes âgées demeure difficile. Une difficulté centrale réside dans la disponibilité des données annotées. Le suivi continu par capteurs portables ou ambiants peut générer une très grande quantité d'observations, alors que l'annotation fiable des activités quotidiennes reste coûteuse, intrusive et chronophage. Cette limitation est particulièrement importante pour le suivi longitudinal, où la collecte de plusieurs semaines, voire de plusieurs mois, d'activités annotées pour chaque individu s'avère irréaliste. La rareté des annotations ne constitue toutefois qu'un aspect du problème. En conditions réelles de déploiement, un modèle de HAR entraîné sur une population d'utilisateurs doit généralement fonctionner pour un individu jamais vu auparavant. Les schémas d'activité peuvent varier considérablement d'un utilisateur à l'autre en raison de différences dans la dynamique des mouvements, les capacités physiques, le mode de vie, le placement des capteurs, la configuration du domicile et les routines individuelles. Cette problématique est particulièrement pertinente pour les personnes âgées, dont les schémas d'activité peuvent différer sensiblement de ceux représentés dans les jeux de données HAR conventionnels, souvent collectés auprès de populations plus jeunes. L'objectif général de ce projet de thèse est de développer des méthodes d'apprentissage profond robustes et adaptatives pour la reconnaissance des activités de la vie quotidienne et la modélisation des changements comportementaux chez les personnes âgées, dans des conditions d'annotation limitée et de déploiement réaliste. La thèse poursuivra les trois objectifs spécifiques suivants : - Développer des méthodes d'apprentissage de représentations efficaces en données pour la reconnaissance des ADL en cas de rareté sévère des annotations - Caractériser et exploiter la variabilité inter-utilisateurs pour une reconnaissance d'activités personnalisée - Développer des modèles personnalisés de détection d'anomalies comportementales dans les routines quotidiennes École doctorale : EDMITT - Ecole Doctorale Mathématiques, Informatique et Télécommunications de Toulouse Direction : Lotfi CHAARI Financement : MSCA COFUND BEST