Reconnaissance du contexte physique du smartphone

Le problème du contexte du smartphone a été évoqué dans la section précédente par

la position variable de l’appareil sur le corps du volontaire qui le porte. Dans la suite, nous

présentons plusieurs études pour compléter la description du contexte du smartphone.

2.2.4.1 Le problème du contexte du smartphone

Selon Lane et coll. (2010), le problème du contexte du smartphone réside dans la

varia-bilité de son environnement immédiat qui peut avoir une influence sur les mesures des

cap-teurs. Les auteurs proposent l’exemple d’un enregistrement sonore effectué dans une poche

ou dans un sac et qui est perturbé par l’atténuation ou les frottements de l’appareil avec le

tissu ou les objets à proximité. La position du smartphone sur le corps peut aussi changer la

perception du mouvement, comme nous l’avons déjà introduit. Nous évoquons à ce sujet les

travaux de Bouten et coll. (1997) qui ont montré que les accélérations mesurées sur le corps à

l’occasion d’activités physiques varient en fréquence et en amplitude suivant le membre du

de la position de l’appareil et évoquent également son orientation, qui peut modifier les

mesures des capteurs inertiels. En effet, comme nous l’expliquons dans la section 6.1.1, la

mesure fournie par les accéléromètres inclut une projection de l’accélération de pesanteur

terrestre (ou gravité). Cette projection varie suivant l’orientation de l’appareil (et des

accélé-romètres embarqués) si bien que, pour une même activité et une même position de

l’appa-reil sur le volontaire, les valeurs des mesures seront différentes suivant l’orientation.

Plusieurs solutions sont proposées pour résoudre le problème du contexte du

smart-phone. La première concerne la position de l’appareil et consiste à intégrer dans le corpus

d’entraînement des données collectées par le smartphone positionné à différents endroits.

C’est ce qu’ont proposé Lester et coll. (2006) pour leur système de reconnaissance d’activités

physiques. Dans l’étude, trois positions sont considérées : l’épaule, le poignet et la taille. Les

résultats du système entraîné et testé avec des données des trois positions sont aussi bons

que les résultats de classifieurs entraînés et testés seulement sur les données d’une position.

Pour résoudre le problème de l’orientation du téléphone, une solution simple consiste à

considérer des descripteurs invariants tels que la norme des valeurs des trois axes pour les

capteurs inertiels (Hoseini-Tabatabaie et coll. (2013), Siirtola et coll. (2013)). Cette solution

a le désavantage de perdre une partie de l’information contenue dans les valeurs des

diffé-rents axes. Lu et coll. (2010) proposent une méthode qui transforme le vecteur d’accélération

du repère de l’appareil dans le repère de coordonnées de l’utilisateur (ou repère terrestre).

Sans boussole, il n’est pas possible de calculer les projections sur les 3 axes du repère, mais

les auteurs parviennent à obtenir une projection sur l’axe vertical et une autre dans le plan

horizontal, qui permet de connaître la direction du vecteur d’accélération.

2.2.4.2 Reconnaissance du contexte du smartphone

Une autre approche pour le problème du contexte du smartphone consiste à reconnaître

la position de l’appareil. Cette solution est intéressante dans le cadre de cette thèse car

l’in-formation de position peut être intégrée aux inl’in-formations de contexte fournies aux

applica-tions tierces.

Les études que nous rapportons emploient le microphone et l’accéléromètre pour

recon-naître la position de l’appareil, par apprentissage sur des données collectées et annotées.

Ainsi, Miluzzo et coll. (2010) proposent un système pour la classification d’ambiances

so-nores collectées et étiquetées dans deux positions : à l’intérieur et à l’extérieur d’une poche.

La représentation des ambiances combine des MFCC et des modèles GMM et SVM (Support

Vector Machineen anglais, système à vastes marges en français). Brièvement, le SVM

repré-sente les données dans un espace à plusieurs dimensions et détermine des hyperplans pour

séparer l’espace en sous-espaces les plus homogènes possibles relativement aux classes

ap-prises. Le corpus de données contient 15 minutes d’enregistrements sonores dans chacune

des positions, affectées équitablement à l’entraînement et à l’évaluation. Les auteurs

rap-portent des taux de reconnaissance de 80 % pour les deux positions du smartphone.

