Avec la disponibilité grandissante des capteurs et des réseaux de capteurs à couts réduits, la reconnaissance d’activités humaines, grâce à des vêtements intelligents, fait l’objet de nombreuses recherches dans le domaine de l’intelligence artificielle et plus particulièrement la sécurité et la surveillance non-invasif dans les milieux intelligents dont les maisons intelligentes, les villes intelligentes et, plus récemment, les industries intelligentes. Dans ces travaux de recherche, une nouvelle approche de détection de comportements anormaux utilisant des capteurs sans fil a été présentée et évaluée. De ce fait, il s’avère nécessaire de concevoir une méthode permettant d’analyser et de comprendre le comportement humain dans ses activités industrielles et d’interpréter les caractéristiques qui y sont liées afin d’évaluer un risque d’accident en temps réel.

L’approche proposée est divisée en deux étapes afin de répondre aux problèmes des approches traditionnelles qui souffrent d’un taux élevé de faux positifs car les événements anormaux sont rares par rapport aux activités normales.

D’une part, nous avons investigué les algorithmes de reconnaissance d’activités utilisant des capteurs de mouvement portés sur le corps humain. D’autre part, nous avons étudié les méthodes proposées afin de segmenter les données des capteurs. Ces lectures nous ont permis d’effectuer des choix judicieux permettant la réalisation de notre méthode.

Comme notre problème se caractérise par la rareté des activités anormales, nous ne pouvons effectuer une méthode d’entraînement traditionnel d’apprentissage automatique de notre algorithme sur ce type d’activités. Afin de résoudre ce problème, l’approche adoptée utilise en premier lieu une machine à vecteurs de support entraînée sur des activités normales, ce qui nous permet de filtrer les activités ayant une forte probabilité d’être normales. Dans un second lieu, on dérive des modèles d’activités anormales à partir d’un modèle générale d’activité normale via une régression à noyau non-linéaire afin de réduire le taux de faux positifs.

Afin d’évaluer et de démontrer la fonctionnalité de l’approche suggérée dans ces travaux, des expériences ont permis d’avoir des résultats qui ont été analysés. Ces résultats montrent un bon compromis entre la détection d’activités anormales et le taux de fausses alertes. Cette approche bénéficie du fait qu’elle permet automatiquement de générer les modèles d’activités anormales sans avoir le besoin de les connaître en avance. Ces expérimentations démontrent l’efficacité de l’approche utilisée avec des vêtements de protection individuelle conçus dans le cadre de ce projet de recherche.