Nowadays, with the rapid development of the Internet of Things, the applicationfield of wearable sensors has been continuously expanded and extended, especiallyin the areas of remote electronic medical treatment, smart homes ect. Human dailyactivities recognition based on the sensing data is one of the challenges. With avariety of data mining techniques, the activities can be automatically recognized. Butdue to the diversity and the complexity of the sensor data, not every kind of datamining technique can performed very easily, until after a systematic analysis andimprovement. In this thesis, several data mining techniques were involved in theanalysis of a continuous sensing dataset in order to achieve the objective of humandaily activities recognition. This work studied several data mining techniques andfocuses on three of them; Decision Tree, Naive Bayes and neural network, analyzedand compared these techniques according to the classification results. The paper alsoproposed some improvements to the data mining techniques according to thespecific dataset. The comparison of the three classification results showed that eachclassifier has its own limitations and advantages. The proposed idea of combing theDecision Tree model with the neural network model significantly increased theclassification accuracy in this experiment.

L'objectif de cette thèse est de proposer une approche hiérarchique pour la reconnaissance de la prise de médicaments chez les personnes âgées. En effet, l'activité globale de la prise de médicaments se compose de plusieurs activités à différents niveaux de complexité.La reconnaissance est donc faite de bas en haut, de l'activité élémentaire à l'activité simple et ensuite à l'activité complexe. De plus, un modèle simple de calibration, utilisant une caméra stéréo, est proposé pour estimer la profondeur des objets, et ainsi mieux traiter l'occultation des objets. Par conséquence, la reconnaissance de la prise de médicaments est plus précise.Premièrement, la méthode de soustraction du fond est utilisée pour détecter les objets mobiles, dans un environnement intérieur. La segmentation des régions de peau, et des flacons se fait ensuite en utilisant l'information de couleur par seuillage.Deuxièmement, en observant que le déplacement des régions de peau dans deux trames consécutives est petit, nous utilisons la distance minimale de déplacement pour suivre les régions de peau. Les régions des mains sont détectées en exploitant l'intensité de contours.Nous détectons la bouche par la méthode AdaBoost et le suivi de bouche se fait en utilisant le filtre de Kalman et le ratio des couleurs R/G. Le filtre de Kalman est aussi utilisé pour le traitement d'occultation entre les régions d'intérêt main-visage, main-main.Finalement, pour la reconnaissance de la prise de médicaments, une approche hiérarchique est proposée, en commençant par les activités élémentaires. Sur la base du chevauchement entre les régions d'intérêt, nous détectons les activités élémentaires. En exploitant la séquence des activités élémentaires, nous détectons les activités simples, celles-ci sont en suite utilisées pour reconnaître des activités complexes, correspondant à la prise de médicaments. La profondeur des objets occultés est estimée afin de vérifier l'état de contact entre ces objets, et reconnaître plus précisément les activités.L'expérience montre que notre approche est plus robuste et souple que les travaux précédents sur le sujet. Elle permet de reconnaître des scénarios différents de prise de médicaments et peut être appliqué pour reconnaître d'autres activités complexes en général. / The objective of this thesis is to propose a hierarchical approach for recognition of themedication intake for elderly people. By analyzing the complex activity of the medicationintake we show that it consists of several activities, from low of high levels. So recognition ismade from top to bottom, from primary activity to simple activity and then complex activity.In addition, a simple calibration model, using a stereo camera is proposed to estimatethe depth of objects, for better handling of object occlusions. Consequently, the recognitionof the medication intake is more accurate.First of all, a background subtraction method is used to detect moving objects in theindoor environment. The segmentation of skin regions, and medication bottles is made usingcolor information, by thresholding.Secondly, by observing that the displacement of skin regions in two consecutive frames issmall, we use the minimum distance of displacement to track the skin regions. The regionsof hands are detected by exploiting the intensity contours. We detect the mouth by theAdaBoost method and the tracking of mouth is done using the Kalman filter and the ratioof colors R/G. The Kalman filter is also used for handling occlusions of regions of interest,between hand-face, and hand-hand.Finally, for the recognition of the medication intake, a hierarchical approach is proposed,based on primary activities. By detecting the overlap between the regions of interest, weidentify the primary activities. By exploiting the sequence of primary activities, we recognizesimple activities, that are inputs for recognizing complex activities, which correspond tomedication intake. The depth of occluded objects is estimated at the end to check thecontact state between these objects, to recognize more precisely the activities.Experience showed that our approach is more robust and flexible than prior works inthe literature on this subject. It allows to recognize different scenarios of medication intakeand can be applied to recognize other complex activities in general.