Using Random Forest for Opportunistic Human Activity Recognition: a complete study on Opportunity dataset

RÉSUMÉ Un grand nombre de recherches existent pour la reconnaissance d’activité humaine. Cependant, la plupart d’entre elles utilisent un ensemble statique et immuable de capteurs connus par avance. Cette approche ne fonctionne pas lorsqu’elle est appliquée à un système ubiquitaire, car nous ne connaissons alors pas par avance quels capteurs seront disponibles dans l’environnement de l’utilisateur. C’est pourquoi nous considérons ici une approche opportuniste où chaque capteur est entrainé individuellement et capable d’apporter sa propre connaissance. Nous considérons toutes les étapes de la chaîne de reconnaissance d’activité et nous montrons comment ce processus peut être amélioré à chacune de ces étapes. Plus précisément, nous prenons en compte les étapes telles que le prétraitement, la segmentation, l’extraction de caractéristiques et l’apprentissage. Nous proposons également d’évaluer à la fois l’efficacité des Random Forests (RF) pour entrainer des capteurs et la robustesse de la fusion des résultats basée sur le vote à la majorité en comparant les résultats obtenus à ceux du projet Opportunity. Nous montrons ainsi que les RF donnent de meilleurs résultats plus robustes que les algorithmes d’apprentissage testés par Opportunity.