Rehouma, Haythem
(2026).
« Détection de chutes par apprentissage profond : approche multimodale et stratégies de fusion » Mémoire.
Montréal (Québec, Canada), Université du Québec à Montréal, Maîtrise en informatique.
Fichier(s) associé(s) à ce document :
Résumé
La détection rapide et fiable des chutes chez les personnes âgées demeure un enjeu majeur pour la prévention des complications médicales graves, en particulier durant la nuit, lorsque la surveillance humaine est limitée. Les approches classiques reposent le plus souvent sur une seule modalité de capteurs, typiquement soit des unités de mesure inertielle (IMU), soit des caméras RGB. Ces systèmes unimodaux souffrent cependant de limites importantes : les IMU génèrent de nombreux faux positifs lors de mouvements brusques mais bénins, tandis que la vision est sensible aux variations d’éclairage, aux occlusions et aux enjeux de confidentialité. Ce mémoire propose une architecture de détection de chutes en temps réel fondée sur un apprentissage profond multimodal combinant un capteur IMU embarqué et une caméra RGB. La contribution principale est un schéma de fusion tardive (late fusion) dans lequel chaque modalité est traitée par un modèle spécialisé : un autoencodeur LSTM entraîné de façon non supervisée sur des séquences de mouvements nocturnes pour détecter les anomalies inertiels, et un Transformer appliqué aux trajectoires de points squelettiques extraits par MediaPipe à partir de la vidéo. Les deux sorties (score d’anomalie inertielle et probabilité visuelle de chute) sont ensuite combinées au niveau décisionnel à l’aide de seuils adaptés, de manière à exploiter la complémentarité des signaux plutôt que de les fusionner précocement. L’évaluation expérimentale, réalisée en environnement nocturne domestique contrôlé, montre que l’approche bimodale proposée permet de réduire significativement le taux de fausses alarmes par rapport aux systèmes unimodaux, tout en maintenant une sensibilité élevée. Le système atteint ainsi des performances globales compatibles avec une surveillance continue en temps réel sur processeur CPU, avec une latence d’environ 50 ms par image, sans recours au GPU. Ces résultats suggèrent que la fusion tardive de modèles profonds inertiels et visuels constitue une voie prometteuse pour le déploiement de solutions de télésurveillance nocturne fiables et acceptables en milieu domestique.
_____________________________________________________________________________
MOTS-CLÉS DE L’AUTEUR : détection de chutes, apprentissage profond, autoencodeur LSTM, Transformer, fusion tardive, IMU, MediaPipe, surveillance nocturne.
| Type: |
Mémoire accepté
|
| Informations complémentaires: |
Fichier numérique reçu en format PDF. |
|
Directeur de thèse: |
Boukadoum, A. Mounir |
| Mots-clés ou Sujets: |
Détection automatique des chutes / Chutes (Accidents) / Nuit / Apprentissage profond |
| Unité d'appartenance: |
Faculté des sciences > Département d'informatique |
| Déposé par: |
Service des bibliothèques
|
| Date de dépôt: |
15 oct. 2026 10:09 |
| Dernière modification: |
15 oct. 2026 10:09 |
| Adresse URL : |
https://archipel.uqam.ca/secure/id/eprint/20403 |
RECHERCHER
PARCOURIR
LIBRE ACCÈS
