• Doctorant:
  • Sara Kebir
  • Co-directeurs de thèse :
  • Cécile Carra (LEM)
  • Karim Tabia
  • Financement : ANR, Artois
  • Thèse soutenue le :
  • 20 déc. 2023

La prise en charge des personnes âgées souhaitant vieillir à domicile représente l’un des problèmes majeurs liés à l’accroissement significatif de la population âgée en France. Une des solutions techniques pouvant répondre à cette problématique est la maison intelligente spécialement conçue pour les personnes âgées qui peut apporter de réels avantages pour leur santé et leur bien-être, en plus du confort, de la sécurité et des économies d’énergie qu’elle peut leur offrir. C’est dans ce contexte que s’inscrit cette thèse, interdisciplinaire entre l’informatique et les sciences sociales, qui vise à promouvoir le bien vieillir à domicile en relevant les défis techniques liés à la conception de la solution tout en tenant compte de son acceptabilité par les usagers âgés.

Au cours de cette thèse, une collecte de données a été réalisée en Hauts-de-France, à travers des entretiens semi-directifs et en utilisant des capteurs portables et environnementaux. Cette phase avait un double objectif. Il s’agissait d’une part, d’identifier les besoins des personnes âgées en conditions réelles et d’analyser leur attitude envers la technologie, ainsi que leur acceptation de ce type de solutions. D’autre part, de recueillir des données réelles sur leurs activités quotidiennes. Ce qui nous a permis de créer une base de données pour répondre de manière adaptée aux besoins identifiés qui sont principalement liés au maintien de leur bien-être et à la détection des situations d’urgence du quotidien. À cet effet, une détection des anomalies liées au sommeil et à l’activité physique des personnes âgées participant à notre expérience a été réalisée en proposant des solutions pour faire face aux aléas du travail sur le terrain. Des défis qui sont notamment liés à la rareté des données réelles collectées, au problème d’étiquetage et à la disparité des profils étudiés. Par conséquent, une stratégie d’étiquetage statistique, une augmentation de données issues des capteurs, ainsi qu’un entraînement individuel ont été mis en œuvre.

Afin de rendre la solution personnalisée, légère en termes de temps d’exécution et de mémoire consommée, et plus fiable dans le temps, une approche évolutive basée sur l’apprentissage incrémental a été proposée. L’objectif est de faire face à la dérive de concepts tout en étudiant et en tenant compte de l’impact de cette dernière sur la calibration et les explications fournies dans un tel scénario et sous une configuration à ressources limitées. Enfin, une méthode de calibration de classifieurs basée sur le conditionnement de Jeffrey a été proposée afin de renforcer la fiabilité et la confiance en les décisions prises par l’IA dans ce contexte.