Forage non supervisé de données pour la prédiction d'activités dans les habitats intelligents

Why is this work in the frame?

A frame that forgets how it found something cannot be audited. These are the routes that admitted this work.

No Canadian affiliation. An affiliation-only frame — the usual design — would never have seen this work. It is one of the works that make the case for inverting the frame.

Abstract

L'intelligence ambiante, par opposition à l'informatique traditionnelle dont l'ordinateur de bureau est l'archétype, consiste en une nouveauté qui tient aux capacités de mobilité et d'intégration des systèmes numériques dans le milieu physique au point de s'y confondre. Cette mobilité et cette fusion rendues possibles par la miniaturisation et la puissance des composants électroniques, par l'omniprésence des réseaux sans fil, et par la chute des coûts de production, permettent, à leur tour, d'entrevoir la composition opportuniste de dispositifs et de services de toutes sortes au-dessus d'une infrastructure à granularité et géométrie variable, dotée de facultés de capture, d'action, de traitement, de communication et d'interaction. Une de ces infrastructures émergentes est le concept d'habitat intelligent à base d'agents ambiants pour l'assistance et le maintien à domicile des personnes âgées ou fragiles. La combinaison de ce nouveau concept avec des techniques issues du domaine de la reconnaissance d'activités en intelligence artificielle augmentera considérablement son acceptation en procurant davantage une meilleure qualité de vie. La reconnaissance d'activités a pour but de prédire le comportement d'une personne en vue d'offrir, au moment opportun et sans intrusion, les services appropriés sans être rejetés par les habitants. L'existence de fonctions de reconnaissance, complétée par d'autres fonctions numériques de captures à travers des senseurs à la fine pointe de la technologie, permet à aux chercheurs de s'organiser pour offrir de nouveaux services.
\n
\nLe premier pas fondamental de l'assistance est de reconnaître les activités de la vie quotidienne (AVQ) de l'habitant durant leurs exécutions, dans le but d'identifier les problèmes potentiels qui peuvent interférer dans leurs réalisations. Cette difficulté correspond en fait à une forme particulière d'une problématique bien connue en intelligence artificielle : la reconnaissance de plans. Un plan correspond à une suite d'actions élémentaires représentant une activité donnée. Toutefois, il est encore très difficile de nos jours d'identifier toutes les activités quotidiennes des utilisateurs. C'est pourquoi de nombreuses recherches sont effectuées afin d'améliorer les différents aspects de la reconnaissance d'activités. De notre côté, nous allons nous concentrer sur l'amélioration de l'aspect spatial de la reconnaissance, car très peu de modèles existants l'intègrent.
\n
\nCe mémoire fournit des pistes de solutions aux problèmes décrits en utilisant le Flocking comme méthode de forage de données non supervisé pour la prédiction d'activités dans les habitats intelligents. Ce nouveau modèle de segmentation permet entre autres une reconnaissance exacte du nombre d'activités effectuées durant une journée, sans avoir besoin de savoir quelles sont exactement les activités faites. Les résultats ont été analysés et comparés avec les approches existantes de segmentation pour évaluer la contribution du modèle.

Stored with the screening record, where it is evidence for the labels above.

The record

Venue

Library and Archives Canada (Government of Canada)

Topic

Field

Canadian institutions

—

Funders

—

Keywords

Life historyContext (archaeology)Aquatic environment

Has abstract in OpenAlex

yes

API

/api/v1/works/W7000574329