École de technologie supérieure
Apprentissage profond pour l’authentification continue et la reconnaissance d’activités humaines à partir de données comportementales multimodales
Abstract
dc:descriptionLes smartphones modernes embarquent une variété de capteurs, tels que l’accéléromètre, le gyroscope et l’écran tactile capacitif, offrant une opportunité unique pour l’authentification continue et la reconnaissance d’activités humaines. Ce mémoire propose deux architectures basées sur l’apprentissage profond et les modèles à espaces d’états structurés (SSM) : S4HI, pour l’identification robuste à partir de données comportementales inertielles, et MEDUSAA, un encodeur-décodeur multimodal combinant capteurs inertiels et interactions tactiles. Ces approches exploitent la capacité des SSM à capturer efficacement les dépendances temporelles longues, tout en réduisant la complexité et le temps d’inférence par rapport aux architectures de type Transformer. Les modèles sont évalués sur plusieurs jeux de données publics (HMOG, OU-ISIR, WhuGait, PAMAP2, Capture-24) et démontrent des performances supérieures en précision, évolutivité et déploiement en ligne. Les résultats obtenus confirment le potentiel de ces méthodes pour des applications embarquées sécurisées et à faible consommation énergétique.
Degree
thesis:*- Name thesis:degree_name
- Mémoire de maîtrise électronique
- Level thesis:degree_level
- masters
- Grantor dc:publisher
- École de technologie supérieure
- Year dc:date
- 2025
Author and committee
dc:creator, dc:contributor.*- Author dc:creator
-
- Snoussi, Khalil
Subjects
dc:subject × 1Rights
- Language dc:language
- fr
Identifiers
dc:identifier.*- Identifier
- INSERT-YOUR-LIBRARY-ID-HERE3716