Intelligence ambiante et domotique pour le maintien à domicile: une nouvelle approche non supervisée de forage de données spatiotemporelles

点击翻译按钮获取中文摘要

Depuis quelques années, la discipline de l'intelligence ambiante connait un essor grandissant en informatique et en génie. Celle-ci se définit comme une combinaison entre la domotique, soit la distribution dissimulée de capteurs et d'effecteurs dans un habitat, et l'intelligence artificielle, le programme analysant les données. De nombreuses applications peuvent découlées de l'intelligence ambiante, notamment plusieurs liées au problème du vieillissement de la population. En effet, elle s'avère être une solution prometteuse pour le maintien à domicile des populations à profil gériatrique, tout en maximisant leur qualité de vie. Dans ce contexte, l'un des principaux défis se compose par l'élaboration des algorithmes capables de reconnaître les activités de la vie quotidienne (AVQ) d'un résident. La reconnaissance d'activités consiste à recueillir les données en provenance de ces capteurs, à les interpréter sous forme de modèles abstraits simples et de les associer à un modèle d'AVQ préexistant dans une base de connaissances. Deux approches nous permettent de nous attaquer au problème de la reconnaissance d'activités. Le principal inconvénient de la première, soit l'approche symbolique, est qu'elle définit les AVQ en langage formel et nécessite la construction fastidieuse d'une base de connaissances exhaustive. En revanche, l'approche du forage, telle que nous l'utilisons, construit automatiquement celle-ci. Le forage de données peut se définir comme le processus non trivial d'extraction d'informations implicites, nouvelles, et potentiellement utiles, à partir de grands volumes de données. Le présent programme s'organisera donc autour de deux volets de recherche. Le premier volet visera à améliorer en amont le forage de données par l'exploration de caractéristiques spatiotemporelles. Le principal défi scientifique est de parvenir à exploiter celles-ci tout en conservant la généralité des solutions. L'avantage qui en résulte sera de parvenir à définir les AVQ avec une granularité plus fine et d'ainsi améliorer la précision de la reconnaissance. Le second volet traitera d'une problématique en aval du forage : la dérive conceptuelle. Ce problème apparait lorsque les propriétés statistiques des variables, que les modèles essaient de prédire, évoluent au fil du temps. Afin d'éviter que ceux-ci dérivent trop des modèles appris, nous explorerons les techniques de forage prédictif et de forage incrémental de données.***En plus des avantages socioéconomiques énoncés en introduction, le financement de ces travaux de recherche permettra la création de propriété intellectuelle et de nouvelles connaissances scientifiques dans un domaine en plein essor. Ainsi, le transfert technologique permettra aux entreprises canadiennes d'innover et de se démarquer face l'économie compétitive des technologies de l'information et des communications.