Conception d’une technologie ambiante d’assistance domiciliaire pour un patient âgé

Abstract

À mesure que les personnes vieillissent, leur besoin de soins augmente. Avec la croissance de la population âgée mondiale, il est important que ces soins soient dispensés efficacement. L'augmentation des coûts des soins infirmiers et le manque de soignants ont conduit à un besoin accru de vie assistée à domicile. Les soins de santé à domicile pour les personnes âgées sont devenus un domaine de recherche actif, en particulier en ce qui concerne la reconnaissance des activités humaines et la détection des anomalies dans ces activités. La surveillance automatique de la santé est un moyen peu coûteux d'obtenir les informations nécessaires pour fournir des soins efficaces et précis aux personnes âgées. Les Activités de la Vie Quotidienne (ADL) sont une méthode courante pour évaluer le bien-être cognitif et physique des personnes âgées. Ces activités, telles que la marche, la course et le sommeil, sont effectuées quotidiennement. Cette thèse de doctorat examine la reconnaissance des activités humaines (HAR) et la détection des anomalies chez les personnes âgées vivant dans des maisons intelligentes, en utilisant des capteurs portables et des techniques avancées de deep learning. Les données sont collectées à l'aide d'accéléromètres, de gyroscopes et de magnétomètres, puis traitées à l'aide de réseaux de neurones convolutionnels (CNN), de réseaux de mémoire à long terme (LSTM) et de modèles hybrides CNN-LSTM. Ces modèles classifient les activités quotidiennes et détectent les anomalies en temps réel, améliorant ainsi la sécurité et l'autonomie des personnes âgées. Les résultats expérimentaux montrent une grande précision dans la reconnaissance des activités et une détection efficace des anomalies, offrant des avancées significatives pour la gestion de la santé et la réponse aux urgences dans les environnements de maisons intelligentes. Ma thèse comporte deux contributions. Premièrement, j'ai développé un système intelligent de reconnaissance des activités humaines basé sur des capteurs portables et le deep learning. Les modèles proposés ont été mis en œuvre sur un ensemble de données réelles, et le modèle hybride CNN Multi-heads-LSTM a obtenu les meilleures performances, avec une précision de 98,69%. Deuxièmement, j'ai proposé un nouvel algorithme hybride inspiré de la nature PGTO pour améliorer la performance de DFFNN, et je l'ai testé sur le problème de la détection des anomalies dans les activités humaines chez les personnes âgées. Les résultats montrent que l'approche proposée a amélioré les performances de détection. مع تقدم الأشخاص في السن، تزداد حاجتهم للرعاية. ومع نمو السكان المسنين في العالم، يصبح من المهم تقديم هذه الرعاية بشكل فعال. أدى ارتفاع تكاليف الرعاية التمريضية ونقص مقدمي الرعاية إلى زيادة الحاجة إلى العيش المساعد في المنزل. أصبحت الرعاية الصحية المنزلية للمسنين مجالاً نشطاً للبحث، خاصة فيما يتعلق بالتعرف على الأنشطة البشرية واكتشاف الشذوذ في هاته الأنشطة. تعد المراقبة الصحية الآلية وسيلة غير مكلفة للحصول على المعلومات اللازمة لتقديم رعاية فعالة ودقيقة للمسنين. تعد أنشطة الحياة اليومية ) (ADLطريقة شائعة لتقييم الرفاهية المعرفية والجسدية لكبار السن. تُمارس هذه الأنشطة، مثل المشي والجري والنوم بشكل يوميًا. تدرس هذه الأطروحة التعرف على الأنشطة البشرية ) (HARواكتشاف الشذوذ لدى كبار السن الذين يعيشون في المنازل الذكية، باستخدام أجهزة استشعار قابلة للارتداء وتقنيات التعلم العميق. يتم جمع البيانات باستخدام مقاييس التسارع والجيروسكوبات والمغناطيسات، ثم تتم معالجتها باستخدام الشبكات العصبية التلافيفية ) (CNNsوشبكات الذاكرة طويلة-قصيرة الأجل ) (LSTMsوالنماذج الهجينة . CNN-LSTMتقوم هذه النماذج بتصنيف الأنشطة اليومية واكتشاف الشذوذ في الوقت الحقيقي، مما يحسن من أمان واستقلالية كبار السن. أظهرت النتائج التجريبية دقة عالية في التعرف على الأنشطة واكتشاف الشذوذ بشكل فعال، مما يوفر تقد ًما كبي ًرا في إدارة الصحة والاستجابة للطوارئ في بيئات المنازل الذكية. تتضمن أطروحتي مساهمتين. أولاً، طورت نظا ًما ذكيًا للتعرف على الأنشطة البشرية يعتمد على أجهزة استشعار قابلة للارتداء والتعلم العميق. تم تنفيذ النماذج المقترحة على مجموعة بيانات حقيقية، وحقق النموذج الهجين CNN Multi-heads-LSTMأفضل أداء بدقة بلغت .%96.89ثانيًا، اقترحت خوارزمية هجينة جديدة مستوحاة من الطبيعة ( (PGTOلتحسين أداء ،DFFNNواختبرتها على مشكلة اكتشاف الشذوذ في الأنشطة البشرية لدى كبار السن. أظهرت النتائج أن النهج المقترح قد حسن أداء الاكتشاف.