Les capacités physiques et cognitives diminuent considérablement à cause du vieillissement. Les problèmes de santé liées au vieillissement présentent une grande charge pour la santé publique. Aujourd’hui, les services gériatriques ne sont pas suffisants pour détecter les problèmes de santé dans les premiers stades de leur évolution, dans le but d’améliorer l’évaluation et l’intervention médicale des personnes âgées. Traduire ces besoins gériatriques à travers les services existants est essentiel pour améliorer leur impact. Dans le cadre de ma thèse, je propose une approche technologique qui utilise des technologies non-intrusives pour analyser le comportement des personnes âgés sur de longues périodes et détecter des possibilités d’évolution de maladies physiques ou cognitives. Des références gériatriques internationales me permettent d’identifier des indicateurs de changement de comportement qui peuvent être suivis à travers de technologies non-intrusives sans interférer avec le comportement naturel des personnes âgées. J’analyse ces indicateurs en considérant plusieurs dimensions spatio-temporelles, et utilisant des techniques de détection de changement qui différencient les changements transitoires et continus dans le comportement suivi. Je valide mon approche proposée à travers un déploiement réel de 3 ans dans une maison de retraite et des maisons individuelles.Je propose une méthodologie de détection précoce et non-intrusive des possibilités de changement dans l’état de santé. Des entretiens personnels avec les personnes âgées, les membres de la famille, les médecins gériatres et les infirmières de la maison de retraite me permettent d’identifier leurs besoins gériatriques. Les parties prenantes de mes services proposés ont besoin d’une information fiable à propos des changements possibles dans l’état de santé le plus tôt possible, sans suivre les personnes d’une manière intrusive. Afin de traduire ces besoins gériatriques, je propose une approche technologique qui utilise des technologies non-intrusives pour suivre les personnes âgées pendant des semaines et des mois, et identifier des changements possible dans leur comportement fortement liés à des problèmes physiques ou cognitifs.Mon service web ChangeTracker implémente ma méthodologie. ChangeTracker analyse le comportement des personnes âgées en ligne et détecte des changements possibles chaque jour. Je développe des algorithmes qui convertissent les données de capteurs brutes en données inférées en relation avec l’état de santé de la personne suivie. Des techniques de détection de changement (par ex., des techniques statistiques, probabilistes et d’apprentissage) distinguent les changements temporaires et continus dans le comportement de la personne.Une validation réelle de mon approche a lieu dans 3 villes françaises Montpellier, Lattes et Occagnes. Les résultats expérimentaux de 25 participants validement ma détection précoce et non-intrusive des changements de santé. Les 25 participants vivent seuls à domicile ou dans une maison de retraite. Dans mon cas d’étude, j’installe des capteurs de mouvement dans chaque chambre de la maison et des capteurs de contact sur chaque porte principale. Ces capteurs collectent mes données de suivi pendant 3 ans. Mes algorithmes analysent ces données, calculent des indicateurs gériatriques significatifs, et détectent des changements possibles en corrélation avec l’état de santé. / Aging process is associated with serious decline in physical and cognitive abilities. Aging-related health problems present growing burden on public health and economy. Nowadays, existing geriatric services have limitations in terms of early detecting possible health changes toward better adaptation of medical assessment and intervention for elderly people. Bridging the gap between these geriatric needs and existing services is a major enabler to improve their impact. In this thesis, proposed technological approach employs unobtrusiveInternet of Things (IoT) technologies for long-term behavior monitoring and early detection of possible changes. Proposed methodology identifies geriatric indicators that can be monitored via unobtrusive IoT technologies, and are associated with physical and cognitive problems. This thesis develops data processing algorithms that convert raw sensor data into geriatric indicators. These geriatric indicators are analyzed on a daily basis, in order to early detect possible changes. This thesis evaluates and adapts further statistical, probabilistic and machine-learning techniques for long-term change detection. Adapting these techniques discards transient deviations, and retains permanent changes in monitored behavior. Real 3-year deployments in nursing home and individual houses validate proposed approach. Medical clinic geriatrician and nursing home team validate medical relevance of detected changes.

