Développement d’un modèle basé sur le Machine Learning pour la reconnaissance d’activité humaine

Abstract

Avec l’avènement des objets connectés, les systèmes de reconnaissance d’activité humaine sont devenus un ensemble d’outils informatiques qui cherchent à identifier les activités quotidiennes d’un individu dans le but d’améliorer sa qualité de vie. Ceci constitue l’objectif de notre projet. Ce mémoire se concentre sur la reconnaissance d’activité humaine en utilisant le dataset mHealth, qui fournit des données précieuses sur les signaux de capteurs portables pour différentes activités. L’objectif principal de cette étude est de développer un modèle de classification efficace pour prédire les activités humaines à partir de ces données, nous avons étudié et comparé deux approches principales : l’apprentissage automatique. Pour l’apprentissage automatique nous avons utilisé quatre algorithmes populaires : les forêts aléatoires, machine à vecteurs de support, K-plus proches voisins, les arbres de décision ainsi que la combinaison des trois derniers. En ce qui concerne l’apprentissage profond, nous avons utilisé des réseaux neuronaux convolutifs (CNN) ainsi que des réseaux récurrents (BiLSTM et LSTM). Mots Clés : Reconnaissance d’activité humaine , apprentissage automatique, apprentissage profond