Intégration d’un robot humanoïde et de caméras dans un appartement intelligent à des fins d’assistance à la gestion du problème des chutes et de l’encombrement
Notice bibliographique
Résumé
De nos jours, un des principaux problèmes rencontrés par les personnes du troisième âge vivant en autonomie est le problème des chutes à domicile. Les chutes sont, de plus, un des facteurs majeurs impactant la qualité de vie et l’indépendance des individus. Chuter, ou même simplement, la peur de chuter peuvent être la cause de problèmes de santé physiques ou mentaux qui peuvent s’avérer très graves. De plus, ces risques peuvent être drastiquement augmentes par certaines afflictions comme le syndrome de négligence de soi, aussi appelé syndrome de Diogène. Ce syndrome se caractérise chez l’individu par des grandes difficultés à maintenir des habitudes et à accomplir des Activités de la Vie Quotidienne (AVQ). Il s’agit d’un des problèmes de santé les plus répandus pour le troisième âge, et dont l’impact est encore très largement sous-estimé. Au Canada, on estime à 1.2 million le nombre d’individus affectes par cette maladie chaque année. Si ceci est un problème en raison des risques accrus pour la sante de l’individu atteint, cela demande aussi plus de ressources, humaines et financières, par une utilisation accrue des services sociaux et de santé. Facteur aggravant ce problème initial, un changement démographique majeur est à l’oeuvre dans nos sociétés. En effet, selon l’Organisation des Nations Unies (ONU), la population tout autour du globe est actuellement en train de vieillir à un rythme conséquent. Si la prolongation de la durée de vie se fait pour le meilleur, nous devons maintenant affronter un autre problème : au fur et à mesure que la proportion de personnes de plus de 65 ans augmente dans la population, la part des personnes en âge de travailler pour les soutenir diminue inévitablement. Il est donc devenu une priorité de développer des solutions qui permettraient à nos ainés de vivre en autonomie et avec une bonne qualité de vie malgré la diminution du nombre de personnes et de ressources disponibles. Dans un tel contexte il peut être intéressant d’explorer les potentielles solutions que la technologie et la robotique puissent apporter. Ce mémoire fait état d’une tentative d’intégration de caméras, de capteurs variés ainsi que d’un robot humanoïde dans un habitat, afin de concevoir et développer une solution permettant de gérer le problème des chutes chez les personnes âgées. De plus, il sera abordé non seulement une méthode active de détection des chutes mais également une méthode pro-active de contrôle de l’encombrement de l’environnement afin de pouvoir diminuer le risque de chute avant qu’elles ne se produisent. Il sera également décris une expérience pratique d’utilisation qui mettra en avant des résultats de 75% de détection d’objets présentant un risque de chutes, ainsi qu’une justesse de 86,11% dans la détection de chutes dans l’appartement prototype du Laboratoire d’Intelligence Ambiante pour la Reconnaissance d’Activités (LIARA) de l’UQAC.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 0,004 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».