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
Bibliographic record
Abstract
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.
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 | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.003 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.002 | 0.001 |
| Insufficient payload (model declined to judge) | 0.013 | 0.004 |
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".