Le projet ANR ICARE, dans lequel s'inscrit cette thèse, vise au développement de méthodes pour l'analyse de structures complexes et de grande taille. Le défi scientifique consiste à investiguer des zones très localisées, mais potentiellement critiques vis-à-vis de la tenue mécanique d'ensemble. Classiquement, sont mis en œuvre aux échelles globale et locale des représentations, discrétisations, modèles de comportement et outils numériques adaptés à des besoins de simulation gradués en complexité. Le problème global est traité avec un code généraliste dans le cadre d'idéalisations topologiques (formulation plaque, simplification géométrique) et comportementale (homogénéisation) ; l'analyse locale quant à elle demande la mise en œuvre d'outils spécialisés (routines, codes dédiés) pour une représentation fidèle de la géométrie et du comportement.L'objectif de cette thèse consiste à développer un outil efficace de couplage non-intrusif pour la simulation multi-échelles / multi-modèles en calcul de structures. Les contraintes de non-intrusivité se traduisent par la non modification de l'opérateur de rigidité, de la connectivité et du solveur du modèle global, ce qui permet de travailler dans un environnement logiciel fermé. Dans un premier temps, on propose une étude détaillée de l'algorithme de couplage global/local non-intrusif. Sur la base d'exemples et de cas-test représentatifs en calcul de structures (fissuration, plasticité, contact...), on démontre l'efficacité et la flexibilité d'un tel couplage. Aussi, une analyse comparative de plusieurs outils d'optimisation de l'algorithme est menée, et le cas de patchs multiples en interaction est traité. Ensuite le concept de couplage non-intrusif est étendu au cas de non-linéarités globales, et une méthode de calcul parallèle par décomposition de domaine avec relocalisation non-linéaire est développée. Cette méthode nous a permis de paralléliser un code industriel séquentiel sur un mésocentre de calcul intensif. Enfin, on applique la méthode de couplage au raffinement de maillage par patchs d'éléments finis. On propose un estimateur d'erreur en résidu explicite adapté au calcul de solutions multi-échelles via l'algorithme de couplage. Puis, sur la base de cet estimateur, on met en œuvre une procédure non-intrusive de raffinement local de maillage. Au travers de ces travaux, un outil logiciel de couplage non-intrusif a été mis au point, basé sur l'échange de données entre différents codes de calcul (protocole Message Passing Interface). Les développements effectués sont intégrés dans une surcouche Python, dont le rôle est de coupler plusieurs instances de Code_Aster, le code d'analyse de structures développé par EDF R&D, lequel sera utilisé dans l'ensemble des travaux présentés. / This PhD thesis, part of the ANR ICARE project, aims at developing methods for complex analysis of large scale structures. The scientific challenge is to investigate very localised areas, but potentially critical as of mechanical systems resilience. Classically, representation models, discretizations, mechanical behaviour models and numerical tools are used at both global and local scales for simulation needs of graduated complexity. Global problem is handled by a generic code with topology (plate formulation, geometric approximation...) and behaviour (homogenization) simplifications while local analysis needs implementation of specialized tools (routines, dedicated codes) for an accurate representation of the geometry and behaviour. The main goal of this thesis is to develop an efficient non-intrusive coupling tool for multi-scale and multi-model structural analysis. Constraints of non-intrusiveness result in the non-modification of the stiffness operator, connectivity and the global model solver, allowing to work in a closed source software environment. First, we provide a detailed study of global/local non-intrusive coupling algorithm. Making use of several relevant examples (cracking, elastic-plastic behaviour, contact...), we show the efficiency and the flexibility of such coupling method. A comparative analysis of several optimisation tools is also carried on, and the interacting multiple patchs situation is handled. Then, non-intrusive coupling is extended to globally non-linear cases, and a domain decomposition method with non-linear relocalization is proposed. Such methods allowed us to run a parallel computation using only sequential software, on a high performance computing cluster. Finally, we apply the coupling algorithm to mesh refinement with patches of finite elements. We develop an explicit residual based error estimator suitable for multi-scale solutions arising from the non-intrusive coupling, and apply it inside an error driven local mesh refinement procedure. Through this work, a software tool for non-intrusive coupling was developed, based on data exchange between codes (Message Passing Interface protocol). Developments are integrated into a Python wrapper, whose role is to connect several instances of Code_Aster, the structural analysis code developed by EDF R&D, which will be used in the following work.

