Méthode hybride pour la reconnaissance d’activités de la vie quotidienne

TAUX D’ACQUISITION DES DONNÉES

Le dernier point à aborder est le taux d’acquisition des données. Ce taux est souvent exprimé en Hertz (Hz) ou en lectures par secondes. Théoriquement, plus le taux d’acquisition est grand, plus la reconnaissance va être précise. Cependant, avoir un dispositif capable de récolter plus de données et de les envoyer sur un réseau fermé est plus dispendieux que de récolter peu de données. Énormément de recherches portant sur la reconnaissance des AVQ utilisent un taux d’acquisition d’environ 20 Hz comme celles de Bao, Intille, (2004) ; Maurer et al., (2006) ; Bieber et al., (2010) ; Cleland et al., (2013) ; Gao et al., (2014), mais celles-ci ne se concentrent que sur des AVQ. Les exercices physiques sont plus complexes en termes d’exécution de mouvement. Si un mouvement plus rapide est effectué avec le même taux d’acquisition qu’un plus lent, celui qui est le plus rapide aura une perte de données à cause d’un taux d’acquisition trop bas. Il faut alors adapter cette valeur au plus haut possible pour reconnaître le mouvement le plus complexe. Par exemple, si un mouvement nécessite un taux d’acquisition de 80 Hz, et qu’un autre a besoin de 20 Hz, il faut alors calibrer le système sur 80 Hz. Lorsque l’ensemble des paramètres cités ci-dessus sont réunis, la prochaine étape pour réaliser la reconnaissance d’activités est l’utilisation d’algorithmes d’apprentissage.

ALGORITHMES D’APPRENTISSAGE

Pour reconnaître des activités, les algorithmes d’apprentissage sont très souvent utilisés. Il en existe plusieurs sortes, et ont tous leurs avantages et leurs inconvénients. Dans le domaine de la reconnaissance d’activités à l’aide de données accélérométriques, on va trouver toutes les sortes d’algorithmes, dépendant du type d’activités à détecter, et de leur nombre. Il faut donc évaluer quels algorithmes sont les plus pertinents au vu de l’étude de ce mémoire, en comparant avec des études passées, et par le biais de tests effectués grâce à divers jeux de données. La comparaison avec les études passées permet alors d’avoir une idée des algorithmes à utiliser, tandis que les tests vont servir à vérifier le choix réalisé initialement. Elles vont aussi permettre de trouver les algorithmes les plus performants dans le cadre de ce mémoire. Il faut alors définir les algorithmes les plus utilisés, et pour ce faire, une description de chacun sera donnée, et des exemples de ceux-ci seront également exposés. Les algorithmes d’apprentissage ont tous un principe de base en commun. Chaque algorithme apprend à reconnaître certaines activités. Pour permettre cet apprentissage, ils ont besoin d’un jeu de données initiales, regroupant des données significatives et propres : on parle d’ensemble d’apprentissages. Cet ensemble est constitué de plusieurs colonnes, et d’une classe.

Les colonnes sont l’ensemble des attributs permettant de caractériser la classe qui, elle, désigne le nom de l’activité à reconnaître. Un algorithme d’apprentissage permet alors d’analyser ce jeu de données, et d’en extraire des caractéristiques, afin de pouvoir prédire une classe à un éventuel nouvel individu possédant les mêmes caractéristiques. Cependant, chaque algorithme a une façon distincte d’utiliser l’ensemble d’apprentissages, c’est pourquoi une description des algorithmes les plus utilisés dans ce domaine est fournie. Tout d’abord, la classification naïve bayésienne sera abordée. C’est un algorithme très simpliste qui réussit à avoir de bons résultats sur certaines reconnaissances. Par la suite, l’algorithme consistant en la recherche des plus proches voisins sera examiné. Celui-ci ne fonctionne pas tout à fait comme les autres ; il compare un nouvel individu à classer avec l’ensemble d’apprentissages plutôt que d’extraire des caractéristiques de cet ensemble pour effectuer la classification. Cela peut engendrer un temps de reconnaissance relativement long, en fonction de la taille de l’ensemble d’apprentissages. Ensuite, les arbres de décisions seront passés en revue. Les arbres sont énormément utilisés, de par leur rapidité d’exécution, et les bons résultats qu’ils obtiennent.

