Bibliographie & annexes
Quiz & test
Présentation
En anglais
RÉSUMÉ
La reconnaissance d’activités à partir de données issues de capteurs a de nombreuses applications telles que le suivi postopératoire de patients en médecine ambulatoire ou le suivi des activités physiques quotidiennes de personnes âgées. Il est choisi ici de ne considérer que les données fournies par un accéléromètre. L’accéléromètre est en effet un capteur permettant une récolte aisée de données sans être dépendant de l’environnement de l’utilisateur, ceci de par sa disponibilité sur des smartphones ou dispositifs dédiés. Le but de cet article est de faire une revue des solutions proposées dans la littérature pour la reconnaissance d’activités sur la base de données accélérométriques.
Lire cet article issu d'une ressource documentaire complète, actualisée et validée par des comités scientifiques.
Lire l’articleABSTRACT
Data based activity recognition has many applications such as postoperative monitoring of ambulatory medicine patients or monitoring of the daily physical activities of elderly people. In this paper it is chosen to consider only the data supplied by an accelerometer. Indeed the accelerometer is a sensor allowing an easy data collection without being dependent on the user’s environment, this due to its availability on smartphones or dedicated devices. The aim of this paper is to review the solutions proposed in the literature for the activity recognition on the basis of accelerometric data.
Auteur(s)
-
Romain AUBER : Docteur ingénieur - Bodycap, France
-
Mathieu POULIQUEN : Maître de conférences - Université de Caen Normandie, Caen, France
-
Éric PIGEON : Maître de conférences - Université de Caen Normandie, Caen, France
INTRODUCTION
La reconnaissance d’activités est un problème particulièrement saillant tant de par ses applications pratiques multiples que par les problématiques de recherche qu’elle révèle. Parmi les applications pratiques, nous pouvons citer par exemple le suivi postopératoire en médecine ambulatoire, la détection d’anomalies liées à la santé, la prévention des chutes ou encore, à des fins plus légères, le suivi des activités physiques quotidiennes via une estimation de la dépense calorique ou le suivi des activités sportives (durée d’une course, distance parcourue, etc.).
Il existe plusieurs solutions pour appréhender l’activité d’une personne à partir de capteurs. Une première possibilité consiste à faire de la reconnaissance d’activités à partir d’images ou de vidéos, cependant l’utilisation de données visuelles a deux défauts majeurs : d’une part, la personne doit rester dans le champ de la caméra, d’autre part, certains utilisateurs peuvent être réticents à être constamment sous l’œil d’une caméra dans leur vie privée. Une autre possibilité est donc d’utiliser des capteurs portés par l’utilisateur. À ce titre, en raison de sa démocratisation, de sa discrétion et de sa puissance de calcul, le smartphone peut être utilisé pour collecter des données sur les individus et ces données peuvent être utilisées pour de la reconnaissance d’activités. La plupart des smartphones contiennent en effet de nombreux capteurs tels que des accéléromètres, des gyroscopes, des magnétomètres, etc. Outre le smartphone, des dispositifs peuvent être spécifiquement développés pour la reconnaissance d’activités. Il existe par exemple des dispositifs portables intègrant directement un accéléromètre, un gyroscope et un magnétomètre. Dans d’autres cas, outre les différentes mesures issues des capteurs précédents, des signaux physiologiques, tels que la fréquence cardiaque, la fréquence respiratoire et la saturation en oxygène, peuvent aussi être utilisés. Dans cet article, nous supposons prendre uniquement en compte les données fournies par un accéléromètre. L’accéléromètre est en effet le capteur porté le plus utilisé dans la reconnaissance d’activités. L’utilisation de ce capteur permet de pouvoir récolter des données de n’importe quel endroit et il permet de ne plus être dépendant de l’environnement de l’utilisateur.
Dans cet article nous nous intéressons ainsi à la procédure permettant la reconnaissance d’activités sur la base de données accélérométriques. Cette procédure consiste en l’enchaînement de différentes étapes dont le résultat final est conditionné par des choix de l’utilisateur à chacune des étapes. Il s’agit ainsi dans cet article de faire un état des lieux sur cette procédure en détaillant les éléments technologiques de chacune des étapes et les choix usuels en reconnaissance d’activités.
L'expertise technique et scientifique de référence
KEYWORDS
Activity Recognition | Accelerometer Data
DOI (Digital Object Identifier)
Cet article fait partie de l’offre
Mesures mécaniques et dimensionnelles
(120 articles en ce moment)
Cette offre vous donne accès à :
Une base complète d’articles
Actualisée et enrichie d’articles validés par nos comités scientifiques
Des services
Un ensemble d'outils exclusifs en complément des ressources
Un Parcours Pratique
Opérationnel et didactique, pour garantir l'acquisition des compétences transverses
Doc & Quiz
Des articles interactifs avec des quiz, pour une lecture constructive
Présentation
Validation
En anglais
5. Classification
La classification consiste à associer chaque donnée à une classe, les classes correspondant dans notre cas aux activités. L’algorithme réalisant la classification est un classifieur. Il existe deux types de classification :
-
la classification supervisée : un ensemble de données dont la classe d’appartenance est connue est disponible. Cet ensemble de données va permettre de construire le modèle du classifieur, modèle qui sera utilisé par la suite pour déterminer la classe de nouvelles données ;
-
la classification non supervisée : la classe d’aucune donnée n’est connue au départ. L’objectif est la recherche d’une répartition visant à regrouper les individus dans des classes. Cette répartition est réalisée de manière à avoir les classes les plus homogènes et les plus distinctes les unes des autres possible.
