@ARTICLE{10.21494/ISTE.OP.2017.0150, 

TITLE={Apprentissage en profondeur des données brutes de l’activité humaine}, 
  
AUTHOR={Hamdi Amroun, M’Hamed (Hamy) Temkit, Mehdi Ammi, }, 
	
JOURNAL={Internet des objets}, 
	
VOLUME={1}, 

NUMBER={Numéro 2}, 
	
YEAR={2017}, 

URL={https://openscience.fr/Apprentissage-en-profondeur-des-donnees-brutes-de-l-activite-humaine}, 
	
DOI={10.21494/ISTE.OP.2017.0150}, 
	
ISSN={2514-8273}, 
	
ABSTRACT={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.}}