Développement d’un modèle MOEM-SMIADP pour la détection des activités en intérieur

Cette étude propose le modèle MOEM-SMIADP, qui se concentre sur la détection et la classification des activités intérieures à l’aide d’applications IoT, destinées aux personnes à mobilité réduite. Le modèle comprend quatre étapes : la normalisation des données, la sélection de caractéristiques basée sur MPA, un ensemble de modèles de classification et la sélection de paramètres à l’aide d’ICOA. La figure 1 illustre le flux de travail du modèle MOEM-SMIADP.

Normalisation min-max

Dans un premier temps, la prétraitement des données effectue une normalisation min-max pour convertir les données d’entrée en un format utile. Cette approche est choisie pour sa capacité à mettre les données à une échelle fixe, généralement [0,1] ou [−1,1], garantissant ainsi une contribution uniforme de toutes les caractéristiques lors du processus d’apprentissage. Cette technique se montre particulièrement efficace lorsque les caractéristiques présentent des échelles variées, évitant ainsi que des caractéristiques dominantes n’obscurcissent les plus petites. Contrairement à la standardisation, qui transforme les données en fonction de la moyenne et de l’écart type, la normalisation min-max préserve la distribution et les relations au sein des données, ce qui la rend idéale pour les algorithmes sensibles à l’échelle absolue, tels que les GCN et LSTM. En outre, elle améliore la vitesse de convergence des algorithmes d’optimisation, réduisant ainsi le temps de formation tout en améliorant la stabilité. Son efficacité computationnelle la rend bien adaptée pour des ensembles de données volumineux et des applications en temps réel.

La normalisation min-max est un mode de prétraitement des données efficace, qui ajuste les valeurs des caractéristiques à un éventail défini, tout en maintenant les relations au sein des données. Dans la surveillance intelligente des actions intérieures via des applications IoT, ce modèle garantit la cohérence des données recueillies à partir de divers capteurs, lesquels peuvent présenter des gammes ou des unités différentes. Pour les personnes handicapées, la reconnaissance précise des anomalies et des activités est essentielle, et la normalisation min-max réduit l’impact des valeurs aberrantes et du bruit, améliorant ainsi la qualité des données. Elle optimise également la performance des techniques d’apprentissage automatique en fournissant des entrées standardisées, permettant aux méthodes de classifier des variations subtiles dans les motifs d’activité. Cela garantit des méthodes de surveillance adaptatives, fiables et efficaces, répondant aux besoins individuels tout en promouvant la sécurité et l’indépendance.

Sélection des caractéristiques utilisant MPA

De plus, la MPA intervient dans le processus de sélection des caractéristiques. Cette technique est choisie pour sa capacité à identifier efficacement les caractéristiques les plus pertinentes tout en écartant celles qui sont bruitées ou redondantes. La MPA imite les stratégies de recherche intelligentes des prédateurs marins, équilibrant avec succès exploration et exploitation durant l’optimisation. Contrairement aux techniques conventionnelles comme les méthodes basées sur la corrélation ou les wrappers, la MPA peut traiter des données à haute dimensionnalité et les interactions intrinsèques entre les caractéristiques. Cela réduit la surcharge computationnelle et améliore les performances du modèle en se concentrant uniquement sur les caractéristiques significatives. Son adaptabilité et sa robustesse dans divers scénarios de données en font un choix particulièrement pertinent pour l’amélioration de la précision des classificateurs et garantir une meilleure généralisation.

Les mouvements de recherche des prédateurs marins stimulent la MPA. Ces prédateurs alternent souvent entre deux motifs de mouvement : le mouvement brownien (BM), qui implique des déplacements consécutifs dans une position similaire, favorisant l’exploitation, et le mouvement de Lévy (LM), qui implique de courts mouvements suivis de sauts plus importants, favorisant l’exploration.

• La première étape consiste à initialiser l’espace de recherche en utilisant des solutions initiales aléatoirement et uniformément distribuées.
• La matrice des proies est mise à jour en considérant des ratios de vitesse plus élevés. Cette mise à jour se produit dans le premier tiers des itérations lors de l’exploration des problèmes.
• Au cours de la deuxième étape, la mise à jour se transforme en une phase d’optimisation transitoire, où le modèle passe de l’exploration à l’exploitation durant le second tiers des itérations.
• En stage 4, le dernier tiers des itérations marque la phase finale du processus d’optimisation, où les mouvements de prédateur utilisent LM.

Détection des activités en intérieur à l’aide de modèles d’ensemble

Pour la détection des activités en intérieur, le modèle MOEM-SMIADP applique un ensemble de trois classificateurs : le modèle GCN, la méthode LSTM-seq2seq et le classificateur CAE. Cette approche d’ensemble est choisie pour sa capacité à capturer des caractéristiques de données diverses et complémentaires. Le GCN excelle dans l’apprentissage de motifs spatiaux et structurels, le LSTM-seq2seq gère efficacement les séquences temporelles et les dépendances à long terme, tandis que le CAE identifie des caractéristiques latentes complexes. L’intégration de ces modèles dépasse les approches unidimensionnelles en tirant parti des avantages de chaque classificateur, ce qui améliore la précision de détection et la robustesse. Contrairement aux méthodes autonomes, l’approche d’ensemble réduit le risque de surajustement et s’adapte mieux aux motifs d’activité intérieure complexes. Sa polyvalence la rend particulièrement efficace dans le traitement des ensembles de données multimodaux et dynamiques.

Points à retenir

• Le modèle MOEM-SMIADP se concentre sur les activités en intérieur, particulièrement pour les personnes à mobilité réduite.
• La normalisation min-max préserve la distribution des données tout en facilitant l’apprentissage des modèles.
• La MPA améliore la sélection des caractéristiques en suivant des stratégies d’exploration et d’exploitation.
• L’utilisation d’un ensemble de classificateurs permet d’améliorer la précision de la détection des activités.

Cette approche innovante nous incite à considérer comment l’intégration des technologies IoT et d’apprentissage automatique pourrait transformer notre mode de vie, notamment pour les personnes en situation de handicap. En s’appuyant sur des modèles robustes et adaptatifs, il est possible d’envisager un avenir où la technologie offre un soutien accru en matière de sécurité et d’autonomie.