Spelling suggestions: "subject:"capteurs inertial"" "subject:"capteurs inertie""
21 |
Évaluation de l'équilibre postural par capteurs embarqués : application au yoga / Wearable device for postural balance assessment : application to yoga exerciseRouis, Amina 07 July 2015 (has links)
La thématique générale des travaux de la thèse porte sur l’utilisation des Technologies de l’information et de la communication afin de promouvoir l’activité physique et limiter les troubles dus à la sédentarité. Ils s’inscrivent dans le cadre d’un projet qui vise à développer une solution d’évaluation de la motricité des sujets humains à faible coût, en utilisant des capteurs inertiels embarqués. L’objectif du présent travail de thèse est d’évaluer les capacités posturales au travers deux exercices de Yoga. En premier lieu, nous avons validé l’utilisation des dispositifs BodyTrack, par rapport à un système de référence (Plateforme de force), dans le cadre de l’évaluation des oscillations posturales. Ensuite, une méthodologie est proposée afin d’évaluer la performance motrice selon 3 facteurs. Le premier considère le maintien de l’équilibre postural lors des phases statique des deux exercices. Le deuxième facteur évalue la durée de ces phases statiques et le troisième permet de vérifier la bonne exécution de la posture. L’ensemble des facteurs mesurés permet de construire une vue d’ensemble de l’exercice effectué et rend compte de la performance motrice. / Balance is a key element for daily activities, that’s making balance training, is important for ev eryone. In the aim of promoting physical activity and changing exercise behaviour, BodyScoring’s balance application, using an inexpensive mobile device provided with accelerometers, gyroscope and magnetometer, proposes tow Yoga exercises (‘Tadasana and Vrksasana’), for balance improvement, an d calculates a score to determine the level skills and share it with friends. First, this thesis examines th e validity, reliability and the sensitivity of accelerometer data by comparing them to force platform data. Second, a postural scoring system is developed. Based on three key factors, it allows evaluating the postural performance, the duration and the appropriate execution of the exercise. The graphical re presentation of the score has allowed a straightforward and simple interpretation of results.
|
22 |
Automatic non linear metric learning : Application to gesture recognition / Apprentissage automatique de métrique non linéaire : Application à la reconnaissance de gestesBerlemont, Samuel 11 February 2016 (has links)
Cette thèse explore la reconnaissance de gestes à partir de capteurs inertiels pour Smartphone. Ces gestes consistent en la réalisation d'un tracé dans l'espace présentant une valeur sémantique, avec l'appareil en main. Notre étude porte en particulier sur l'apprentissage de métrique entre signatures gestuelles grâce à l'architecture "Siamoise" (réseau de neurones siamois, SNN), qui a pour but de modéliser les relations sémantiques entre classes afin d'extraire des caractéristiques discriminantes. Cette architecture est appliquée au perceptron multicouche (MultiLayer Perceptron). Les stratégies classiques de formation d'ensembles d'apprentissage sont essentiellement basées sur des paires similaires et dissimilaires, ou des triplets formés d'une référence et de deux échantillons respectivement similaires et dissimilaires à cette référence. Ainsi, nous proposons une généralisation de ces approches dans un cadre de classification, où chaque ensemble d'apprentissage est composé d’une référence, un exemple positif, et un exemple négatif pour chaque classe dissimilaire. Par ailleurs, nous appliquons une régularisation sur les sorties du réseau au cours de l'apprentissage afin de limiter les variations de la norme moyenne des vecteurs caractéristiques obtenus. Enfin, nous proposons une redéfinition du problème angulaire par une adaptation de la notion de « sinus polaire », aboutissant à une analyse en composantes indépendantes non-linéaire supervisée. A l'aide de deux bases de données inertielles, la base MHAD (Multimodal Human Activity Dataset) ainsi que la base Orange, composée de gestes symboliques inertiels réalisés avec un Smartphone, les performances de chaque contribution sont caractérisées. Ainsi, des protocoles modélisant un monde ouvert, qui comprend des gestes inconnus par le système, mettent en évidence les meilleures capacités de détection et rejet de nouveauté du SNN. En résumé, le SNN proposé permet de réaliser un apprentissage supervisé de métrique de similarité non-linéaire, qui extrait des vecteurs caractéristiques discriminants, améliorant conjointement la classification et le rejet de gestes inertiels. / As consumer devices become more and more ubiquitous, new interaction solutions are required. In this thesis, we explore inertial-based gesture recognition on Smartphones, where gestures holding a semantic value are drawn in the air with the device in hand. In our research, speed and delay constraints required by an application are critical, leading us to the choice of neural-based models. Thus, our work focuses on metric learning between gesture sample signatures using the "Siamese" architecture (Siamese Neural Network, SNN), which aims at modelling semantic relations between classes to extract discriminative features, applied to the MultiLayer Perceptron. Contrary to some popular versions of this algorithm, we opt for a strategy that does not require additional parameter fine tuning, namely a set threshold on dissimilar outputs, during training. Indeed, after a preprocessing step where the data is filtered and normalised spatially and temporally, the SNN is trained from sets of samples, composed of similar and dissimilar examples, to compute a higher-level representation of the gesture, where features are collinear for similar gestures, and orthogonal for dissimilar ones. While the original model already works for classification, multiple mathematical problems which can impair its learning capabilities are identified. Consequently, as opposed to the classical similar or dissimilar pair; or reference, similar and dissimilar sample triplet input set selection strategies, we propose to include samples from every available dissimilar classes, resulting in a better structuring of the output space. Moreover, we apply a regularisation on the outputs to better determine the objective function. Furthermore, the notion of polar sine enables a redefinition of the angular problem by maximising a normalised volume induced by the outputs of the reference and dissimilar samples, which effectively results in a Supervised Non-Linear Independent Component Analysis. Finally, we assess the unexplored potential of the Siamese network and its higher-level representation for novelty and error detection and rejection. With the help of two real-world inertial datasets, the Multimodal Human Activity Dataset as well as the Orange Dataset, specifically gathered for the Smartphone inertial symbolic gesture interaction paradigm, we characterise the performance of each contribution, and prove the higher novelty detection and rejection rate of our model, with protocols aiming at modelling unknown gestures and open world configurations. To summarise, the proposed SNN allows for supervised non-linear similarity metric learning, which extracts discriminative features, improving both inertial gesture classification and rejection.
|
Page generated in 0.0494 seconds