Au cours des deux dernières décennies, des méthodes de plus en plus complexes ont été développées pour identifier les activités humaines à l’aide de divers types de capteurs, tels que les données provenant de systèmes de capture de mouvement, d’accéléromètres et de gyromètres. À ce jour, la majorité des recherches se concentrent principalement sur la reconnaissance d’activités humaines simples, comme marcher, manger ou courir. Toutefois, de nombreuses activités quotidiennes sont généralement bien plus complexes que celles-ci. Afin de stimuler la recherche dans le domaine de la reconnaissance d’activités complexes, le défi « Nurse Care Activity Recognition Challenge » [1] a été lancé, dont l’objectif est d’identifier six activités spécifiques des infirmières à partir de données de localisation, de pression atmosphérique, de capture de mouvement et d’accéléromètres. Notre équipe, « IITDU », explore l’utilisation de méthodes simples à cet effet. Nous extrayons d’abord des caractéristiques à partir des données des capteurs, puis appliquons l’un des classificateurs les plus simples disponibles, à savoir le K plus proches voisins (KNN). Des expérimentations basées sur un ensemble de classificateurs KNN montrent qu’il est possible d’atteindre une précision d’environ 87 % sur une validation croisée à 10 plis, et d’environ 66 % sur une validation croisée en laissant un sujet de côté.