Utilisation de la vision numérique pour l'estimation d'un coefficient de friction afin d'évaluer un risque de chute dans une application d'assistance aux personnes
Notice bibliographique
Résumé
Ce mémoire présente une solution basée sur un téléphone intelligent pour aider les personnes atteintes d’une perte de l’acuité visuelle (PAPAV) à se déplacer d’une manière autonome dans les environnements urbains. Contrairement aux travaux de recherche précédents, le nouveau système proposé dans ce projet de recherche vise à déterminer le coefficient de friction (COF) d’un sol pour aider à la sécurité des déplacements des PAPAV. Grâce à des réseaux de neurones convolutifs (CNN) entrainés pour estimer le coefficient de friction, les travaux de recherche offrent ensuite la possibilité de prévoir un risque de chute pour le prochain pas du cycle de marche en déterminant la force de friction statique du sol en avant de la personne. En effet, la caméra d’un téléphone intelligent commercial capture la vidéo du sol et envoie l’image comme entrée au modèle CNN pour la segmentation de l’image et le calcul COF. Nous avons validé notre modèle proposé dans des expériences réelles réalisées sur 8 types de sols, tout en expérimentant différents modèles de réseaux de neurones et différents optimisateurs. Le système proposé offre une grande précision (96,04 %) pour guider les personnes ayant une déficience visuelle plus efficacement que les approches de navigation traditionnelles. Les résultats rapportés montrent comment la méthode étudiée dépasse les travaux existants, ce qui rend le système de navigation d’assistance proposé relativement simple et convivial. Aussi, notre travail a été focalisé sur l’évaluation d’un risque de chute suite à l’estimation du COF du sol et l’évaluation des paramètres de la marche de la personne acquis avec une semelle intelligente qui a été développée au laboratoire LAR.i de l’Université du Québec à Chicoutimi (UQAC). De ce fait, nous avons conçu un modèle biomécanique modélisant le coup de talon (heel strike) et la propulsion avant le décollage des orteils (heel off). Enfin, afin de déterminer le risque de chute, nous avons combiné toutes ces données dans une simulation du modèle biomécanique, permettant d’estimer un risque de chute qui traduit la capacité d’une personne à maintenir son équilibre au prochain coup de talon. En conclusion, l’originalité de ce projet réside dans l’utilisation d’un système de vision numérique combiné avec une semelle intelligente pour ajouter une fonctionnalité importante dans les systèmes d’assistance des PAPAV et de réduire les risques de chutes. Ce modèle permet l’analyse du maintien de l’équilibre d’une personne incluant des perturbations. Ainsi, la mise en oeuvre du modèle suggéré sera possible dans un téléphone intelligent combiné avec la semelle instrumentée qui deviendra un outil d’assistance aux déplacements dans un milieu urbain.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».