IA agentique embarquée pour l'assistance contextuelle et adaptative des personnes âgées à partir de capteurs portés et ambiants

Le vieillissement de la population constitue un enjeu majeur de santé publique, en particulier pour le maintien de l'autonomie, la prévention de la dépendance et l'accompagnement des personnes âgées à domicile. Dans ce contexte, les smartphones, montres connectées, capteurs portés et capteurs ambiants offrent de nouvelles possibilités pour observer de manière continue, discrète et non intrusive les activités de vie quotidienne, la mobilité, les routines et certains paramètres physiologiques. Les systèmes actuels d'intelligence artificielle embarquée permettent déjà de reconnaître certains comportements ou événements à partir de données capteurs. Toutefois, ils restent souvent limités par des modèles statiques ou des règles prédéfinies, peu capables de s'adapter à l'évolution des habitudes, du contexte ou de l'état de l'utilisateur. Cette thèse propose de dépasser cette approche réactive en développant une architecture d'IA agentique embarquée, capable de percevoir l'environnement, d'analyser les données multimodales, de raisonner sur la situation, de planifier des actions et d'interagir de manière proactive avec la personne âgée. L'objectif principal est de concevoir, implémenter et évaluer une application mobile intelligente destinée à l'assistance cognitive, contextuelle et adaptative de personnes âgées nécessitant une assistance modérée dans leurs activités de vie quotidienne. Le système exploitera des données issues de capteurs embarqués et portés, tels que l'accéléromètre, le gyroscope, le podomètre ou la fréquence cardiaque, ainsi que de capteurs ambiants comme les capteurs de présence, d'ouverture, d'énergie, de température ou de luminosité. Les interactions vocales seront également intégrées afin de faciliter l'usage du dispositif et de renforcer son accessibilité. La méthodologie reposera sur la collecte de données en environnements réels et semi-contrôlés, en France et en Tunisie, puis sur le développement de modèles d'apprentissage automatique embarqués pour la reconnaissance des activités de vie quotidienne. Des mécanismes d'apprentissage adaptatif permettront de modéliser les habitudes individuelles et de détecter précocement des situations à risque, telles qu'une inactivité prolongée, une anomalie de mobilité, une fatigue inhabituelle ou un signe de fragilité. Une architecture multi-agents intégrera les fonctions de perception, d'analyse, de décision et d'interaction, dans une logique hybride combinant traitement local et analyse distante sécurisée. Les résultats attendus concernent le développement d'une architecture complète d'IA agentique embarquée, de modèles de reconnaissance d'activités adaptés aux contraintes de calcul, d'énergie et de confidentialité, ainsi que de mécanismes proactifs d'alerte et d'assistance personnalisée. Le projet devra également produire des indicateurs synthétiques de mobilité et d'activité pouvant servir d'aide à la décision pour le suivi à distance et la prévention de la perte d'autonomie. La validation sur sites réels permettra d'évaluer la faisabilité, la pertinence et l'acceptabilité de l'approche. École doctorale : GEETS - Génie Electrique Electronique,Télécommunications et Santé : du système au nanosystème Direction : Eric CAMPO Financement : MSCA COFUND BEST