Modèle possibiliste pour la reconnaissance d'activités habitat intelligent
Bibliographic record
Abstract
Le vieillissement actuel de la population provoque un accroissement de problèmes dans les systèmes de santé, dont une pénurie de personnel médical pour les soins à domicile. Le vieillissement de la population a également pour effet d'augmenter le nombre de personnes avec troubles cognitifs. Les comportements incohérents induits par les symptômes des troubles cognitifs limitent la capacité de ces personnes à réaliser leurs activités de la vie quotidienne (AVQ). L'un des axes de recherche prometteurs de cette problématique est l'amélioration et le maintien de la qualité de vie des personnes avec troubles cognitifs dans leurs domiciles. Pour répondre à cette problématique, plusieurs laboratoires de recherche, dont le laboratoire de DOmotique et d'informatique Mobile de l'Université de Sherbrooke (DOMUS), explorent les différents moyens de soutenir, à l'intérieur d'un habitat intelligent, un occupant avec troubles cognitifs dans l'accomplissement de ses AVQ. Cette approche s'inscrit dans le récent courant de pensée issu de l'intelligence ambiante, qui fait référence à une tendance où les environnements sont enrichis avec des technologies (capteurs, effecteurs et autres dispositifs interconnectés par un réseau), dans le but de concevoir un système pouvant planifier une assistance ponctuelle aux occupants en fonction des informations recueillies et de l'historique des données accumulées. L'une des difficultés majeures inhérentes à ce contexte est la reconnaissance et la prédiction des comportements anormaux lorsque les occupants effectuent leurs AVQ à l'intérieur d'un habitat intelligent. Cette thèse vise à contribuer à l'amélioration du processus de reconnaissance de comportements d'un occupant avec troubles cognitifs. Notre proposition consiste en une approche de reconnaissance et prédiction de comportements fondée sur une formalisation des actions basée sur la théorie des possibilités, une alternative à la théorie des probabilités. Les actions sont inférées à partir de l'état actuellement observé de l'habitat intelligent obtenu grâce aux évènements envoyés par les capteurs présents dans l'appartement, lesquelles peuvent fournir une information incomplète et imparfaite. À partir de la séquence d'actions observées plausibles, l'approche proposée utilise une formalisation des activités en structure de plans d'actions pour inférer le comportement observé de l'occupant. Cette approche est en mesure de considérer les comportements erronés, où l'occupant effectue de façon erronée certaines activités tandis que d'autres peuvent être effectuées de façon cohérente, et les comportements cohérents, où l'occupant effectue une ou plusieurs activités de façon cohérente. Les hypothèses sur le comportement observé sont ensuite utilisées pour déterminer les opportunités d'assistance que l'habitat intelligent peut offrir. L'approche proposée a été implémentée et validée au sein de l'infrastructure du projet"Ambient Intelligence for Home-based Elderly Care" à l'"Institute for Infocomm Research" de Singapour et présente des résultats prometteurs pour des scénarios de cas réels effectués dans l'infrastructure. Le développement d'un habitat intelligent capable de maintenir et d'améliorer la qualité de vie des personnes avec troubles cognitifs permettrait de diminuer le fardeau des aidants naturels et professionnels, facilitant le choix des ces personnes de rester à domicile. Ce type de technologie pourrait constituer une solution viable aux problèmes des systèmes de santé associés au vieillissement de la population. De plus, ce type d'approche peut également être utilisé dans des contextes où les comportements anormaux et les situations à risque doivent être évités comme, par exemple, dans le domaine de l'aviation.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.006 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.003 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.004 | 0.004 |
| Open science | 0.004 | 0.002 |
| Research integrity | 0.003 | 0.002 |
| Insufficient payload (model declined to judge) | 0.015 | 0.003 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".