Méthodes topologiques et apprentissage statistique pour l'actimétrie du piéton à partir de données de mouvement

par Bertrand Beaufils

Projet de thèse en Mathématiques aux interfaces

Sous la direction de Frédéric Chazal.

Thèses en préparation à Paris Saclay , dans le cadre de Mathématiques Hadamard , en partenariat avec LMO - Laboratoire de Mathématiques d'Orsay (laboratoire) , Probabilités et statistiques (LMO) (equipe de recherche) et de université Paris-Sud (établissement de préparation de la thèse) depuis le 15-10-2016 .


  • Résumé

    Sur le plan mathématique, l'objectif principal de cette thèse est de proposer un cadre mathématique solide et une méthodologie rigoureuse pour coupler les outils de l'analyse topologique des données avec les méthodes de l'apprentissage statistique pour l'étude de signaux temporels multivariés. Cette recherche sera motivée par l'analyse de données temporelles multivariées issues des dispositifs de navigation développés chez Sysnav. Sur le plan applicatif et industriel, l'objectif de la thèse est la mise au point d'une série de briques algorithmiques innovantes et performantes pour le suivi à domicile et la détection d'effets secondaires chez des patients équipés du système ou pour le suivi d'activité et l'exploitation des données de mouvement pour d'autres activités professionnelles. Enfin, un point déterminant de l'approche est lié à l'objectif précis de l'utilisation faite des données. Par exemple pour interagir de façon constructive avec le personnel médical ou sportif impliqué dans le projet, il est essentiel de pouvoir identifier quelles caractéristiques fréquentielles, géométriques ou d'une autre nature, sont les plus discriminantes pour reconnaître les activités d'un piéton. Plutôt que de mettre en compétition un grand nombre d'algorithmes prédictifs, l'objectif est donc ici de concevoir et sélectionner des descripteurs efficaces et interprétables.

  • Titre traduit

    Topological Data Analysis and Statistical Learning for measuring pedestrian activities from sensor data


  • Résumé

    On the mathematical side, the goal of this PhD is to propose a mathematical framework and a robust methodology to combine statistical learning tools with topological data analysis tools for the study of multivariate time-dependent signals. This research is motivated by the analysis of data issued from magneto-inertial sensors developed by Sysnav. On the applied and industrial side, the goal of this PhD is to develop a set of innovative and efficient algorithmic tools to monitor patients equipped with the Sysnav sensors at home and detect secondary effects of some drug treatments (e.g. diskynesia in Parkinson desease).