De plus, ces arbres sont également utilisés dans d’autres algorithmes, comme les forêts d’arbres décisionnels qui sont également présentées. Aussi, les machines à vecteurs de support seront étudiées. Initialement, elles étaient utilisées afin de dissocier deux classes, mais des adaptations ont été réalisées afin qu’elles puissent permettre la reconnaissance de plus de deux classes différentes. Pour finir, les réseaux de neurones artificiels seront étudiés. C’est une méthode inspirée du système neuronal biologique.

TRAVAUX EN LIEN AVEC LA RECONNAISSANCE D’AVQ

Beaucoup de recherches existent sur la reconnaissance d’AVQ grâce à des capteurs accélérométriques. Dans les paragraphes suivants, les travaux étudiés sont divisés, en trois catégories. Ces différentes catégories regroupent des travaux en fonction de leur mode de collecte des données.

La première catégorie de travaux est celle qui utilise des téléphones intelligents. Depuis plusieurs années, les téléphones intelligents deviennent plus populaires, de par leurs fonctionnalités. La masse d’outils disponibles est due à une quantité accrue de capteurs ajoutés, comme des accéléromètres, des gyroscopes ou des magnétomètres. En effet, l’analyse des données de l’accélération permet de réaliser des applications pour sauvegarder le matériel. Par exemple, Apple a utilisé ces capteurs afin d’arrêter le disque dur de ses périphériques pour le sauvegarder lors d’une chute. Beaucoup d’autres applications sont disponibles à partir de ce genre de capteurs dans des téléphones intelligents. Par exemple, les travaux de Kwapisz et al., (2011) utilisent les accéléromètres afin de capturer les données, pour les analyser et identifier des activités simples. Ces activités se limitent aux AVQ connues, à savoir marcher, courir, monter/descendre des marches, s’asseoir et se lever. Ils ont extrait six attributs différents, notamment la moyenne et l’écart-type sur une fenêtre de 10 secondes. Avec ces attributs, l’utilisation d’algorithmes d’apprentissage a été envisageable, et leurs résultats ont permis de dire que dans leur cadre spécifique d’études, le perceptron multicouche est le meilleur, avec un taux de reconnaissance de 91.7%.

Ce taux est un rapport entre les classes prédites et celles censées être prédites .La seconde catégorie peut être abordée par l’approche réalisée dans (Gupta, Dallas, 2014), portant sur l’utilisation seule d’un accéléromètre à trois axes. Dans leurs travaux, ils ont reconnu des AVQ communes, comme marcher, courir, sauter, s’asseoir/se lever. Pour récolter les données, 7 sujets en bonne santé ont été volontaires. Les données collectées ont été analysées sur des fenêtres de 6 secondes, et un pourcentage de chevauchement de 50%. Néanmoins, en comparaison avec les approches précédentes, ils ont utilisé beaucoup d’attributs différents, répartis dans le domaine temporel et fréquentiel. Par exemple, ils se sont servis des attributs suivants : l’énergie, l’entropie, tout en gardant des attributs plus communs comme la moyenne, la variance et les tendances de celle-ci. Pour analyser leurs données, ils ont comparé deux algorithmes connus : k-NN (paramétré avec k=10) et la classification naïve bayésienne. Leurs résultats sont très bons avec ces deux algorithmes : 98.4% comme taux de reconnaissance moyen pour k-NN, et 97.8% pour la classification naïve bayésienne.

