Les systèmes de navigation par satellites permettent les applications de positionnement en extérieur, dont la navigation routière. Dans les environnements contraints, comme l'intérieur des bâtiments où ces signaux satellitaires sont dégradés, la continuité du service de positionnement est nécessaire. Les applications adaptées aux citoyens modernes avec leurs appareils nomades posent des contraintes fortes de mobilité, de coûts et de limitations des infrastructures existantes. Les larges possibilités de déplacements dans des environnements hétérogènes accroissent les difficultés. Un état de l'art alimenté par une décennie de travaux académiques et industriels présente un ensemble de technologies qui visent disponibilité et performance. L'accent porte ensuite sur les systèmes inertiels pédestres à bas coût, avec une première contribution permettant d'abandonner la détection de pas au profit d'une mobilité facilitée, mais reste limitée par la connaissance de la distance parcourue pendant une phase de calibration. Cette approche nouvelle est confrontée à celle classique au pied, puis éprouvée pour différents capteurs et piétons au travers d'expérimentations répétées en conditions réalistes. Une seconde contribution décline une constellation radio locale pour estimer la distance avec une infrastructure allégée à deux émetteurs. Elle s’inspire d’une conception satellitaire sur radio programmable pour faciliter sa compatibilité avec l’existant et explorer ses performances. Une surveillance du rapport signal à bruit inter-canal améliore la précision du positionnement. Le couplage de ces systèmes asynchrones et distribués est évalué en intérieur sur une plateforme automatisée / The global navigation satellite systems allow outdoor positioning applications, including car navigation. In challenging environments, such as the buildings where satellite signals are mitigated, georeferenced points of interest or navigation applications require a continuity of the positioning service. The applications adapted to modern citizens and their mobile devices raise strong constraints on mobility, costs and limitations of the existing infrastructure. The wide variety of displacements in heterogeneous environments increases the challenge. A state of the art fed by a decade of academic and industrial works presents a set of technologies that target availability and performance. The emphasis follows on the low cost pedestrian inertial systems, with a first contribution allowing to give up the step detection for the benefit of an easier mobility, but remains limited to the knowledge of the distance traveled during a calibration phase. This new approach is compared with the classical foot-mounted approach, and then benchmarked with several sensors and pedestrians through repeated experiments in real conditions. A second contribution operates a local radio constellation to estimate the distance with a minimal infrastructure with two emitters. The signals and the algorithm are based on a reproduction of satellite systems to ease the compatibility but are implemented on a programmable radio to explore the performances. A monitoring of the difference of carrier to noise ratio between the radio channels improves the distance estimation. The hybridization of these distributed, asynchronous and multi-rates inertial and radio systems is evaluated indoor on a motorized platform

Les technologies portables sont dans le processus de révolutionner le domaine de la santé en offrant des données vitales qui assistent dans la prévention et le traitement des maladies. Les appareils portables de la santé (HWDs), comme le vêtement biométrique de Hexoskin, sont à la pointe de cette innovation en offrant des données physiologiques détaillées et en ayant un impact significatif dans les domaines comme l’analyse de la démarche et la surveillance des activités. Le but de cette étude est de développer des modèles précis de machine learning et deep learning capables de prédire les activités humaines à l’aide de données provenant des technologies portables Hexoskin. Ceci implique l’analyse des données des capteurs comme la fréquence cardiaque et les mouvements du torse dans l’optique de prédire avec précision les activités telles que la marche, la course et le sommeil. Cette étude a fait l’objet d’une collecte de données des capteurs de 52 participants sur une période de deux semaines à l’aide des technologies portables Hexoskin. Plusieurs techniques avancées d’ingénierie des caractéristiques ont été appliquées pour extraire des caractéristiques critiques comme les accélérations X, Y et Z. Plusieurs algorithmes de machine learning tels que le Balanced Random Forest (BRF), XGradient Boosting et LSTM (sans ingénierie des caractéristiques) ont été utilisés pour l’analyse des données. Les modèles ont été entraînés et testés sur des données provenant d’Hexoskin pour évaluer leurs performances basées sur l’exactitude, le rappel, la précision et du score F1. Cette étude démontre que les technologies portables Hexoskin, couplées à des modèles de machine learning sophistiqués, pouvaient prédire avec une grande précision les activités humaines. La recherche valide l’efficacité des technologies portables Hexoskin dans la reconnaissance des activités humaines, en mettant en lumière leur potentielle utilisation dans le domaine de la santé, l’analyse de la démarche, et la surveillance des activités. Cette étude contribue de manière significative à l’amélioration des standards de soins médicaux et ouvre des nouvelles perspectives pour le diagnostic et le traitement des conditions liées à la démarche. L’intégration des technologies Hexoskin avec des algorithmes de machine learning représente un pas en avant significatif dans la surveillance continue et en temps réel des maladies chroniques, v positionnant ainsi Hexoskin comme un outil fiable pour une multitude d’applications dans le domaine de la santé. / Wearable technologies are revolutionizing the healthcare field by providing vital data that assists in the prevention and treatment of diseases. Health wearable devices (HWDs), like the Hexoskin biometric garment, are at the forefront of this innovation by offering detailed physiological data and significantly impacting fields such as gait analysis and activity monitoring. The aim of this study is to develop accurate machine learning and deep learning models capable of predicting human activities using data from Hexoskin wearable technologies. This involves analyzing sensor data such as heart rate and torso movements to accurately predict activities such as walking, running, and sleeping. This study involved collecting sensor data from 52 participants over a two-week period using Hexoskin wearable technologies. Several advanced feature engineering techniques were applied to extract critical features such as X, Y, and Z accelerations. Multiple machine learning algorithms, such as Balanced Random Forest (BRF), XGradient Boosting, and LSTM (without feature engineering), were used for data analysis. The models were trained and tested on data from Hexoskin to evaluate their performance based on accuracy, recall, precision, and F1 score. This study demonstrates that Hexoskin wearable technologies, coupled with sophisticated machine learning models, can predict human activities with high accuracy. The research validates the effectiveness of Hexoskin wearable technologies in human activity recognition, highlighting their potential use in healthcare, gait analysis, and activity monitoring. This study significantly contributes to improving medical care standards and opens new perspectives for the diagnosis and treatment of gait-related conditions. The integration of Hexoskin technologies with machine learning algorithms represents a significant step forward in the continuous and real-time monitoring of chronic diseases, positioning Hexoskin as a reliable tool for a multitude of applications in the healthcare field.