Un modèle de reconnaissance d'activités temporelles : extension du modèle de Weida

Le vieillissement de la population représente une préoccupation grandissante des gouvernements en raison de l'ampleur qu'il prendra au cours des prochaines décennies et de la rapidité de son évolution. Une des évolutions préconisées pour répondre à cette transformation de la société concerne l'assistance technologique aux personnes âgées en perte d'autonomie à l'intérieur d'un habitat dit intelligent. L'une des problématiques clé inhérente à l'habitat intelligent émane du besoin intrinsèque, pour fournir un service utile, de reconnaître les activités de la vie quotidienne réalisées par le patient à l'intérieur de son habitat. Cette difficulté correspond en fait à une forme particulière d'une problématique bien connue du domaine de l'intelligence artificielle qui est appelée la reconnaissance de plans. Celle-ci réfère au fait qu'on suppose l'existence d'une structure d'activité (ensemble d'actions organisées dans le temps) planifiée au départ par l'entité observée, et qui constitue le résultat que l'agent observateur cherche à reconnaître à partir de sa base de connaissances (librairie de plans). En effet, l'ensemble des informations collectés reliées au temps comme l'ordonnancement des actions, durée d'une action, laps de temps entre deux actions, etc., se révèle d'une très grande importance afin de minimiser les hypothèses plausibles et identifier les erreurs de réalisation : une activité peut être exécutée de manière erronée si la durée acceptable entre deux étapes du plan est dépassée ou bien insuffisante, de même, le patient peut effectuer deux actions en parallèle d'où l'importance du facteur temps. \n \nCe mémoire de maîtrise apporte des pistes de solutions à la problématique énoncée, qui porte sur la reconnaissance temporelle des activités de la vie quotidienne d'une personne en perte d'autonomie. Il propose une extension à un modèle de reconnaissance d'activités existant, développé par Weida, en incorporant la notion de concepts d'action en logique de description et en introduisant une nouvelle structuration temporelle augmentée permettant de tenir compte de l'aspect quantitatif lié aux durées et aux délais des actions, qui était absent du modèle original. Cette addition d'une couche temporelle numérique offre un moyen efficace d'exploiter les intervalles de temps dans le processus de reconnaissance et permet d'augmenter la performance et la précision du modèle de Weida. Elle permet également la détection de nouvelles anomalies liées au comportement d'un individu en perte d'autonomie. Enfin, le modèle présenté a été implémenté et validé lors de simulations effectuées à l'aide d'un ensemble de scénarios de cas réels tirés d'une étude clinique. Les résultats ont été analysé et comparé à ceux obtenus avec le modèle original de façon à bien montrer l'apport de notre proposition.

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.