Vous êtes sur la page 1sur 6

1-Generalité sur la reconnaisance de l’activité humaine :

1.1-l’activité humaine :

Notons d’abord que "l’activité" est difficile à définir de manière


précise. Dans [1], il est mentionné que «l’activité est un ensemble
des mouvements corporels produits par la mise en action des
muscles squelettiques et entrainant une augmentation substantielle
de la dépense énergétique au-dessus du métabolisme de repos »
Selon le dictionnaire Larousse [2], c’est une " Action de se mouvoir,
de changer de place, de modifier la position d'une partie du corps   ".
Dans [3], l’activité est défini comme une «Action par laquelle un
corps ou quelqu'une de ses parties passe d'un lieu à un autre, d'une
place à une autre »
De façon générale, une activité peut être défini par une approche
fonctionnelle qui se réfère aux fonctions qu’il peut exécuter dans des
situations spécifiques.
Dans la littératures , sept groupes d’activités peuvent être distingues
selon le Domain , sont résumé dans le tableau suivant[4] :
1.2-la reconnaissance d’activités humaine :
La reconnaissance et la prediction de l'activité peut être définie comme étant «
l’ensemble des techniques et modèles statistiques ou quantitatifs permettant
d’identifier avec une certaine précision l’état de l’ensemble des mouvements
corporels, grace à l’utilisation de différents dispositifs et capteurs» [5-6].
la reconnaissance d'activité est un domaine de recherche émergent, né des
domaines plus vastes de l'informatique omniprésente, de l'informatique
contextuelle et du multimédia. Récemment, la reconnaissance des activités de
la vie quotidienne devient l'un des défis de l'informatique , dans le domaine de
la vision par ordinateur et le domaine du traitement du signal. Un grand
nombre d’applications de reconnaissance des actions humaines peuvent être
trouvées : la vidéo-surveillance, l’interaction homme-machine et l’indexation
des vidéos. Le but d’un système de reconnaissance d’activité humaine est
d’identifier les actions simples de la vie quotidienne (comme marcher, courir,
sauter ...) à partir des capteurs . Chacune de ces actions, réalisée par une seule
personne dans un laps de temps précis, doit être représentée par un modèle de
mouv0ement simple.
Bien qu’au cours de ces dernières années, de nombreuses méthodes ont été
proposées pour la reconnaissance et la compréhension des actions humaines, en
raison de l'arrivée de plates-formes de détection mobile abordables et peu
invasives telles que les smartphones de la disponibilité de différentes interfaces
sans fil, de la discrétion, de la facilité d'utilisation, de la puissance de calcul et
du stockage élevés, et de la disponibilité de capteurs, tels que l'accéléromètre, la
boussole et le gyroscope, qui répondent aux exigences matérielles techniques et
pratiques pour les tâches HAR [ 7 - 8 ]. De plus, les possibilités de
développement technologique d'autres applications sont toujours en cours, y
compris les systèmes de réalité virtuelle. Par conséquent, ces machines offrent
une grande possibilité pour le développement d'une technologie innovante
dédiée aux systèmes ALL.
1.3-equipements :
Les capteurs :
Ces dernières années, la miniaturisation des composants ainsi que la facilité de
leur intégration ont poussé plusieurs chercheurs à utiliser ces composants dans
leurs travaux de recherche parmis ces composants : « les capteurs » . La
présence de ces capteurs puissants dans les téléphones intelligents
nous a permis de les utiliser et de les manipuler pour effectuer diverses
tâches .
potentielles dans le domaine de la santé. Les capteurs sont des dispositifs qui
peuvent être utilisés pour détecter l’interaction entre une personne et son
environnement. Il existe une grande variété de capteurs qui diffèrent les unes des
autres en termes de prix, de facilité d’installation et de type de données en
sortie . Le tableau 2.1 illustre un ensemble de types de capteurs et certaines
considérations de leur utilisation[9].

