Supervision et analyse de mouvements par un réseau de capteurs intelligents, application à la réhabilitation fonctionnelle
- 8 April 2026
- thesis
- Published by Agence Bibliographique de l'Enseignement Supérieur
Abstract
La reconnaissance des actions humaines (HAR), en particulier la supervision et le traitement de l’information basée sur les données de squelettes, permet de collecter des informations précieuses sur la dynamique du corps humain. Plusieurs modèles ont été proposés dans l'état-de-l'art pour fournir une solution efficace pour la reconnaissance d’actions ou de postures. Ces modèles reposent sur diverses architectures telles que les réseaux neuronaux convolutifs 2D/3D (CNN) et les réseaux neuronaux récurrents (RNN), avec un accent particulier sur les Long Short-Term Memory (LSTM) et les Gated Recurrent Units (GRU). Ces modèles offrent de bonnes précisions. Cependant, il est possible de trouver des méthodes encore plus performantes, par exemple, en tirant parti des dérivés des réseaux neuronaux convolutifs de graphes (GCN). L’objectif de cette thèse est d’utiliser des techniques de traitement d’images basées sur l’apprentissage automatique, le but est de reconnaître les différentes postures/actions d’un individu afin de prédire sa chute ou son malaise. Dans un premier temps, nous avons proposé un modèle (SIRFusion) de supervision et de traitement de données à partir d’une combinaison de capteurs de natures hétérogène. Nous avons obtenu de très bons résultats avec ce modèle. Cependant, le nombre de paramètre du modèle proposé est très conséquent. C’est pourquoi, nous avons proposé un modelé alternatif (ImpSGN) avec moins de paramètres en vue de l’implémenter sur une carte FPGA (matériel avec ressources limitées). Avec un nombre de paramètres nettement moins important, le modèle ImpSGN est comparable en termes de performances au modèle SIRFusion. L’implémentation étant réalisée avec l’outil Vitis-AI, il n’était pas possible de réaliser certaines opérations matricielles. Nous avons alors proposé un autre modèle (ResGCN-T) aussi léger que ImpSGN avec des performances comparables, mais qui intègre des calculs réalisables par l’outil Vitis-AI. Cette implémentation, qui a été réalisée et testée sur carte FPGA, représente la dernière étape de notre travail.Keywords
This publication has 209 references indexed in Scilit:
- Artificial Intelligence Accelerators Based on Graphene Optoelectronic DevicesAdvanced Photonics Research, 2021
- DDGCN: A Dynamic Directed Graph Convolutional Network for Action Recognition2020
- AR-Net: Adaptive Frame Resolution for Efficient Action Recognition2020
- End-to-End Object Detection with Transformers2020
- Structure-Aware Human-Action Generation2020
- Graph Convolutional Networks: Algorithms, Applications and Open Challenges2018
- Skeleton-Based Action Recognition with Spatial Reasoning and Temporal Stack Learning2018
- Videos as Space-Time Region Graphs2018
- Scaling Egocentric Vision: The "Equation missing" Dataset2018
- Adding Attentiveness to the Neurons in Recurrent Neural Networks2018