Recherche de l’activité entamée

À ce stade, l’ensemble des activités que l’agent-acteur a l’habitude d’effectuer au moment de la recherche est sélectionné. Il reste à trouver, parmi cet ensemble, l’activité entamée ou celle qui doit l’être dans le cas où le patient rencontre des problèmes

d’initiation. Un réseau bayésien est utilisé pour ce fait. Les probabilités initiales de ce système sont calculées en se basant sur ces deux règles :

 Plus l'heure courante est proche de la fin d'un intervalle d'une activité, plus la probabilité de cette activité est élevée. Si nous revenons à la Figure 14 et que nous supposons que l'heure courante est T1, alors l'activité 2 (•) est plus probable que la première puisque T1 est plus proche de la fin de l'intervalle de l'activité 2, symbolisé par le petit crochet, que celui de l'activité 1. La relation que nous utilisons pour ce calcul est :

𝑃_𝑖1= 1 − 𝑇𝑓− 𝑇𝑐 𝐷

où Tf et Tc sont respectivement l'heure de fin de l'intervalle et l'heure

courante, et D est la durée de l'intervalle : D = (Tf- Td), sachant que Td est

l'heure de début de l'intervalle.

 Plus le pourcentage d'apparition d'une activité avant l'heure courante au sein d'un intervalle est grand, plus la probabilité de cette activité est élevée. En d'autres termes, le patient a plus l'habitude d'effectuer cette activité avant l'heure courante qu'après. Toujours dans la Figure 14, si Tc = T2, alors l'activité 1 sera la plus probable; puisque, avant T2 l'activité 1

apparaît 5 fois sur un total de 7, soit un pourcentage de 71%, tandis que l'activité 2 apparaît 2 fois sur un total de 5, soit un pourcentage de 40%. La relation que nous utilisons pour ce calcul est :

𝑃_𝑖2= 𝑁𝑎𝑐 𝑁_𝑡

où Nac et Nt sont respectivement le nombre avant l'heure courante et le

nombre total de l'activité dans l'intervalle.

En fin, la probabilité initiale, qui est utilisée pour prédire l’activité qui doit être entamée, est calculée :

𝑃𝑖 = 𝑃𝑖1+ 𝑃𝑖2

Les probabilités du réseau bayésien se mettent à jour pour prendre en considération les actions observées de l’agent-acteur. Chaque fois qu’un senseur est activé, la probabilité des activités, qui contiennent ce senseur, est augmentée tandis que celle des activités qui ne le comportent pas est diminuée. Enfin, l’activité avec la probabilité la plus élevée est l’activité reconnue.

Pour valider notre approche, nous avons choisi la technique du 90/10 en n’utilisant que 25 jours dans les précédentes étapes et en consacrant les données des trois derniers jours aux tests. Nous avons aussi introduit des erreurs dans les données pour simuler les erreurs susceptibles d’être commises par le patient et les résultats sont représentés dans le Graphe1:

 Normal : Les résultats ont été enregistrés après avoir donné au système les mêmes données des trois derniers jours d'observation du patient.

 Initiation : aucune action n'est introduite au système. Les résultats ont été enregistrés en se basant juste sur les probabilités initiales.

 Réalisation : les données introduites au système comportent des actions ajoutées ou supprimées pour simuler des erreurs de réalisation.

 Exécution : les actions introduites au système ne sont pas dans le bon ordre afin de simuler des erreurs d'exécution.

Graphe 3-1. Résultats de tests du système

Les résultats obtenus montrent l’efficacité du système à reconnaître et prédire les activités. Même si nous imposons un ordre strict aux senseurs qui composent l’activité, le pourcentage de reconnaissance des activités avec des erreurs de séquence est élevé puisque la position du senseur n’est pas considérée lors de la mise à jour de la probabilité. Le problème majeur dont souffre ce système est la représentation des intervalles temporels des habitudes de l’agent-acteur qui est toujours la même pour les différents jours de la semaine, sachant que ces habitudes peuvent changer selon le jour de la semaine.

3.6 Conclusion

Ce chapitre avait pour objectif de présenter un état de l'art sur la reconnaissance d'activités. Nous avons commencé par définir les activités que nous allons essayer de reconnaître (AVQB et AVQI) et le type de collaboration de l’agent acteur avec l’agent observateur qui nous a orienté vers une reconnaissance à l’insu. Puis, nous avons montré comment le choix des senseurs influence le type de l'approche utilisée. L'utilisation de caméras, par exemple, nous oriente vers des approches basées sur la vision. Le travail de

0 20 40 60 80 100

Spriggs et al. [17] en est un bon exemple où la segmentation temporelle est utilisée pour diviser la séquence vidéo enregistrée par la caméra en plusieurs clusters représentant chacun une action. Ces actions sont classifiées afin de reconnaître l'activité entamée. Cette approche souffre tout de même de quelques inconvénients. Elle ne réduit pas le nombre d'hypothèses, le traitement est lourd et elle ne préserve pas l'intimité de la personne observée. Nous avons par la suite présenté d’autres exemples expliquant les autres types de reconnaissance d’activités. Les travaux de Lara et al. [97] et Maurer et al. [99] ont été choisis pour représenter les approches de reconnaissance d’activités basées sur les senseurs portables. Nous avons vu comment les signaux générés par ces senseurs peuvent être segmentés et classifiés pour reconnaître les activités. Pour les approches supervisées basées sur les objets, nous avons détaillé le travail de Suryadevara et al. [15] où la personne observée notait dans une feuille les activités entamées pour faciliter la classification. Un autre travail que nous avons présenté est celui de Jakkula et Cook [16] qui fait partie des approches basées sur les objets, mais d’une manière non supervisée. Dans ce travail, les auteurs analysent l'historique de la personne observée pour créer des relations temporelles, entre ses activités, du genre : activité 1 vient après activité 2. La prochaine activité qui sera effectuée par la personne observée sera donc inférée à partir des activités détectées et leurs relations avec les autres activités. Parmi les limitations de cette approche, les calculs effectués sont assez lourds pour une application en temps réel et le nombre d'hypothèses n'est pas réduit. Le dernier type d’approches expliqué concernait les approches de reconnaissances d’activités en ligne et nous avons pris comme exemple le travail de Ordonez et al. [8]. Dans ce travail, l’apprentissage se fait

directement sur le flux de données généré par les senseurs pour considérer toute modification dans les habitudes de la personne assistée.

Avant de conclure ce chapitre, nous avons expliqué notre première approche qui commence par la création des modèles d’activités composés de séquences fréquentes de senseurs activés. Les heures de débuts de ces modèles sont résumées par la suite dans des intervalles temporels qui représentent les périodes où l’agent-acteur est habitué à effectuer ses activités. Au moment de la reconnaissance, seuls les modèles d’activité qui possèdent un intervalle temporel contenant l’heure courante sont considérés dans la recherche et celle avec la probabilité la plus élevée est prédite ou reconnue comme l’activité entamée. Deux problèmes majeurs dont souffre notre approche ont inspiré notre nouvelle approche qui sera présentée au chapitre suivant : le temps entre deux senseurs n’est pas considéré dans l’algorithme de création des modèles d’activités ce qui empêche l’agent ambiant de détecter les erreurs du patient et les intervalles temporels qui résument les habitudes de l’agent-acteur sont créés pour tous les jours et non pas pour chaque jour de la semaine, surtout que nos habitudes pour la fin de semaine, par exemple, sont très différentes de celles des autres jours de la semaine.

Chapitre 4