Services e-Santé Sensibles au Contexte dans les Espaces Intelligents

par Haider Mshali

Thèse de doctorat en Informatique

Sous la direction de Damien Magoni et de Tayeb Lemlouma.

Thèses en préparation à Bordeaux , dans le cadre de École doctorale de mathématiques et informatique (Talence, Gironde) , en partenariat avec Laboratoire bordelais de recherche en informatique (laboratoire) depuis le 28-10-2013 .


  • Résumé

    Les maisons intelligentes de santé représentent un environnement idéal qui intègre l'informatique ubiquitaire et les technologies de communication. Ce concept a émergé comme une solution prometteuse qui considère le vieillissement de la population avec la possibilité de leurs offrir des services e-santé qui correspondent à leur contexte et besoins réels. Malheureusement, les solutions e-santé existantes manquent de considération des exigences de la vie réelle des personnes. Ces solutions sont confrontées à de nombreux défis qui n'ont pas été abordés dans les travaux antérieurs. Principalement, les systèmes existants s'opèrent en isolation des standards et exigences des instituts professionnels modernes et n'offrent pas de techniques optimisées qui considèrent l'apprentissage du comportement humain et la prédiction des changements importants. Par conséquent, la majorité des systèmes actuels restent difficiles à intégrer en institution ou dans l'espace où la personne évolue ; ces systèmes impliquent souvent de nombreux moyens coûteux. Dans cette thèse, nous proposons un nouveau système de suivi e-santé pour les personnes âgées, dépendantes et isolées qui vivent seules. Le système proposé garantit une meilleure compréhension du contexte de la personne suivi. Nous avons développé un système sensible au contexte qui surveille et suit les activités de la vie quotidienne de la personne notées AVQ (ou ADL en anglais) tout en prenant en considération les échelles standards les plus utilisées en gériatrie pour l'évaluation du niveau de dépendance des personnes tel que « le système de mesure de l'autonomie fonctionnelle » (SMAF). Le cadre de travail du système proposé offre de nombreux services automatiquement adaptables tels que la collection d'informations pertinentes et contextuelles et l'évaluation de l'état de santé des personnes principalement par le biais du niveau de dépendance. Les approches proposées permettent d'apprendre le mode de vie des sujets en se basant principalement sur l'accomplissement des activités AVQ et la détection de changements de comportement qui peuvent représenter un risque pour la personne suivi. Afin d'être le plus proche de la vie réelle, nous avons adopté un modèle Markovien construit pour générer des longs scénarios réalistes. Concernant le volet détection et prédiction du comportement, nous proposons une nouvelle approche de prévision basée l'extension du modèle GM (1,1). Les performances du système proposé sont évaluées et comparées avec les approches traditionnelles de suivi continu des personnes en considérant différents scénarios et profils de personnes. Les résultats d'évaluation révèlent que notre système offre un suivi efficace des personnes qui optimise le consommation des ressources du système en termes de calcul, énergie et réseau. En effet, avec un minimum de volume de donnés collectées et traitées et un minimum de ressources utilisées, notre système réussit à assurer un suivi avec une précision élevée en termes d'évaluation du niveau de dépendance des personnes, d'apprentissage du comportement, de prédiction des conditions de santé et de détection de situation anormales.

  • Titre traduit

    Context-Aware e-Health Services in Smart Spaces


  • Pas de résumé disponible.