{"id":{"repo_id":"ets-quebec","oai_identifier":"oai:espace.etsmtl.ca:3716"},"canonical_url":"https://search.ndltd.org/etd/ets-quebec/oai:espace.etsmtl.ca:3716","repository":{"repo_id":"ets-quebec","name":"ETS (Quebec)","base_url":"https://espace.etsmtl.ca/cgi/oai2"},"display":{"title":"Apprentissage profond pour l’authentification continue et la reconnaissance d’activités humaines à partir de données comportementales multimodales","abstract":"Les 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.","abstract_html":"Les 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.","abstract_has_math":false,"creators":["Snoussi, Khalil"],"institution":"École de technologie supérieure","degree_name":"Mémoire de maîtrise électronique","degree_level":"masters","degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2025,"date_issued":"2025-08-28","date_published":"2025-08-28","updated_at":"2026-11-18T22:10:50Z","subjects":["apprentissage profond, biométrie comportementale"],"languages":["fr"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["INSERT-YOUR-LIBRARY-ID-HERE3716"],"render_values":[{"text":"INSERT-YOUR-LIBRARY-ID-HERE3716","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":null,"outbound_label":null,"outbound_source":null,"record_url":null,"record_label":null,"record_kind":null,"record_source":null,"download_url":"https://espace.etsmtl.ca/id/eprint/3716/1/Snoussi_Khalil.pdf","download_label":"Download PDF","download_source":"dc:identifier","access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://espace.etsmtl.ca/cgi/oai2?verb=GetRecord&metadataPrefix=oai_etdms&identifier=oai%3Aespace.etsmtl.ca%3A3716","prefix":"oai_etdms"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Snoussi, Khalil"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2025-08-28"]},{"key":"dc:publisher","label":"Institution","values":["École de technologie supérieure"]},{"key":"dc:type","label":"Dc Type","values":["Electronic Thesis or Dissertation"]},{"key":"thesis:degree_level","label":"Degree Level","values":["masters"]},{"key":"thesis:degree_name","label":"Degree Name","values":["Mémoire de maîtrise électronique"]},{"key":"thesis:institution_name","label":"Thesis Institution Name","values":["École de technologie supérieure"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["apprentissage profond, biométrie comportementale"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["fr"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["INSERT-YOUR-LIBRARY-ID-HERE3716","https://espace.etsmtl.ca/id/eprint/3716/1/Snoussi_Khalil.pdf"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Les 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."]},{"key":"dc:format","label":"Dc Format","values":["application/pdf"]},{"key":"dc:title","label":"Title","values":["Apprentissage profond pour l’authentification continue et la reconnaissance d’activités humaines à partir de données comportementales multimodales"]}]}],"canonical_facts":{"dc:creator":["Snoussi, Khalil"],"dc:date":["2025-08-28"],"dc:description":["Les 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."],"dc:format":["application/pdf"],"dc:identifier":["INSERT-YOUR-LIBRARY-ID-HERE3716","https://espace.etsmtl.ca/id/eprint/3716/1/Snoussi_Khalil.pdf"],"dc:language":["fr"],"dc:publisher":["École de technologie supérieure"],"dc:subject":["apprentissage profond, biométrie comportementale"],"dc:title":["Apprentissage profond pour l’authentification continue et la reconnaissance d’activités humaines à partir de données comportementales multimodales"],"dc:type":["Electronic Thesis or Dissertation"],"thesis:degree_level":["masters"],"thesis:degree_name":["Mémoire de maîtrise électronique"],"thesis:institution_name":["École de technologie supérieure"]},"updated_at":"2026-11-18T22:10:50Z"}