No description available.

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.