Thèse Localisation Spatiotemporelle de pas à Partir de Capteurs Environnementaux Application à l'Aide au Maintien à Domicile H/F - Doctorat.Gouv.Fr

Établissement : Université de Savoie Mont-Blanc École doctorale : Sciences Ingénierie Environnement Laboratoire de recherche : Laboratoire d'Informatique, Systèmes, Traitements de l'Information et de la Connaissance Direction de la thèse : Sébastien MONNET ORCID 0000000260363060 Début de la thèse : 2026-10-01 Date limite de candidature : 2026-05-31T23:59:59 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'oeuvre, 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. Le contexte applicatif de l'étude concerne le maintien à domicile des personnes âgées. La mesure continue au domicile, environnement non contrôlé, à l'aide de dispositifs peu précis mais permanents, présente un intérêt pour les praticiens, aidants et personnes concernées : elle objective les informations sans stigmatisation et biais potentiels associés et collecte des données jusque-là inaccessibles.
Ce sujet de thèse est en continuité avec le projet MARCHE (AAP USMB 2025), mené en collaboration avec le CHANGE - Centre Hospitalier Annecy Genevois, qui abrite la plateforme d'équilibre Stabbi'lab, et les spécialistes praticiens qui y interviennent. Il porte sur la pertinence des paramètres mesurables au domicile, notamment liés à la marche. La preuve de concept, opérationnelle, a validé la détection des instants de pas dans un environnement simulant l'habitat. [Lapique 2026] à l'aide d'un réseau de capteurs électrostatiques non portés et non visibles. Les paramètres ciblés, en collaboration avec les praticiens, concernent les paramètres suivant de la marche : longueur des foulées gauches/droites et nombre de pas par demi-tour.
L'étape suivante, objet de l'étude, vise à localiser spatio-temporellement les impacts des pas pour obtenir ces paramètres. Notre approche semble particulièrement adaptée à la mesure des variations, et l'étude devra confirmer cette hypothèse, tout en évaluant la possibilité d'étalonner le dispositif afin d'accéder à des valeurs absolues.
Le système devant être déployable dans la majorité des logements, la phase d'adaptation in-situ du système devra rester légère.
Les développements intégreront dès la conception les dimensions éthiques et le respect de la vie privée.
Ces besoins applicatifs soulèvent une préoccupation scientifique relative à l'estimation de l'incertitude et de la robustesse de systèmes de mesure aidés par des algorithmes d'apprentissage. Ce type d'apprentissage est fréquemment requis lorsque l'inversion analytique du modèle n'est pas réalisable, comme dans notre cas.
Cependant, l'adaptation in-situ ne saurait remplacer la phase d'apprentissage, qui exige, pour les méthodes d'apprentissage profond, un volume conséquent de données. Nous faisons face à une contradiction : besoin massif de données d'entraînement dans un contexte où leur collecte est limitée.
L'injection de connaissances a priori permet de contraindre l'espace d'hypothèses exploré lors de l'apprentissage, compensant ainsi l'absence de données massives.
Dans notre contexte, ces connaissances a priori concernent deux aspects expérimentaux : la réponse analytique des capteurs (modélisable analytiquement) ie Physics-informed neural networks (PINNs) et les contraintes physiologiques de la marche, exprimées comme des règles biomécaniques (ex. : alternance pas gauche-droit ; au moins un pied au sol en permanence). L'objectif applicatif de la thèse est de proposer un dispositif de mesure spatio-temporel de la marche à l'aide d'un réseau de capteurs électrostatiques. Ce dispositif a pour vocation d'être placé dans un habitat avec une phase d'adaptation locale légère.
Les défis scientifiques porteront d'une part sur une approche par transfert d'apprentissage (transfer learning) dans laquelle l'ajustement (fine tuning) est réalisé in-situ en conditions dégradées : capteurs décalibrés ou en nombre réduit.
D'autres parts, l'injection de connaissance physique devra être intégrée de manière à rendre possible les phases d'apprentissage et d'adaptation locale, faciliter leur séparation tout en y apportant de l'explicabilité, augmenter la robustesse de la solution.
Un objectif ambitieux et plus critique consiste à contribuer à évaluer le risque de chute au domicile avant son occurrence, afin d'anticiper des mesures préventives telles que l'adaptation du logement ou des ateliers d'équilibre. Le risque étant multifactoriel (profil de la personne × caractéristiques du logement), notre contribution apporte une aide au diagnostic via des mesures continues et objectivées en milieu familier, minimisant ainsi les biais. L'étude validera la pertinence et la précision de ces mesures pour les praticiens, probablement exprimé en seuils de variation inter-journaliers des paramètres de la marche. Pour atteindre notre objectif applicatif, il est nécessaire de combiner l'approche analytique et statistique via une hybridation, qui permettra de restreindre le champ d'exploration, d'accroître l'explicabilité, et d'améliorer potentiellement la précision et la robustesse. L'étude évaluera les métriques correspondantes.
La plateforme existante développée au laboratoire intègre 20 capteurs électrostatiques disposés de part et d'autre d'un couloir (10 de chaque côté), nombre suffisant pour mener des traitements sur diverses configurations obtenues par sélection partielle des capteurs.
La labélisation des données d'apprentissage, correspondant à la localisation spatio-temporelle de la marche, sera réalisée via une campagne d'acquisition avec des repères marqués au sol. Une étude préalable a permis une labélisation automatique à l'aide d'une caméra de profondeur, mais les résultats sont limités par la précision de ce capteur. Néanmoins, la détection des instants des pas s'est avérée performante [Lapique 2026].
L'injection de connaissance issue des deux sources que sont la réponse analytique des capteurs et les contraintes physiologiques de la marche devra être intégrée dans notre dispositif à l'instar des approches KADL (Knowledge-aided deep learning). Cela inclut le choix approprié du support (équations, règles logiques, graphes), et les points d'injection de cette connaissance dans le modèle ; les candidats sont :
a) Le pré-traitement préparation de données (filtrage de contraintes physique i.e. vitesse impossible),
b) L'entrainement du modèle : équations dans LOSS, hybrid loss
c) architecture du modèle : couche de contraintes physiques, attention guidée par la physique, graph (GNN),
d) post traitement : validation physique des prédictions.

