Résumé:
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