La classification non supervisée est parfois utilisée pour la reconnaissance d’activités, par exemple dans . Cependant, la classification supervisée est de loin la plus utilisée dans la reconnaissance d’activités. Un algorithme de classification supervisée est organisé en deux étapes :
-
l’étape d’apprentissage : le but est d’apprendre un modèle de répartition à l’aide de données étiquetées (la base d’apprentissage) ;
-
l’étape de décision : le modèle construit à l’étape précédente est utilisé pour estimer la classe de nouvelles données.
Bien qu’il existe des études comparatives d’algorithmes de classification en termes de reconnaissance d’activités (voir ...
L'expertise technique et scientifique de référence
TEST DE VALIDATION ET CERTIFICATION CerT.I. :
Cet article vous permet de préparer une certification CerT.I.
Le test de validation des connaissances pour obtenir cette certification de Techniques de l’Ingénieur est disponible dans le module CerT.I.
de Techniques de l’Ingénieur ! Acheter le module
Cet article fait partie de l’offre
Mesures mécaniques et dimensionnelles
(120 articles en ce moment)
Cette offre vous donne accès à :
Une base complète d’articles
Actualisée et enrichie d’articles validés par nos comités scientifiques
Des services
Un ensemble d'outils exclusifs en complément des ressources
Un Parcours Pratique
Opérationnel et didactique, pour garantir l'acquisition des compétences transverses
Doc & Quiz
Des articles interactifs avec des quiz, pour une lecture constructive
Classification
BIBLIOGRAPHIE
-
(1) - ATTAL (F.) et al - Physical Human Activity Recognition Using Wearable Sensors. - In : Sensors, 15, p. 31314-31338 (2015).
-
(2) - LARA (O.D.), LABRADOR (M.A.) - A Survey on Human Activity Recognition using Werable Sensors. - In : IEEE Communications Surveys & Tutorials, 15, p. 1192-1209 (2013).
-
(3) - PREECE (S.J.) et al - Activity identification using body-mounted sensors – A review of classification techniques. - In : Physiological Measurement, 30 (2009).
-
(4) - ATALLAH (L.) et al - Sensor Placement for Activity Detection Using Wearable Accelerometers. - In : IEEE Transactions on Biomedical Circuits and Systems, 5 (2011).
-
(5) - BAYAT (A.), POMPLUN (M.), TRAN (D.A.) - A Study on Human Activity Recognition Using Accelerometer Data from Smartphones. - In : Procedia Computer Science, 34, p. 450-457 (2014).
-
...
ANNEXES
CISIA juin 2000 Le Bayésien (version pour Windows Vista), [Logiciel] CISIA 1 avenue Herbillon, 94160 Saint-Mandé, France
HAUT DE PAGE
L'expertise technique et scientifique de référence
Cet article fait partie de l’offre
Mesures mécaniques et dimensionnelles
(120 articles en ce moment)
Cette offre vous donne accès à :
Une base complète d’articles
Actualisée et enrichie d’articles validés par nos comités scientifiques
Des services
Un ensemble d'outils exclusifs en complément des ressources
Un Parcours Pratique
Opérationnel et didactique, pour garantir l'acquisition des compétences transverses
Doc & Quiz
Des articles interactifs avec des quiz, pour une lecture constructive
QUIZ ET TEST DE VALIDATION PRÉSENTS DANS CET ARTICLE
1/ Quiz d'entraînement
Entraînez vous autant que vous le voulez avec les quiz d'entraînement.
2/ Test de validation
Lorsque vous êtes prêt, vous passez le test de validation. Vous avez deux passages possibles dans un laps de temps de 30 jours.
Entre les deux essais, vous pouvez consulter l’article et réutiliser les quiz d'entraînement pour progresser. L’attestation vous est délivrée pour un score minimum de 70 %.
L'expertise technique et scientifique de référence
Cet article fait partie de l’offre
Mesures mécaniques et dimensionnelles
(120 articles en ce moment)
Cette offre vous donne accès à :
Une base complète d’articles
Actualisée et enrichie d’articles validés par nos comités scientifiques
Des services
Un ensemble d'outils exclusifs en complément des ressources
Un Parcours Pratique
Opérationnel et didactique, pour garantir l'acquisition des compétences transverses
Doc & Quiz
Des articles interactifs avec des quiz, pour une lecture constructive
