Stage
Etude comparative des performances de techniques de classification de données multicapteurs pour l’analyse d’activités de personnes fragiles dans un environnement domestique
Date de publication
12.01.24
Prise de poste souhaitée
01.04.24
L’offre de stage s’inscrit résolument dans l’IA pour la santé et particulièrement sur la télé-assistance pour le maintien à domicile de personnes âgées fragiles. Elle vise à explorer et à confronter diverses méthodes d'analyse des comportements afin de décoder les schémas de vie domestique des personnes en cours d’études. Il comprend l'utilisation de méthodes de clustering telles que les méthodes Gaussian Mixture Model et le Clustering Hiérarchique pour repérer des motifs dans les données comportementales. L'objectif est d'évaluer la précision de ces méthodes et leur capacité à construire des modèles, par apprentissage automatique, les plus précis possibles. Outre la précision, la capacité de calcul nécessaire ainsi que le temps de calcul seront étudiés, avec des réflexions quant à une possible implémentation des approches en embarqué au plus près des capteurs. Le stage utilisera également des méthodes d'analyse factorielle et de réduction de dimensionnalité pour visualiser les données en deux ou trois dimensions. Différentes approches telles que t-SNE, UMAP, et d'autres seront comparées pour obtenir des représentations visuelles des données. Enfin, le stage explorera des techniques de classification telles que les SVM, les Forêts Aléatoires et les Réseaux de Neurones pour anticiper les comportements des occupants et prédire des situations potentiellement à risques (baisse de mobilité et d’activités, immobilité suspecte, isolement social, dégradation dans la prise de repas…). Les résultats obtenus devront permettre d’améliorer la qualité des diagnostics établis sur le niveau de risque d’une situation anormale qui se base sur l’évolution des indicateurs retenus (mobilité, utilisation des équipements domestiques) dans le temps.
Profil : Ingénieur(e)/Master issu(e) d’une formation d’intelligence artificielle/modélisation
Durée : 6 mois
Encadrement : Eric Campo (S4M), Damien Brulin (S4M)
Contact : campo@laas.fr, dbrulin@laas.fr
Mots clés : Monitoring, machine learning, IA en santé, téléassistance
Indemnisation : oui