TY  - Type of reference 
TI  - Apprentissage en profondeur des données brutes de l’activité humaine 
AU  - Hamdi Amroun 
AU  - M’Hamed (Hamy) Temkit 
AU  - Mehdi Ammi 
AB  - Dans cet article, nous proposons une approche pour reconnaitre certaines activités physiques en utilisant un réseau d’objets connectés. L’approche consiste à classer certaines activités humaines : marcher, debout, assis et allonger. Cette étude utilise un réseau d’objets connectés usuels : une montre connectée, un smartphone et une télécommande connectée. Ces objets sont portés par les participants lors d’une expérience non contrôlée. Les données des capteurs des trois dispositifs ont été classées par un algorithme du DNN (Deep Neural Networks) sans prétraitement préalable des données d’entrée. Nous montrons que (DNN) fournit de meilleurs résultats par rapport aux autres
algorithmes classiques de type arbres de décision (DT) et Support Vector Machine (SVM). Les résultats montrent également que les activités des participants ont été classées avec une précision de plus de 98,53%, en moyenne. 
DO  - 10.21494/ISTE.OP.2017.0150 
JF  - Internet des objets 
KW  - Reconnaissance de l’activité,  DNN,  environnement non contrôlé, Activity recognition,  DNN,  Non controlled environnement,  IOT,  
L1  - http://openscience.fr/IMG/pdf/iste_idov1n2_4.pdf 
LA  - fr 
PB  - ISTE OpenScience 
DA  - 2017/06/19 
SN  - 2514-8273 
TT  - In‐Depth Learning of Raw Human Activity Data 
UR  - http://openscience.fr/Apprentissage-en-profondeur-des-donnees-brutes-de-l-activite-humaine 
IS  - Numéro 2 
VL  - 1 
ER  -