TRAVAUX EN LIEN AVEC LA RECONNAISSANCE D’EXERCICES PHYSIQUES

Alors que les travaux en lien avec la reconnaissance d’AVQ sont abondants dans cette catégorie de la recherche, ceux en lien avec la reconnaissance d’exercices physiques sont bien moins présents. Une sélection de quatre articles portant sur la reconnaissance d’exercices physiques ou d’activités plus précises que celles des AVQ a été effectuée et sera analysée ci-après. Dans la section précédente, l’analyse était séparée en trois catégories. Afin de réaliser une analyse cohérente, les mêmes catégories seront utilisées ici. Tout d’abord, les travaux utilisant des téléphones intelligents pour reconnaître des exercices physiques spécifiques sont très peu nombreux. En effet, les travaux de (Bayat et al., 2014) font partie des rares représentants de cette catégorie. Ils réalisent une reconnaissance d’AVQ, mais reconnaissent également parmi ces activités basiques une activité de danse.

Dans leur cadre de travail, cette activité de danser est considérée comme une AVQ, à savoir qu’elle est reconnue au même titre que les autres (marcher, courir, monter des marches, etc.). Ceci signifie que la reconnaissance de cette activité s’effectue avec les mêmes paramètres qu’une autre AVQ (ex.: le fenêtrage). Le fenêtrage qu’ils ont utilisé est de 128 enregistrements, à savoir 1,28 secondes étant donné que leur système possède une fréquence de 100 Hz. De plus, ils utilisent une fenêtre de chevauchement équivalente à 50% du fenêtrage initial. Leurs travaux comparent plusieurs algorithmes d’apprentissage sur un jeu de données qu’ils ont enregistré. Lorsque chaque résultat est obtenu pour chaque algorithme, il est facile de voir que l’algorithme des forêts d’arbres décisionnels est très performant (meilleur algorithme pour la reconnaissance de la danse lorsque le téléphone est dans la main). Cependant, pour avoir un meilleur taux de reconnaissance, ils ont utilisé une combinaison des résultats obtenus par trois algorithmes différents à savoir les forêts d’arbres décisionnels, les machines à vecteurs de support, et les réseaux de neurones artificiels. Leurs recherches permettent alors d’obtenir un taux de reconnaissance maximal de 91,15%.

La seconde catégorie analysée était celle utilisant un capteur accélérométrique unique. Parmi les travaux existants, un seul article mérite mention. En effet, la grande majorité des travaux présents dans ce domaine parlent des AVQ comme des activités physiques, ce qui complique énormément la recherche. L’analyse de cette catégorie se rapporte alors aux travaux de (Ravi et al., 2005), qui permet de reconnaître des activités plus spécifiques que les AVQ basiques. Ils se sont servis d’un accéléromètre triaxial positionné au niveau de la région pelvienne, et envoyant ses données par la technologie Bluetooth à un taux de 50 Hz. Le fenêtrage choisi était alors de 256 enregistrements, représentant 5,12 secondes de données. La fenêtre de chevauchement utilisée était encore de 50% du temps initial. Ils ont extrait 4 attributs, dont trois du domaine temporel (moyenne, écart-type et corrélation), et un du domaine fréquentiel (énergie). Les activités qu’ils ont reconnues sont surtout du domaine des activités spécialisées. En effet, ils reconnaissent des AVQ standard mais également l’activité de «passer l’aspirateur» ou encore de «se brosser les dents».

De même que pour les travaux observés précédemment, ils ont décidé de placer ces deux activités dans le même cadre que celles des AVQ, avec le même fenêtrage. Les meilleurs taux de reconnaissance obtenus sont ceux procurés par un algorithme de «Plurality Voting» qui ressemble en partie à celui des forêts d’arbres décisionnels, avec un taux de reconnaissance de plus de 90%. (Todorovski, Dzeroski, 2003) .La dernière catégorie est celle utilisant plusieurs capteurs à la fois pour reconnaître des exercices physiques. Cette catégorie possède plus de travaux essayant de reconnaître des exercices physiques, étant donné que la reconnaissance de ce type d’activité est plus simplifiée avec plusieurs capteurs (Gao et al., 2014).

