Modelling and Recognition of Human Activities of Daily Living in a Smart Home

La plupart des travaux réalisés dans le domaine de l'assistance à l'autonomie à domicile (AAL) reposent sur l'utilisation de capteurs visuels et audio tels que des caméras. Or, ces capteurs sont souvent rejetés par le patient à cause de leur caractère invasif. Des approches alternatives requièrent l'utilisation de capteurs embarqués sur la personne (GPS, bracelets électroniques ou puces RFID dans les vêtements...), et leur pertinence est donc ramenée à l'hypothèse que les personnes les portent effectivement, sans jamais les rejeter ni les oublier. Pour ces raisons, dans cette thèse, nous trouvons plus pertinentes les approches uniquement basées sur l'utilisation de capteurs binaires intégrés dans l'habitat, tels que les détecteurs de mouvements, les tapis sensitifs ou les barrières optiques. Dans un tel contexte technologique, il devient intéressant d'utiliser les paradigmes, les modèles et les outils des systèmes à événement Discrets (SED), initialement plutôt développés pour la modélisation, l'analyse et la commande des systèmes industriels complexes. Dans ces travaux de thèse, l'objectif est de construire une approche pour la modélisation et le suivi des habitudes de vie, basée sur les modèles et les paradigmes des SED et répondant à une problématique qui s'énonce de la manière suivante : L'objectif est de développer un cadre global pour découvrir et reconnaître les activités de la vie quotidienne d'un habitant vivant seul dans une maison intelligente. Cette maison intelligente doit être équipée uniquement de capteurs binaires, l'étiquetage par des experts des activités observées ne doit pas être nécessaire et les activités peuvent être représentées par des modèles probabilistes. La première méthode présentée dans cette thèse permet, à partir d'une base de données d'apprentissage et d'une description experte des activités à modéliser listées par des médecins, de construire pour chaque activité un modèle sous la forme d'un automate à état-fini probabiliste (PFA). La seconde méthode développée lors de cette thèse permet d'estimer en temps réel, à partir des seules données observées par les capteurs ambiants, quelle activité la personne observée réalise effectivement. Les méthodes décrites dans cette thèse sont illustrées en utilisant les données générées localement via l'utilisation d'un appartement prêté par ENS Paris-Saclay équipé pour répondre aux besoins expérimentaux de cette thèse.