Abstract:
La reconnaissance des activités humaines (HAR) est essentielle dans divers domaines tels que la santé, le sport, la surveillance et les interactions homme-machine, et elle contribue significativement à l'amélioration de la qualité de vie et de la sécurité. Ce travail se concentre sur le développement d'un système HAR basé sur des capteurs, utilisant un modèle hybride combinant les réseaux de neurones convolutifs (CNN) et les Gated Recurrent Units (GRU). Cette combinaison permet de bénéficier de l'efficacité des CNN pour extraire des caractéristiques spatiales et des GRU pour capturer les dépendances temporelles, améliorant ainsi la précision et la robustesse du système. Les résultats des tests expérimentaux, réalisés sur les bases de données WISDM et PAMAP2, démontrent une performance accrue grâce à l'utilisation de techniques de magnitude et d'augmentation des données. En conclusion, cette étude propose une approche avancée pour la reconnaissance des activités humaines, avec des perspectives d'amélioration continue et d'élargissement à des activités plus complexes impliquant des interactions précises avec des objets.
