Modèle de diffusion guidé par des caractéristiques statistiques non supervisées pour la reconnaissance d'activités humaines basée sur les capteurs

La reconnaissance des activités humaines (HAR) à partir de capteurs portatifs constitue une fonctionnalité centrale dans de nombreuses applications d’intelligence artificielle : de la santé personnelle, en passant par le sport et le bien-être, jusqu’à l’industrie 4.0. Un obstacle majeur freinant l’avancement de la HAR basée sur les capteurs portatifs, par rapport à d’autres domaines du machine learning comme la vision par ordinateur, réside dans l’insuffisance de données d’entraînement diversifiées et étiquetées. En effet, alors qu’un nombre considérable d’images annotées est disponible dans des référentiels en ligne, les données de capteurs accessibles librement sont rares et principalement non étiquetées. Nous proposons un modèle de diffusion guidé par des caractéristiques statistiques, conçu de manière spécifique pour la reconnaissance des activités humaines à partir de capteurs portatifs, tels que les capteurs d’unités de mesure inertielle (IMU). Cette méthode génère des données temporelles synthétiques étiquetées sans dépendre de données d’entraînement annotées. Elle permet ainsi de pallier la rareté et les difficultés d’étiquetage liées aux données réelles de capteurs. En conditionnant le modèle de diffusion à l’aide d’informations statistiques telles que la moyenne, l’écart-type, le score Z et la asymétrie (skewness), nous produisons des données synthétiques diversifiées et représentatives. Des expériences ont été menées sur des jeux de données publics de reconnaissance des activités humaines, et la méthode a été comparée aux techniques classiques de suréchantillonnage ainsi qu’aux récents modèles basés sur les réseaux antagonistes génératifs (GAN). Les résultats expérimentaux démontrent que cette approche améliore significativement la performance de la reconnaissance des activités humaines et surpasse les techniques existantes.