Prediction et reconnaissance d'activites dans un habitat intelligent basees sur les series temporelles et la fouille de donnees temporelles.

摘要

L'assistance traditionnelle d'une personne atteinte de la maladie d'Alzheimer est une tâche difficile, couteuse et complexe. La necessite d'avoir une personne aidante presque tout le temps avec le patient epuise les ressources humaines et financieres du systeme de sante. De plus, la relation est souvent compliquee entre l'aidant et le patient qui souhaite preserver son intimite. L'emergence du domaine de l'intelligence ambiante a permis la conception d'une assistance technologique ou un agent artificiel, appele aussi agent ambiant, vient aider et diminuer le temps passe par l'aidant dans l'habitat du patient.;Comme dans l'assistance traditionnelle, l'agent ambiant observe le patient ou son environnement en analysant les mesures envoyees par les differents senseurs installes dans la maison qui est nommee par ce fait un habitat intelligent. Preferablement d'une facon non supervisee, l'agent ambiant se doit d'apprendre le comportement normal du patient qui peut se traduire par la creation d'une structure qui definit les differentes activites de la vie quotidienne (AVQ) que le patient est habitue a effectuer. Ensuite, grâce a l'heure courante et aux recentes actions detectees, l'agent ambiant va essayer de reconnaitre l'activite entamee par le patient pour etre en mesure de detecter des erreurs et proposer de l'aide en comparant les comportements normaux aux recentes actions detectees.;Plusieurs problemes caracterisent cette nouvelle assistance, mais le plus grand defi de cette solution, qui reside dans l'etape de reconnaissance d'activites, est cause par le nombre tres eleve des AVQs que nous appelons aussi le nombre d'hypotheses. En effet, comme chaque activite se compose de plusieurs actions, la reconnaissance d'activites se traduit donc par la recherche des recentes actions detectees parmi toutes les actions de toutes les AVQs, et ce, en temps reel.;Dans cette these, nous proposons des contributions dans les differentes etapes de l'assistance technologique. Nous repondons essentiellement a la problematique de la reconnaissance d'activites par la reduction maximale, a un instant precis, du nombre d'hypotheses. Tout d'abord, nous explorons la fouille de donnees temporelles et nous presentons notre propre algorithme de creation de comportements normaux d'une facon non supervisee. L'algorithme analyse l'historique des senseurs actives afin de decouvrir les motifs frequents fermes qui representent les modeles d'activites. Ensuite, nous explorons les series temporelles pour choisir la technique de prediction la plus adequate a la prediction des temps de debuts des differentes AVQs. Une methode probabiliste est detaillee par la suite pour reduire le nombre d'hypotheses et reconnaitre l'activite entamee. Nous terminons notre approche par l'utilisation des series temporelles multivariees pour la prediction du temps d'activation de chaque senseur de l'activite reconnue, ce qui aide l'agent ambiant a bien choisir le moment d'intervention pour proposer de l'aide, si necessaire.;Notre approche se base essentiellement sur l'aspect temporel et n'offre pas juste une solution a la problematique de la reconnaissance d'activites, mais elle repond aussi a differentes erreurs, dont celles susceptibles d'etre commises par les malades d'Alzheimer comme les erreurs d'initiations qui les empechent d'amorcer des activites. La validation de notre approche et les tests de ses differentes etapes ont ete effectues avec des donnees reelles enregistrees dans le Laboratoire d'Intelligence Ambiante pour la Reconnaissance d'Activites (LIARA) et les resultats sont satisfaisants.