Localisation spatiotemporelle de pas à partir de capteurs environnementaux Application à l'aide au maintien à domicile // Spatiotemporal location of steps from environmental sensors Application to home support assistance

Ce sujet s'inscrit dans le défi sociétal qu'est l'aide au maintien à domicile de personnes vulnérables. Les praticiens tels que médecins, gériatres, kinésithérapeutes travaillant dans un contexte de pénurie de main d'œuvre, l'utilisation des solutions technologiques et numériques permet d'optimiser ces ressources. La réalisation de mesures continues dans un environnement naturel, non stigmatisant et a priori non intrusif, permet d'obtenir des informations pertinentes et objectives sur le comportement des personnes âgées [Abdel-Khalek 2024]. Les indicateurs liés à la marche sont incontournables et largement exploités pour évaluer la fragilité de la personne [AI Faisal 2023]. Nous nous proposons de mesurer ces mouvements au domicile des personnes à partir de dispositifs développés au laboratoire. Ils sont formés par un réseau de capteurs environnementaux non intrusifs, tel que des capteurs électrostatiques [Pichon 2024] ou infra-rouge [Abdel-Khalek et al 2021], connectés en IoT, peu coûteux pour une large diffusion. Associés à des méthodes d'intelligence artificielle, en particulier des algorithmes d'apprentissage profonds, nous obtenons des modalités de plus haut niveau liées à l'actimétrie : la vitesse de déplacements voire certains mouvements corporels. Les objectifs de la thèse consistent à développer un dispositif bas coût, destiné à une large diffusion au domicile, avec caractérisation des mesures obtenues, et à évaluer l'impact de l'introduction de connaissances du monde réel physique dont la réponse du capteur et les contraintes physiologiques de la marche, sur la robustesse du modèle et la précision des résultats.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

This subject is part of the societal challenge of helping vulnerable people to remain in their own homes. Practitioners such as doctors, geriatricians and physiotherapists are working in a context of manpower shortages, and the use of technological and digital solutions makes it possible to optimize these resources. By taking continuous measurements in a natural, non-stigmatizing and a priori non-intrusive environment, we can obtain relevant and objective information on the behavior of the elderly [Abdel-Khalek 2024]. Walking-related indicators are essential and widely used to assess a person's frailty [AI Faisal 2023]. We propose to measure these movements in people's homes using devices developed in the laboratory. They are formed by a network of environmental non-intrusive sensors, such as electrostatic [Pichon 2024] or infra-red [Abdel-Khalek et al 2021], connected in IoT, inexpensive for wide distribution. Combined with artificial intelligence methods, in particular deep learning algorithms, we obtain higher-level modalities linked to actimetrics: movement speed and even certain body movements. The aims of the thesis are to develop a low-cost device intended for widespread home deployment, with characterization of the obtained measurements, and to assess the impact of incorporating real-world physical prior knowledge—namely sensor response and gait physiological constraints—on the model robustness and accuracy of the results.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/2026

Public funding alone (i.e. government, region, European, international organization research grant)

Concours pour un contrat doctoral

Université de Savoie Mont-Blanc

634 Sciences Ingénierie Environnement

- Autonomie, inventivité, rigueur, esprit d'initiative. - Très bonne aisance en programmation, maitrise d'un langage informatique. - Appétence et connaissances de méthode d'apprentissage automatique (machine learning, deep learning). - Une aisance dans l'embarqué sur arduino, raspberry pi est requise. - L'envie d'apprendre de comprendre et d'approfondir au-delà de la réalisation d'une solution. - Bonne maîtrise de l'anglais