Diaconita et coll. (2014) ont proposé un système de reconnaissance de position du

acoustiques connues ; le son est atténué par l’environnement immédiat de l’appareil (une

poche de pantalon ou un sac par exemple) et enregistré par le système ; la classification

s’opère sur l’enregistrement du son atténue pour identifier la position. Ainsi, les auteurs

ont constitué un corpus d’enregistrements sonores dans plusieurs positions communes du

smartphone (dans un sac à dos, posé sur une surface, tenu à la main ou rangé dans une

poche) et dans plusieurs environnements sonores (le bus, le bureau, le tramway, l’extérieur

et le train). Pendant les enregistrements, un signal particulier est joué et enregistré. Le

vo-lume du signal est fixé à la moitié du vovo-lume maximal possible sur le téléphone employé ce

qui, d’après les auteurs, atténue fortement le bruit en environnement bruité ainsi qu’en

envi-ronnement calme si l’appareil est dans un sac. L’évaluation vise à classifier l’envienvi-ronnement

et la position du smartphone parmi toutes les combinaisons possibles des deux. Les auteurs

ont comparé plusieurs classifieurs (arbre de décision, forêt d’arbres décisionnels (RF) ou

encore GMM) et descripteurs (dont les MFCC qui ont donné les meilleurs résultats). Avec la

combinaison de la forêt d’arbres décisionnels et des MFCC, les auteurs rapportent un taux de

classification de 96 % suivant une évaluation en validation croisée à 10 sous-ensembles sur

les enregistrements sonores. Une autre expérience de classification a été menée sans

l’émis-sion d’un son connu. Cette fois, la classification est effectuée à partir du seul son de

l’en-vironnement et vise à reconnaître la position et l’enl’en-vironnement. Le taux de classification

obtenu chute à 71 % et les auteurs remarquent des confusions de position dans un même

environnement. L’étude est intéressante car elle montre que, dans des conditions

d’expéri-mentation et d’évaluation contrôlées, il est possible de reconnaître la position d’un appareil

grâce au son.

Park et coll. (2012) ont abordé le problème par la reconnaissance des données

d’accé-lérations. Celles-ci sont collectées auprès de 14 volontaires pendant une activité de marche

réalisée avec le téléphone situé dans quatre positions considérées comme fréquentes : tenu

à la main ; porté à l’oreille ; rangé dans la poche d’un pantalon ; rangé dans un sac. Un SVM

est employé comme classifieur pour apprendre et reconnaître les positions. Les auteurs

rap-portent un taux global de 95 % de bonne classification, suivant une validation croisée avec

un sujet laissé de côté (LOSOCV).

Enfin, nous rapportons les résultats d’une expérimentation de reconnaissance de

posi-tion du smartphone que nous avons réalisée (Blachon et coll. (2014a)). Le corpus et le

pro-tocole sont décrits dans la section 3.4.2 et l’expérimentation est présentée plus précisément

dans la section 6.2.1. Brièvement, nous avons fait appel à 19 volontaires qui ont réalisé un

ensemble d’activités physiques. Pour la collecte, plusieurs smartphones étaient positionnés

sur les volontaires (dans la poche avant du pantalon, dans le sac et à la main) et ont

enregis-tré en continu des données sonores et d’accélérations. Avec des classifieurs à base d’arbres

de décision (C4.5 et forêt d’arbres décisionnels), et suivant une validation croisée à 10

sous-ensembles, nous avons obtenu des résultats de classification supérieurs à 80 %, pour les trois

configurations de descripteurs testés (accélérations et audio testés individuellement, puis en

combinaison).

2.2.4.3 Bilan de la reconnaissance du contexte du smartphone

Avec cette étude, nous remarquons que le contexte du smartphone peut influencer la

mesure et l’interprétation des données. Il paraît donc pertinent de le considérer dans le

pro-blème général de reconnaissance de scène. À notre connaissance, le contexte du smartphone

est représenté par sa position et son orientation. Nous avons décrit plusieurs stratégies pour

limiter l’influence de l’orientation. Nous avons aussi rapporté des travaux sur la

reconnais-sance du smartphone, qui peut être abordée avec des capteurs inertiels et acoustiques. Ces

travaux sont pertinents pour l’application industrielle car l’information de la position du

smartphone peut être intéressante à fournir.

Dans le document Reconnaissance de scènes multimodale embarquée (Page 36-39)