Grant: Discovery Grants Program - Individual
Université du Québec à Chicoutimi
$20,000.00
Intelligence ambiante et domotique pour le maintien à domicile: une nouvelle approche non supervisée de forage de données spatiotemporelles
FY 2018-19
Summary
Depuis quelques années, la discipline de l'intelligence ambiante connait un essor grandissant en informatique et en génie. Celle-ci se définit comme une combinaison entre la domotique, soit la distribution dissimulée de capteurs et d'effecteurs dans un habitat, et l'intelligence artificielle, le programme analysant les données. De nombreuses applications peuvent découlées de l'intelligence ambiante, notamment plusieurs liées au problème du vieillissement de la population. En effet, elle s'avère être une solution prometteuse pour le maintien à domicile des populations à profil gériatrique, tout en maximisant leur qualité de vie. Dans ce contexte, l'un des principaux défis se compose par l'élaboration des algorithmes capables de reconnaître les activités de la vie quotidienne (AVQ) d'un résident. La reconnaissance d'activités consiste à recueillir les données en provenance de ces capteurs, à les interpréter sous forme de modèles abstraits simples et de les associer à un modèle d'AVQ préexistant dans une base de connaissances. Deux approches nous permettent de nous attaquer au problème de la reconnaissance d'activités. Le principal inconvénient de la première, soit l'approche symbolique, est qu'elle définit les AVQ en langage formel et nécessite la construction fastidieuse d'une base de connaissances exhaustive. En revanche, l'approche du forage, telle que nous l'utilisons, construit automatiquement celle-ci. Le forage de données peut se définir comme le processus non trivial d'extraction d'informations implicites, nouvelles, et potentiellement utiles, à partir de grands volumes de données. Le présent programme s'organisera donc autour de deux volets de recherche. Le premier volet visera à améliorer en amont le forage de données par l'exploration de caractéristiques spatiotemporelles. Le principal défi scientifique est de parvenir à exploiter celles-ci tout en conservant la généralité des solutions. L'avantage qui en résulte sera de parvenir à définir les AVQ avec une granularité plus fine et d'ainsi améliorer la précision de la reconnaissance. Le second volet traitera d'une problématique en aval du forage : la dérive conceptuelle. Ce problème apparait lorsque les propriétés statistiques des variables, que les modèles essaient de prédire, évoluent au fil du temps. Afin d'éviter que ceux-ci dérivent trop des modèles appris, nous explorerons les techniques de forage prédictif et de forage incrémental de données.*En plus des avantages socioéconomiques énoncés en introduction, le financement de ces travaux de recherche permettra la création de propriété intellectuelle et de nouvelles connaissances scientifiques dans un domaine en plein essor. Ainsi, le transfert technologique permettra aux entreprises canadiennes d'innover et de se démarquer face l'économie compétitive des technologies de l'information et des communications.
Program
Discovery Grants Program - Individual
Recipient
Location
Quebec, Canada
Recipient Type
Academia
Type
Grant
Source
NSERC's Awards Data
As published
Application id
RGPIN-2017-05126
Name nom
Bouchard, Kévin
Department département
Informatique et de mathématique
Organization id
52
Institution établissement
Université du Québec à Chicoutimi
Province en
Québec
Province fr
Québec
Country en
CANADA
Country fr
CANADA
Fiscal year exercice financier
2018
Competition year année de concours
2017
Award amount
20000
Program id
RGPIN
Program name en
Discovery Grants Program - Individual
Program name fr
Programme de subventions à la découverte - individuelles
Group en
Discovery grants programs
Group fr
Programmes de subventions à la découverte
Committee code
1507
Committee name en
Computer Science
Committee name fr
Sciences informatiques
Area of application code
802
Area of application group en
Information and communication services
Area of application group fr
Services d'information et de télécommunications
Area of application en
Information systems and technology
Area of application fr
Systèmes d'information et technologie de l'information
Research subject code
2805
Research subject group en
Artificial intelligence
Research subject group fr
Intelligence artificielle
Research subject en
Learning and inference theories
Research subject fr
Théories de l'apprentissage et l'inférence
Partie
2
Nb partie
5
Application title
Intelligence ambiante et domotique pour le maintien à domicile: une nouvelle approche non supervisée de forage de données spatiotemporelles
Keyword
NSERC
Application summary
Depuis quelques années, la discipline de l'intelligence ambiante connait un essor grandissant en informatique et en génie. Celle-ci se définit comme une combinaison entre la domotique, soit la distribution dissimulée de capteurs et d'effecteurs dans un habitat, et l'intelligence artificielle, le programme analysant les données. De nombreuses applications peuvent découlées de l'intelligence ambiante, notamment plusieurs liées au problème du vieillissement de la population. En effet, elle s'avère être une solution prometteuse pour le maintien à domicile des populations à profil gériatrique, tout en maximisant leur qualité de vie. Dans ce contexte, l'un des principaux défis se compose par l'élaboration des algorithmes capables de reconnaître les activités de la vie quotidienne (AVQ) d'un résident. La reconnaissance d'activités consiste à recueillir les données en provenance de ces capteurs, à les interpréter sous forme de modèles abstraits simples et de les associer à un modèle d'AVQ préexistant dans une base de connaissances. Deux approches nous permettent de nous attaquer au problème de la reconnaissance d'activités. Le principal inconvénient de la première, soit l'approche symbolique, est qu'elle définit les AVQ en langage formel et nécessite la construction fastidieuse d'une base de connaissances exhaustive. En revanche, l'approche du forage, telle que nous l'utilisons, construit automatiquement celle-ci. Le forage de données peut se définir comme le processus non trivial d'extraction d'informations implicites, nouvelles, et potentiellement utiles, à partir de grands volumes de données. Le présent programme s'organisera donc autour de deux volets de recherche. Le premier volet visera à améliorer en amont le forage de données par l'exploration de caractéristiques spatiotemporelles. Le principal défi scientifique est de parvenir à exploiter celles-ci tout en conservant la généralité des solutions. L'avantage qui en résulte sera de parvenir à définir les AVQ avec une granularité plus fine et d'ainsi améliorer la précision de la reconnaissance. Le second volet traitera d'une problématique en aval du forage : la dérive conceptuelle. Ce problème apparait lorsque les propriétés statistiques des variables, que les modèles essaient de prédire, évoluent au fil du temps. Afin d'éviter que ceux-ci dérivent trop des modèles appris, nous explorerons les techniques de forage prédictif et de forage incrémental de données.*En plus des avantages socioéconomiques énoncés en introduction, le financement de ces travaux de recherche permettra la création de propriété intellectuelle et de nouvelles connaissances scientifiques dans un domaine en plein essor. Ainsi, le transfert technologique permettra aux entreprises canadiennes d'innover et de se démarquer face l'économie compétitive des technologies de l'information et des communications.