Dans les maisons et bâtiments intelligents, il devient nécessaire de limiter l'intervention humaine sur le système énergétique, afin de fluctuer automatiquement l'énergie consommée par les appareils consommateurs. Pour cela, un système de mesure de la consommation électrique d'équipements est aussi nécessaire et peut être déployé de deux façons : intrusive ou non-intrusive. La première solution consiste à relever la consommation de chaque appareil, ce qui est inenvisageable à une grande échelle pour des raisons pratiques liées à l'entretien et aux coûts. Donc, la solution non-intrusive (NILM pour Non-Intrusive Load Monitoring), qui est capable d'identifier les différents appareils en se basant sur les signatures extraites d'une consommation globale, est plus prometteuse. Le problème le plus difficile des algorithmes NILM est comment discriminer les appareils qui ont la même caractéristique énergétique. Pour surmonter ce problème, dans cette thèse, nous proposons d'utiliser une information externe pour améliorer la performance des algorithmes existants. Les premières informations additionnelles proposées considèrent l'état précédent de chaque appareil comme la probabilité de transition d'état ou la distance de Hamming entre l'état courant et l'état précédent. Ces informations sont utilisées pour sélectionner l'ensemble le plus approprié des dispositifs actifs parmi toutes les combinaisons possibles. Nous résolvons ce problème de minimisation en norme l1 par un algorithme d'exploration exhaustive. Nous proposons également d'utiliser une autre information externe qui est la probabilité de fonctionnement de chaque appareil fournie par un réseau de capteurs sans fil (WSN pour Wireless Sensor Network) déployé dans le bâtiment. Ce système baptisé SmartSense, est différent de la solution intrusive car seul un sous-ensemble de tous les dispositifs est surveillé par les capteurs, ce qui rend le système moins intrusif. Trois approches sont appliquées dans le système SmartSense. La première approche applique une détection de changements de niveau sur le signal global de puissance consommé et les compare avec ceux existants pour identifier les dispositifs correspondants. La deuxième approche vise à résoudre le problème de minimisation en norme l1 avec les algorithmes heuristiques de composition Paréto-algébrique et de programmation dynamique. Les résultats de simulation montrent que la performance des algorithmes proposés augmente significativement avec la probabilité d'opération des dispositifs surveillés par le WSN. Comme il n'y a qu'un sous-ensemble de tous les appareils qui sont surveillés par les capteurs, ceux qui sont sélectionnés doivent satisfaire quelques critères tels qu'un taux d'utilisation élevé ou des confusions dans les signatures sélectionnées avec celles des autres. / In smart homes, human intervention in the energy system needs to be eliminated as much as possible and an energy management system is required to automatically fluctuate the power consumption of the electrical devices. To design such system, a load monitoring system is necessary to be deployed in two ways: intrusive or non-intrusive. The intrusive approach requires a high deployment cost and too much technical intervention in the power supply. Therefore, the Non-Intrusive Load Monitoring (NILM) approach, in which the operation of a device can be detected based on the features extracted from the aggregate power consumption, is more promising. The difficulty of any NILM algorithm is the ambiguity among the devices with the same power characteristics. To overcome this challenge, in this thesis, we propose to use an external information to improve the performance of the existing NILM algorithms. The first proposed additional features relate to the previous state of each device such as state transition probability or the Hamming distance between the current state and the previous state. They are used to select the most suitable set of operating devices among all possible combinations when solving the l1-norm minimization problem of NILM by a brute force algorithm. Besides, we also propose to use another external feature that is the operating probability of each device provided by an additional Wireless Sensor Network (WSN). Different from the intrusive load monitoring, in this so-called SmartSense system, only a subset of all devices is monitored by the sensors, which makes the system quite less intrusive. Two approaches are applied in the SmartSense system. The first approach applies an edge detector to detect the step-changes on the power signal and then compare with the existing library to identify the corresponding devices. Meanwhile, the second approach tries to solve the l1-norm minimization problem in NILM with a compositional Pareto-algebraic heuristic and dynamic programming algorithms. The simulation results show that the performance of the proposed algorithms is significantly improved with the operating probability of the monitored devices provided by the WSN. Because only part of the devices are monitored, the selected ones must satisfy some criteria including high using rate and more confusions on the selected patterns with the others.