PRÉSENTATION DES AVQ ET DES EXERCICES PHYSIQUES

Afin de quantifier le niveau d’activité global d’une personne, il est possible d’utiliser les AVQ. Les activités les plus communes, qui sont également celles qui seront utilisées dans ce mémoire, sont listées ci-après : «marcher», «courir», «se lever», «s’asseoir», «rester assis». Cependant, afin d’indiquer au système que l’utilisateur va réaliser ses exercices prescrits, il est nécessaire d’ajouter une sixième activité, qui consiste en une rotation rapide du poignet. Son utilisation concrète sera expliquée plus tard dans ce chapitre. Au total, on retrouve alors six AVQ pour quantifier le niveau d’activité global d’une personne. Par ailleurs, ces activités sont relativement rapides à effectuer. Après une analyse de la littérature, et quelques essais, la fenêtre d’exécution de ces AVQ a été fixée à deux secondes, ce qui est très différent des exercices physiques étudiés.

Sur ce point, désirant avoir une étude la plus proche de la réalité possible, des exercices physiques ont été fournis tels qu’un thérapeute pourrait les prescrire pour un patient atteint de DM1. Ce sont alors de véritables exercices, nécessitant plus de précision, et donc plus de données que les AVQ énoncées plus tôt. Afin d’augmenter la quantité de données récoltées, il faut augmenter le fenêtrage ; après plusieurs essais, la fenêtre d’exécution des exercices physiques a été fixée à six secondes. Ce long temps est surtout dû au fait qu’une pause de deux secondes doit être respectée pendant la réalisation de chaque exercice, afin que les muscles travaillent. Il a alors été observé qu’il fallait environ deux secondes pour accéder à la pose de l’exercice, et deux secondes supplémentaires pour revenir à la position initiale, totalisant alors les six secondes proposées.

Table des matières

CHAPITRE 1 :INTRODUCTION 
1.1 CONTEXTE
1.2 PROBLÉMATIQUE CIBLÉE DANS CE MÉMOIRE
1.3 CONTRIBUTION DE LA RECHERCHE
1.4 MÉTHODOLOGIE DE LA RECHERCHE
1.5 ORGANISATION DU MÉMOIRE
CHAPITRE 2 :REVUE DE LITTÉRATURE 
2.1 DÉFINITIONS
2.1.1 FENÊTRAGE
2.1.2 POSITIONNEMENT
2.1.3 TAUX D’ACQUISITION DES DONNÉES
2.2 ALGORITHMES D’APPRENTISSAGE
2.2.1 CLASSIFICATION NAÏVE BAYÉSIENNE
2.2.2 RECHERCHE DES PLUS PROCHES VOISINS
2.2.3 ARBRES DE DÉCISION
2.2.4 FORÊTS D’ARBRES DÉCISIONNELS
2.2.5 MACHINES À VECTEURS DE SUPPORT
2.2.6 RÉSEAUX DE NEURONES ARTIFICIELS
2.3 CAS APPLIQUÉS
2.3.1 TRAVAUX EN LIEN AVEC LA RECONNAISSANCE D’AVQ
2.3.2 TRAVAUX EN LIEN AVEC LA RECONNAISSANCE D’EXERCICES PHYSIQUES
2.3.3 CONCLUSION
CHAPITRE 3 :PROTOTYPE
3.1 INTRODUCTION
3.2 MATÉRIEL
3.2.1 BRACELET – INTEL EDISON
3.2.2 RASPBERRY PI 3
3.3 COMMUNICATION
3.4 VERSION 2.0 DU BRACELET
CHAPITRE 4 :MODÈLE DE RECONNAISSANCE HYBRIDE
4.1 INTRODUCTION
4.2 PRÉSENTATION DES AVQ ET DES EXERCICES PHYSIQUES
4.3 ATTRIBUTS UTILISÉS
4.4 MÉTHODE DE RECONNAISSANCE HYBRIDE
CHAPITRE 5 :VALIDATION DU SYSTÈME
5.1 INTRODUCTION
5.2 STRUCTURE DU JEU DE DONNÉES
5.3 ANALYSE DES RÉSULTATS
5.3.1 INDICATEURS DE PERFORMANCE DE CLASSIFICATION
5.3.2 RÉSULTATS
5.4 CONCLUSION
CONCLUSION
RÉFÉRENCES

Télécharger le rapport complet