Human Activity Recognition approach for Energy Efficiency based on Deep Learning

Abstract

Ces dernières années, la reconnaissance de l’activité humaine a suscité une attention particulière en raison de ses applications dans les soins de santé, les maisons intelligentes et les systèmes de surveillance. Traditionnellement, les appareils portables et les approches basées sur la caméra ont été utilisés pour la reconnaissance des activités, mais ils s’accompagnent de limitations liées au confort de l’utilisateur, aux problèmes de confidentialité et aux exigences d’installation. Cependant, l’avènement de la technologie des capteurs et de l’Internet des objets (IoT) a ouvert de nouvelles possibilités de reconnaissance d’activité à l’aide de capteurs environnementaux. Cette thèse explore la faisabilité d’utiliser des capteurs environnementaux pour la reconnaissance de l’activité humaine et compare six modèles différents utilisant exclusivement des données de capteurs environnementaux collectées. La recherche consiste à établir un cadre de collecte de données robuste, à appliquer des techniques de prétraitement et à évaluer les modèles à l’aide de diverses mesures. Les résultats fourniront des informations précieuses sur le potentiel des capteurs environnementaux pour la reconnaissance des activités et guideront les chercheurs, les praticiens et les développeurs de systèmes dans la prise de décisions éclairées concernant la sélection de modèles et la conception de systèmes.