Vous êtes ici : Accueil » Kiosque » Annonce

Identification

Identifiant: 
Mot de passe : 

Mot de passe oublié ?
Détails d'identification oubliés ?

Annonce

11 avril 2017

Offre de thèse CIFRE - Orange Labs Grenoble - "Prédiction de routines situationnelles dans l'activité des personnes fragiles"


Catégorie : Doctorant


Contexte de la thèse : Fort de plus de 20 années de recherche dans le domaine de la santé, le groupe Orange a réaffirmé que ce domaine compte parmi ses priorités lors de la communication du Plan Stratégique Essentiels 2020. Orange Labs Grenoble contribue sur la valorisation des données inertielles par des méthodes du traitement du signal, de détection de postures, de reconnaissance de gestes et d’activités.

 

Description du sujet de thèse

Dans le domaine de l'intelligence ambiante, on appelle « situation » pour un individu le quadruplet (identité, localisation, date, activité). Ces situations sont routinières au fil du temps car de nombreuses situations se reproduisent régulièrement dans des ordres spécifiques. Elles peuvent être captées par des systèmes inertiels (ex: accéléromètre, gyromètre, magnétomètre). Pour favoriser le maintien à domicile des personnes dites « fragiles », l'analyse de ces routines situationnelles est devenue incontournable pour rendre toujours plus simples les services aux usagers. De plus, le volume toujours croissant de données générées par des systèmes inertiels rend délicat et laborieux l'interprétation des situations récurrentes de l'utilisateur par un agent humain ou même par l'utilisateur lui-même. Il apparait alors crucial de développer des outils de traitement automatique des données séquentielles permettant la modélisation de ces routines. Les applications utilisant des routines régulières provenant de l'actimétrie sont diverses et peuvent concerner : les services de santé publique, les transports intelligents, les services commerciaux, etc.

Ce sujet de thèse se consacrera alors à la détection, à la reconnaissance et à la prédiction de routines dans les flux de données provenant de l'activité de l'utilisateur (i.e. l'utilisateur agit avec son objet connecté, il est instrumenté). Analyser la nature de ces routines permet d'aider les utilisateurs à personnaliser, adapter ses services à ses besoins (ex : plasticité des interfaces, apprentissage adaptatif, etc.). Cette problématique se place dans le cadre de l'intelligence ambiante et de la reconnaissance de motifs.

Le premier défi scientifique posé par la détection de routines est la détection de changements significatifs. Le problème de la détection de changements s'étudie classiquement par une segmentation temporelle de l'information. Sur une fenêtre d'analyse de données multimodales, quels sont les changements qui marquent le début et la fin d'une activité porteuse de sens pour l'utilisateur ? La significativité de cette détection est fondamentale pour guider l'interprétation des données lors de leur analyse. Une fois la détection de routines saillantes effectuée, le second défi consiste en l'analyse et l'interprétation de ces événements pour les reconnaitre. C'est une étape importante pour filtrer les événements récurrents qui ne sont pas porteurs de sens, mais également pour reconnaître ces routines. Les techniques de reconnaissance de routines à étudier seront celles relevant de l'itemset mining, sequential pattern mining, string mining, et du deep learning. La prédiction des routines peut être établie par apprentissage des séquences de reconnaissance de routines. L'ordonnancement des classes de routines induit les probabilités d'apparition des routines futures à court terme.

L'objectif de cette thèse est de proposer des architectures de réseaux de neurones (deep learning) pour détecter, reconnaître et prédire des routines régulières dans les données inertielles.

[1] Polar Sine-based Siamese Neural Network for Gesture Recognition. S. Berlemont, G. Lefebvre, S. Duffner, C. Garcia, ICANN 2016.

[2] Siamese Neural Network based Similarity Metric for Inertial Gesture Classification and Rejection. S.Berlemont, G.Lefebvre, S.Duffner, C.Garcia, IEEE FG 2015.

Profil des candidats

Vous avez des compétences en Apprentissage Automatique (deep learning) et en Mathématiques Appliquées. Vous êtes autonome, curieux-se, persévérant-e, motivé-e par une carrière dans le domaine de la recherche industrielle.

Dans le domaine des Mathématiques Appliquées ou de l'Informatique, vous possédez un master recherche ou êtes diplômé-e d'une école d'ingénieur pour laquelle une équivalence au master recherche est établie.

Vous avez effectué un stage ou projet de fin d'étude dans le domaine de l'apprentissage automatique (supervisé ou non-supervisé).

Le sujet de thèse proposé concerne le domaine de l'intelligence ambiante. Il s'agit d'un des axes de recherche majeur et en expansion dans le monde industriel et académique. Vous rejoindrez une équipe de spécialistes pluridisciplinaires à Orange Labs, près de Grenoble, sur le domaine des objets connectés.

Le travail se déroulera en collaboration étroite avec Dr. Grégoire Lefebvre (Orange Labs), Dr. Stefan Duffner (LIRIS INSA Lyon) et Pr. Christophe Garcia (LIRIS INSA Lyon). Le candidat pourra valoriser sa thèse par une expérience de recherche industrielle dans le domaine en expansion de la « science des données » (data science).

Pour répondre à cette offre

Veuillez candidater en ligne (CV, lettre de motivation, lettres de recommandation, notes Bac+5): https://orange.jobs/jobs/offer.do?joid=61442&lang=FR

 

Dans cette rubrique

(c) GdR 720 ISIS - CNRS - 2011-2015.