Réalisation des objectifs fixés

Pour arriver à concevoir une approche complète permettant l’assistance technologique des personnes atteintes de la maladie d’Alzheimer, qui est l’objectif ultime de ce travail, nous nous sommes imposé des objectifs intermédiaires cités à l’introduction.

Le premier objectif visé consiste en une étude approfondie de la maladie d’Alzheimer pour nous permettre de proposer des solutions aux différentes erreurs que ses patients sont susceptibles de commettre. La lecture et l’analyse de plusieurs livres et publications sur cette maladie [10], [12], [13] nous ont permis d’adapter notre approche à certaines erreurs non considérées par la majorité des approches existantes, comme les erreurs d’initiation. En fait, ces approches se basent seulement sur les récentes actions

détectées pour reconnaître l’activité entamée. Le problème avec les erreurs d’initiation c’est que l’agent-acteur n’est plus capable d’amorcer son activité. Donc, aucune action ne sera effectuée ni détectée, ce qui empêche ces approches de reconnaître l’activité et de l’assister. Une méthode de prédiction des temps de début des activités a été intégrée à notre approche dont un de ses objectifs est la réponse à ce genre d’erreurs.

Le grand volume des données générées par les senseurs rend l’utilisation des techniques de la fouille de données quasiment indispensable. Notre deuxième objectif consistait donc à maitriser ces techniques afin de choisir parmi elles celles qui répondront le mieux aux différents problèmes rencontrés lors de la conception de notre approche. L’étude exhaustive des techniques de la fouille de données nous a permis de choisir l’algorithme C-means pour l’intégrer dans notre nouvel algorithme de création des modèles d’activités. Elle nous a permis aussi de comprendre les approches existantes de reconnaissance d’activités qui utilisent ces techniques.

Notre troisième objectif consistait à effectuer un état de l’art sur les différents types d’approches de reconnaissance d’activités déjà existantes. La lecture et la compréhension d’un grand nombre de publications [7], [8], [14], [29] destinées à différentes catégories de reconnaissance d’activités comme les approches basées sur la vision, sur les senseurs portables, sur les objets, les approches supervisées et non supervisées et les approches en ligne et hors ligne, nous a permis de bien situer notre travail et de le perfectionner en profitant des avantages et en évitant les inconvénients des autres approches étudiées. Elle nous a permis aussi d’éviter de développer une approche déjà existante sans apporter une réelle contribution.

Le quatrième objectif visait la création d’une nouvelle approche pour l’assistance technologique conçue à la lumière des étapes précédentes. Notre approche, expliquée au chapitre 4, est une approche à l’insu, basée sur les objets, hors-ligne et non supervisée. Elle travaille directement sur les données générées par les senseurs. Le grand volume de ces données représentait le premier problème que nous avons rencontré. La solution que nous avons proposée consiste à commencer notre approche par une étape de réduction de données en ne considérant que les senseurs activés ainsi que leurs temps d’activation au lieu de toutes les mesures de tous les senseurs. Ensuite, nous avons divisé le processus de reconnaissance d’activités en trois étapes; la création des modèles d’activités, la réduction du nombre d’hypothèses et la recherche de l’activité entamée. Pour la création des modèles d’activités, nous avons développé un nouvel algorithme capable d’extraire les sous-séquences fréquentes et homogènes, qui représentent les modèles d’activités, à partir des données transformées. Il faut noter que les modèles d’activités créés par cet algorithme comportent l’estimation du temps habituel entre deux senseurs adjacents représentée sous forme d’intervalles temporels. Pour la réduction du nombre d’hypothèses, nous avons utilisé le modèle ARIMA des séries temporelles pour prédire le temps de début de chaque modèle d’activité en fonction du jour de la semaine. Ces prédictions nous ont permis de définir l’activité la plus probable (utilisée pour répondre aux problèmes d’initiation et celui de l’équiprobabilité) et de rechercher l’activité entamée parmi un sous ensemble limité de modèles d’activités sélectionnés selon leurs distances du temps de reconnaissance (réponds au problème du nombre d’hypothèses). Pour la recherche de l’activité entamée, nous avons programmé un réseau bayésien, composé du sous-ensemble de l’étape précédente, dont les probabilités initiales sont

déterminées selon les distances entre les temps de début prédits et le temps de reconnaissance. Ces probabilités sont par la suite mise à jour selon l’appartenance des récents senseurs activés aux modèles d’activités. La dernière étape de notre approche consiste à détecter les erreurs éventuelles. La solution proposée dans cette approche consiste à utiliser le modèle VAR des séries temporelles pour prédire les temps d’activations des senseurs qui composent l’activité reconnue et de déclencher une erreur quand le temps courant dépasse le temps d’activation d’un senseur sans qu’il soit activé.

Notre dernier objectif visé consiste à valider notre approche dans un contexte réel d’assistance. Nous avons donc effectué nos expériences au LIARA où une centaine de senseurs y sont installés. Avec l’impossibilité d’observer une personne atteinte de la maladie d’Alzheimer pour une assez longue période au sein du LIARA, nous avons simulé, pendant 28 jours, la procédure du réveil qui comporte six activités : Se réveiller,

Utiliser toilette, Se laver les mains, Prendre une douche, Préparer le café et Quitter la maison. Les résultats étaient satisfaisants et nous ont permis de déterminer les points forts

et les faiblesses de notre approche.

Il faut signaler que les différentes étapes de notre approche ont fait l’objet de plusieurs publications [19], [35], [38] et que l’approche complète a été publiée dans le fameux journal Springer de l’intelligence ambiante et l’informatique humanisée "Ambient Intelligence and Humanized Computing" (AIHC) [9].