Méthodologie
Création d'un nouveau jeu de données : mise en place de la campagne d'apprentissage à l'aide du réseau de capteurs électrostatique. Afin d'évaluer la phase d'adaptation in-situ, d'autres capteurs sont placés dans l'expérimentation. Cela permettra d'avoir un jeu de données d'apprentissage et d'exploitation tout en ayant les informations de références pour évaluer l'ensemble du processus en termes de précision et de robustesse de la phase d'apprentissage généraliste mais également de celle de l'adaptation in-situ.
Evaluation de la performance selon le placement et le nombre de capteurs. A partir du jeu de données, différentes configurations du réseau seront testées selon les capteurs sélectionnés. Cela permettra d'en déduire les configurations optimales. Une approche statistique permettra de quantifier les résultats.
Intégration de connaissance dans le processus. Cette phase fera l'objet d'une étude bibliographique des différentes techniques et approches. Les différents supports de connaissance seront considérés. La théorie des possibilités, bien maîtrisée au LISTIC, semble être un bon support de connaissance et originale dans le contexte de l'étude ; elle fera l'objet d'une attention particulière. Dans une étude préparatoire, elle a montré son efficacité dans la phase d'entraînement [Lapique 2026].
Enfin, les expérimentations permettront d'évaluer l'impact de l'intégration des connaissances sur la performance.
Adaptation in-situ séparée du modèle sera étudié au regard du modèle généraliste pour lequel les connaissances physisques ont été intégrés dans l'étape précédente. Cette évaluation sera rendue possible par l'exploitation des données obtenue dans la première phase.

- 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