Modèles de Markov cachés récents pour la détection et la reconnaissance d’activités à partir d’un capteur IMU placé sur une jambe

The thesis context is that of the quantified self, a movement born in California that consists in getting to know oneself better by measuring data relating to one’s body and activities. The research work consisted in developing algorithms for analyzing signals from an IMU (Inertial Measurement Unit) sensor placed on the leg to recognize different movement activities such as walking, running, stair climbing... These activities are recognizable by the shape of the sensor’s acceleration and angular velocity signals, both tri-axial, during leg movement and gait cycle.To address the recognition problem, the thesis work resulted in the construction of a particular hidden Markov chain, called semi-triplet Markov chain, which combines a semi-Markov model and a Gaussian mixture model in a triplet Markov model. This model is both adapted to the nature of the gait cycle, and to the sequence of activities as it can be carried out in daily life. To adapt the model parameters to the differences in human morphology and behavior, we have developed algorithms for estimating parameters both off-line and on-line.To establish the classification and learning performance of the algorithms, we conducted experiments on the basis of recordings collected during the thesis and on public dataset. The results are systematically compared with state-of-the-art algorithms.Le contexte de la thèse est celui du quantified-self, un mouvement né en Californie qui consiste à mieux se connaître en mesurant les données relatives à son corps et à ses activités. Les travaux de recherche ont consisté à développer des algorithmes d'analyse des signaux d'un capteur IMU (\textit{Inertial Measurement Unit}) placé sur la jambe pour reconnaître différentes activités de mouvement telles que la marche, la course, la montée d’escalier.... Ces activités sont reconnaissables grâce à la forme des signaux d'accélération et de vitesse angulaire du capteur, tous triaxiaux, pendant le mouvement des jambes lors du cycle de marche. Pour résoudre ce problème de reconnaissance, les travaux de thèse ont permis la construction d'un modèle de chaîne de Markov cachée particulier, appelé chaîne triplet semi-Markov, qui combine un modèle semi-Markov et un modèle de mélange gaussien dans un modèle de Markov triplet. Ce nouveau modèle est adapté à la fois à la nature du cycle de marche et à l'enchaînement des activités que l’on peut réaliser dans la vie quotidienne. Pour adapter les paramètres du modèle aux différences de morphologie et de comportement humain, nous avons développé des algorithmes d'estimation des paramètres en ligne et hors ligne.Pour établir les performances d'apprentissage et de classification des algorithmes, nous avons mené des expériences sur la base d'enregistrements recueillis pendant la thèse et d'un ensemble de données publiques. Les résultats sont systématiquement comparés aux algorithmes de reconnaissance actuels