Human Activity Recognition in the Context of Multi-occupant Smart Homes

Abstract

Dans le contexte des maisons intelligentes, la surveillance automatique de la santé des personnes âgés permet d'évaluer leurs bien-être cognitif et physique à travers la Reconnaissance des Activités Humaines (RAH) à savoir la reconnaissance de leurs activités de la vie quotidienne. La plupart des recherches ont été consacrés à la RAH de personnes vivant seules dans l'environnement. Cependant, les environnements de vie sont généralement habités par plus d'une seule personne. Nous nous concentrons dans cette thèse sur le problème de la modélisation des activités de multiple occupants. En particulier les activités parallèles et les activités coopératives sont considérées. Afin de traiter les activités de multiple occupants, nous étudions différentes approches basées sur les Modèles de Markov Cachés (MMCs). Plus précisément, nous proposons une méthode basée sur les MMCs, appelé MCC basé Etiquettes Combinées (MMC-EC), où les étiquettes des activités ainsi que les étiquettes des observations des différents occupants sont combinées afin de générer la séquence correspondante des activités ainsi que la séquence correspondante d'observations sur les quelles un MMC classique est appliqué. Nous proposons également le MMC Lié appelé MMCL dans lequel les activités de tous les occupants sont liées à tout instant. Nous comparons ces deux modèles aux modèles de références qui sont les MMC Couplés (MMCC) et MMC Parallèles (MMCP). Les résultats expérimentaux montrent que les modèles proposés surpassent le MMCC et le MMCP lorsqu'ils sont testés sur les activités parallèles et les activités coopératives.