Détection embarquée d'activité avec du machine learning

Occurrences : 

2021

Nombre d'étudiants minimum: 

4

Nombre d'étudiants maximum: 

4

Nombre d'instances : 

1

Faisable à distance: 

Oui

Le but de ce projet est de développer un prototype de dispositif portable permettant d’analyser l’activité d’un individu (marche, course, cyclisme) à partir des données d’un accéléromètre trois axes portés par le sujet. Ces informations seront ensuite aglomérées de façon à pouvoir les stocker et les transmettre de manière compacte à un service de surveillance médicale qui gardera des traces datées de l’activité de son utilisateur.

Il se compose de plusieurs parties :

  • Les données d’accéléromètre destinées à l’entraînement seront collectés et stockées sur une carte SD et associées aux différentes activités. On prendra soin de varier les conditions (sexe, âge, morphologie, positionnement du dispositif) afin d’obtenir un jeu de données étendu.
  • Les données seront traitées comme indiquées dans l’article cité en référence et classifiées avec un algorithme de machine learning afin d’obtenir un modèle utilisable ensuite sur le prototype.
  • Le modèle sera implémenté sur le prototype et stockera, en plus des données brutes pour vérification ultérieure, l’activité détectée.

On évaluera ensuite l’efficacité du prototype en le confiant à une ou plusieurs personnes n’ayant pas participé aux mesures ayant servi pour l’entraînement du prototype.

Le prototype aura les caractéristiques suivantes :

  • Dispositif embarqué : carte Iot Node disposant d’un accéléromètre LIS3MDL
  • Système d’exploitation : système temps-réel mbed
  • Plate-forme de machine learning pour l’entraînement du modèle : TensorFlow
  • Exécution d’inférence embarquée : TensorFlow Lite

Note importante : ce projet est destiné à des étudiants ayant envie de se confronter à la fois à la programmation embarquée et aux bases de machine learning.

Bibliographie