7

Supported students (PFE)

• License :

- Projet de Licence GTR-Informatique: ABIZAR Kamel «La Reconnaissance d’Activités Humaines à base de Smartphone à l'aide des HMM.», soutenu en 01-juin 2020

- Projet de Licence GTR-Informatique : KERBEDJ Mehdi et KHELAIFIA Mohamed Raouf « Fusion de classificateurs pour la reconnaissance des activités humaines dans une maison intelligente.», soutenu en 15-juin 2018

- Projet de Licence GTR-Informatique : GAFSI Imed Eddine « Reconnaissance d’activités humaines à base de Smartphone.», soutenu en 04-juin 2017

- Projet de Licence : YOUNES Rami, SIKADDOUR Faycal « Fusion des attributs spatiaux et temporels pour la reconnaissance automatique d’activités humaines avec les SVM à cout sensible.», soutenu en 01-juin 2015

- Projet de Licence : OURAMDANE Ismail, NOURINE Akram, « Etude et Analyse des bases de données issues de la reconnaissance d’activités humaines.», soutenu en 03-juin 2015

-  Projet de Licence : TAZKA Bilel et GRAINIA Abdelfatah « Sélection des capteurs avec LDA pour la reconnaissance d’activités humaines.», soutenu en 03-juin 2015

- Projet de Licence : GOUDJIL Anis Ammar, MESSAOUDI Younes « Sélection des capteurs avec PCA pour la reconnaissance d’activités humaines.», soutenu en 03-juin 2015

- Projet de Licence : ZEDEK Amel, DERRADJI Imen, « Application d’un algorithme de ré-échantillonnage des données pour la reconnaissance automatique d’activités humaines avec les C-SVM.», soutenu en juin 2013.

​

• Master :

- Projet de Master: MAKHLOUF Sarra et OULDHAMOUDA Katia, «Reconnaissance d’activités humaines avec un Smartphone à l’aide des SVM», soutenu en Juin 2020.

- Projet de Master: OURAMDANE Issmail et Belkacem Fatima Zohra, «Integration des connaissances à priori pour la Reconnaissance d’Activités dans un Habitat Intelligent», soutenu en Juin 2017.

- Projet de Master: MAKHLOUF Lokmane et KERARICHE Mohamed Amine, «La combinaison kPPV et SVM pour la reconnaissance d'activités dans un habitat intelligent », soutenu en Juin 2017.

- Projet de Master: KERKECH Mohamed et CHEKIR Amina, «Classification de signaux de capteurs dans un habitat intelligent», soutenu en Juin 2016.

- Projet de Master: OULEBSIR Walid, KADEM Camelia, «Etude comparative des algorithmes de ré-échantillonnage des données pour la reconnaissance automatique d’activités humaines avec les SVM», soutenu en juin 2014. 

- Projet de Master: MEZIANE Kamel, TALEM Houria, « Comparaison entre les classificateurs OS-CSVM et OS-LDA pour la reconnaissance automatique d’activités des personnes âgées.», soutenu en juin 2014. 

- Projet de Master: HIMER Khaled iben walid, MAHAMI  Nawal, «Une nouvelle méthode d’optimisation du paramètre de régularisation des Machines à Vecteurs de support pour la reconnaissance automatique d’activités humaines.», soutenu en juin 2014. 

- Projet de Master : KHELLADI Mohamed Fouad, « Réduction de Dimensionnalité et Classification par l’Analyse en Composantes Principales : Application au traitement de signaux de capteurs sans fil.», soutenu en juin 2011. 

Proposed (PFE) 2020-2021 :

• Master :

Title : Une nouvelle sélection de modèle SVM pour la reconnaissance d’activités humaines  

La reconnaissance d’activités humaines est un domaine en plein développement, que ce soit pour contrôler le niveau d’activités afin de garder une bonne hygiène de vie, ou encore pour d’autres applications médicales et militaires aussi. Une détection d’un comportement anormal dans un endroit sensible serait bénéfique pour la surveillance en temps réel des personnes en perte d’autonomie.

Ces études ont montré que les activités physiques (par exemple, marcher, courir, sauter) peuvent être facilement reconnu en analysant des données provenant de capteurs inertiels (par ex. accéléromètre, gyroscope, magnétomètre). La validation et l’évaluation des modèles de classification peuvent être fait sur la base de plusieurs facteurs qui affectent la performance et précision.

Le projet consiste à réaliser une classification supervisée mufti-classes à l'aide des Machines à Vecteurs de Support (SVM).  Mais l’objectif primal consiste à extraire un model pertinent en utilisant d’autres critères pertinents que la méthode très pratique de validation croisée pour permettre une meilleures separation entre les activités humaines. Les signaux de validation utilisés dans nos travaux sont tous issus de données réelles de signaux collectés par un réseau de capteurs issues de Smartphone pour effectuer une reconnaissance (classification) automatique des activités humaines.

Plan :

 1- Etude de l’état de l'art

2- Création des Bases de données

3- Développement de la méthode de reconnaissance des activités humaines

4- Expérimentations et Résultats

5- Conculsions et perspectives

 

[1] J.L.C. Candás, V. Peláez, G. López, , M.Á. Fernández, E. Álvarez, , & G. Díaz. An automatic data mining method to detect abnormal human behaviour using physical activity measurements. Pervasive and Mobile Computing, 15, 228-241, 2014.  

[2] D.N. Tran, & D.D. Phan. Human activities recognition in android smartphone using support vector machine. In 2016 7th International Conference on Intelligent Systems, Modelling and Simulation (ISMS) (pp. 64-68). IEEE, 2016. 

[3] M.B. Abidine, and B. Fergani. Human Activities Recognition in Android Smartphone Using WSVM-HMM Classifier. In : International Conference on Smart Homes and Health Telematics (ICOST’2020). Springer, Cham, 2020. p. 386-394. 

[4] M.B. Abidine, L. Fergani, B. Fergani, M. Oussalah. The joint use of sequence features combination and modified weighted SVM for improving daily activity recognition. Pattern Analysis and Applications, Springer-Verlag London, In Press, 16 August 2016.