Renforcement des méthodes de prise de décision par des a priori pour la mesure automatique de l'activité physique des personnes

Advances in technology have led to the miniaturization of motion sensors, facilitating their use in small comfortable wearable devices. Such devices are of great interest in the biomedical field especially for applications aimed at estimating the daily physical activity of people. In this thesis, we propose signal processing algorithms allowing better interpretation of sensors measures and thus their mapping to different activities. Our approach is based on that activities have strong temporal dependencies. We propose a recognition system that models the activity sequence by a Markov chain. Our system relies on parametric and non-parametric classification methods. The soft output of classifiers permits the construction of confidence measures in the activities. These measures are later used as input to a Viterbi algorithm that gives the final estimation of the activity sequence. We validate our algorithms using a database containing 48 subjects, each of whom having carried out activities for more than 90 minutes. Moreover, this thesis aims at providing practical answers to challenges concerning the development of an activity recognition system. First of all, we wonder about the optimal sensor placement on the body, and about the number of sensors needed for a reliable estimation of activities. We also approach the problem of selecting relevant features for classifiers. Another crucial issue concerns the estimation of the sensor’s orientation on the body : this involves the problem of sensor calibration. Finally, we provide a “real-time” implementation of our system, and collect a database under realistic conditions to validate our implemented real-time demostrator.Les récents progrès technologiques ont permis la miniaturisation des capteurs de mouvement permettant ainsi leur intégration dans des micro-systèmes médicaux de manière à ce qu'ils soient aisément portables par les personnes. Dans cette thèse nous proposons des algorithmes de traitement de données permettant d’interpréter les mesures de capteurs accélérométriques et de les associer aux différentes activités. Notre approche est fondée sur l’observation que la séquence d’activités à détecter possède une structure forte de dépendance temporelle. Nous proposons un système de reconnaissance de l’activité reposant sur une modélisation des activités comme une chaîne de Markov. En outre, notre système s’appuie sur des méthodes de classification paramétriques et non paramétriques. La sortie douce des classifieurs permet de construire des mesures de confiance en les activités. Ces mesures sont injectées dans l’algorithme de Viterbi qui fournit la séquence d’activités finale. Nos algorithmes sont validés à partir d’une base de données comportant 48 sujets ayant chacun réalisé environ 90 minutes d’activités physiques variées. Par ailleurs, cette thèse vise à fournir des réponses pratiques aux problèmes posés par l’élaboration d’un système de reconnaissance de l’activité physique. En premier lieu, nous nous posons la question du placement optimal des capteurs sur le corps, et du nombre de capteurs nécessaires pour une estimation fiable de l’activité. Nous abordons le problème de la sélection des caractéristiques pertinentes pour les classifieurs. Enfin, un problème crucial est lié à l’estimation autodidacte et en ligne de l’orientation des capteurs sur le corps du sujet : il s’agit du problème de la calibration des capteurs. Pour terminer, nous fournissons une implémentation “temps-réel” du système proposé, et construisons une base de données en vie libre pour valider notre démonstrateur temps-réel