Un certain nombre de capteurs ont déjà été explorés pour extraire des
informations liées à l'activité [10-11].
Ils mesurent plusieurs attributs, notamment les signes vitaux (par exemple, la
fréquence cardiaque, la température corporelle, la pression artérielle), les
signaux environnementaux (par exemple l'intensité lumineuse, la température,
les niveaux sonores), le mouvement (par exemple l'accélération, la vitesse) et le
positionnement (par exemple l'emplacement global et intérieur).
En fonction de l'emplacement du capteur par rapport à l'utilisateur, les
mécanismes de détection sont classés en: ambiant, lorsque les capteurs sont dans
des emplacements statiques de l'environnement et portables, lorsqu'ils sont
portés ou attachés au corps de l'utilisateur. Ces deux catégories sont détaillées
comme suit. En outre, des exemples de capteurs dans ces deux catégories sont
représenté sur la Fig. 2.1.
1-capteurs ambients :
Les capteurs ambiants, également appelés capteurs externes ou
environnementaux, sont la collection d'appareils trouvés dans l'environnement
qui mesurent les propriétés physiques concernant l'environnement, les
utilisateurs qui en font partie et leur interaction. Il existe une large gamme de
capteurs ambiants tels que des microphones, des caméras vidéo, des capteurs de
présence, des thermomètres et des capteurs de profondeur.
les systèmes vidéo peuvent être très efficaces pour HAR, mais ils sont quelque
peu désavantageux en raison de leurs calculs exigeants (par exemple pour
obtenir un fonctionnement en temps réel) et des problèmes de confidentialité.
2-Capteurs portables :
Des capteurs portables sont utilisés pour recueillir des signaux directement
auprès des utilisateurs.
Ils sont généralement attachés à différentes parties du corps telles que la taille, le
poignet, la poitrine, les jambes et la tête [12]
mais également adapté aux vêtements et intégré dans d'autres accessoires
d'usage courant tels que montres, lunettes ou téléphones portables [13].
Ils contiennent une unité de batterie qui fournit l'alimentation en énergie pour un
fonctionnement continu et, certains d'entre eux, ont également une unité sans fil
pour la transmission de données de capteur lorsque cela est nécessaire à
l'extérieur ou pour les interfacer avec d'autres appareils portés par le corps.
Les signaux physiologiques et de mouvement obtenus à partir de capteurs
portables sont très informatifs pour HAR. La température de la peau, la
fréquence cardiaque, le flux de chaleur, la conductivité, la localisation du
système de positionnement global (GPS) et le mouvement du corps sont
quelques exemples de variables qui peuvent être mesurées avec les technologies
de capteurs portables actuelles [14]. Ceux-ci peuvent être pratiques, par
exemple, dans des applications de soins de santé où il est possible de les
exploiter pour la surveillance continue des patients et la détection d'un état de
santé émergent.
Contrairement aux capteurs ambiants, les capteurs portables présentent des
avantages en termes d'intimité et de zone d'opération. Dans le premier cas, les
utilisateurs sont moins réticents à les utiliser partout où il n'y a pas de capture
d'images ou de vidéo. Deuxièmement, étant donné que ces capteurs sont
toujours portés par l'utilisateur, ils sont omniprésents et leur couverture
géographique est pratiquement sans contrainte. Ils ont également l'avantage
d'être très portables et ne nécessitent pas d'équipement fixe.
Le bon choix de capteurs est l'un des premiers éléments à prendre en compte
pour la conception des systèmes HAR.
Dans le cadre de cette recherche, nous utilisons les smartphones , car ils sont
désormais dotés de nombreux capteurs internes, dont certains peuvent être
exploités et influencées par la composante de gravité dans la détection de
l'accélération des mouvements du corps et sont donc appropriés pour
l'identification des activités humaines.
Parmi ces capteurs, on peut trouver les capteurs cinématiques embarqués tels
que les accéléromètres tri-axes qui calculent trois accélérations linéaires selon
trois axes orthogonaux de l’objet sur lequel ils sont fixés. On trouve aussi les
gyroscopes qui délivrent une mesure de la vitesse angulaire instantanée autour
d’un axe. On trouve également les capteurs de détermination de position tels que
le système de localisation mondial (Global Positioning System : GPS) qui
donnent une indication de l’endroit où une personne se trouve. dans notre cas en
va pas utilisé le gps car il est affectés par des facteurs externes tels que la
mauvaise réception des signaux intérieurs .
.
Reference :
[1] ] K. E. Powell, P. D. Thompson, C. J. Caspersen, et J. S. Kendrick, «
Physical activity and the incidence of coronary heart disease », Annual review
of public health, vol. 8, no 1, p. 253–287, 1987.
[2] https://www.larousse.fr/dictionnaires/francais/activit%C3%A9/947
[3] https://dicocitations.lemonde.fr/definition_littre/34508/Mouvement.php
[4] O. D. Lara and M. A. Labrador. A survey on human activity recognition
using wearable sensors. IEEE Communications Surveys and Tutorials,(to
appear), 2012
[5] M. Chen, Y. Miao, Y. Hao, et K. Hwang, « Narrow band internet of things »,
IEEE Access, vol. 5, p. 20557–20577, 2017.
[6] ] D. Riboni et C. Bettini, « Context-aware activity recognition through a
combination of ontological and statistical reasoning », in International
Conference on Ubiquitous Intelligence and Computing, 2009, p. 39–53.
[7]Ó. D. Lara et MA Labrador, «Une enquête sur la reconnaissance de l'activité
humaine à l'aide de capteurs portables», IEEE Communications Surveys and
Tutorials , vol. 15, non. 3, p. 1192–1209, 2013.Voir sur: Site de
l'éditeur | Google Scholar
[8]JLR Ortiz, Reconnaissance de l'activité humaine par téléphone intelligent ,
Thèses Springer, 2015
[9] © Springer International Publishing Switzerland 2015
J.L. Reyes Ortiz, Smartphone-Based Human Activity Recognition, Springer
Theses,
DOI 10.1007/978-3-319-14274-6_8
[10] Lara, M. Labrador, A survey on human activity recognition using wearable
sensors. IEEE Commun. Surv. Tut. 1, 1–18 (2012)
[11] Chen, J. Hoey, C.D. Nugent, D.J. Cook, Z. Yu, Sensor-based activity
recognition. IEEE Trans. Syst. Man Cybern. B Cybern. Part C Appl. Rev. 42,
790–808 (2012)
[12] Ravi, D. Nikhil, P. Mysore, M.L. Littman, in Activity Recognition from Accelerometer Data.
Innovative Applications of Artificial Intelligence (2005)

[13] Brezmes, J.L. Gorricho, J. Cotrina, in Activity Recognition from Accelerometer Data on a Mobile
Phone Soft Computing, and Ambient Assisted Living. Distributed Computing, Artificial Intelligence,

Bioinformatics, 2009

[14] G.-Z. Yang, M. Yacoub, Body Sensor Networks (Springer, London, 2006)

[15]