Elderly monitoring using decision trees under domain shifts and computational resource constraints - Centre Borelli UMR 9010 Accéder directement au contenu
Thèse Année : 2022

Elderly monitoring using decision trees under domain shifts and computational resource constraints

Monitoring de personnes âgées basé sur des modèles d'arbres de décision en conditions de variation de domaines et de ressources computationnelles limitées

Mounir Atiq
  • Fonction : Auteur
  • PersonId : 1222193
  • IdRef : 263599388

Résumé

Tarkett is a global flooring company that developed a piezo-electric sensor encapsulated in the flooring and an embedded system meant to be equipped in nursing home patient rooms. The objective through this industrial project is to build reliable machine learning models able to work in real-time in the embedded system, based on piezo-electric signals, to provide useful information for medical staff to monitor their patients health. Considering different measurement technologies we describe how they affect the original physical signal, as well as different data gathering environments in which several dataset have been recorded. To be able to monitor elderly health state some important recurrent events like walk and some anomalies like falls need to be recognized from floor sensor signals.To this end, the way to process signals into adequate data representation, according to these detection purpose, is also a major challenge. We use a wide feature set based on time series from various signal representations such as Fourier transform, autocorrelation and spectrograms. Using predictive models based on random forests on different experimental datasets we show Tarkett system ability to achieve various monitoring tasks, as well as the relevance of each signal representation and associated features regarding these detection tasks. Nevertheless for these experimental studies to be deployed industrially in FIM Care real installations, machine learning models need to fulfill two crucial requirements. Firstly they have to be confronted with real environment data, meaning to be able to adapt to real installations variability and to activity signal differences between people. In this context we deal with the problem of adapting a predictive model initially trained on experimental data to real data with different empirical distribution. This particular situation in machine learning is known as transfer learning or domain adaptation. We address it by confronting simulated events data to real data on the fall detection task that presents the particularity of extreme class imbalance in real conditions. We investigate the drawbacks of this class imbalance on existing transfer learning methods on decision trees and propose some adaptations to handle this problem. Our contribution is a robust model-based transfer learning algorithm on random forests able to deal with class imbalance and that can also be used to interpret relations between two different domains. Secondly, most of the prediction tasks for elderly monitoring have to work in real time being embedded in an electronic device with limited computational capabilities. Taking into account this kind of constraints while designing a predictive model belongs to a branch of machine learning, known as cost sensitive or budget learning, that became an increasingly active research topic in the past years.We translate embedded system computational resource constraints into a budgeted prediction time framework compatible with decision tree based models and propose an efficient and scalable genetic algorithm considering both feature acquisition cost and evaluation cost allowing to pass from an experimental random forest model to a new simplified one that fits in embedded system resource limits. This algorithm takes advantage of the notion of equivalence between classifiers, meaning models sharing the same decision function but with different structures, to favor feature acquisition cost reduction by exploiting structural variety on decision trees.
Cette thèse porte sur le monitoring de personnes âgées en maisons de retraite et EHPAD, à partir d'un capteur sol piezo-électrique relié à un système embarqué. Après avoir présenté les particularités du signal piezo-électrique ainsi que sa conversion en séries temporelles, nous expliquons comment les différentes technologies de mesures affectent le signal original et présentons les différents environnements de collecte de données. Pour notre application un vaste ensemble de features est employé, basé sur plusieurs représentations du signal comme la transformée de Fourier, l'auto-corrélation et les spectrogrammes. Plusieurs études expérimentales sur les forêts aléatoires sont réalisées et montrent la faisabilité de plusieurs tâches de détection ainsi que la pertinence des différentes représentation du signal et features associées.Cependant pour être déployés de manière industrielle ces modèles doivent respecter deux contraintes majeures. Premièrement ils doivent être confrontés aux données réelles et s'adapter à la variabilité des installations et des patients. Dans cette optique des méthodes d'apprentissage par transfert sont étudiées pour l'intégration de nouvelles données obtenues en conditions réelles dans un modèle préalablement entraîné sur des données simulées en environnement contrôlé. Nous étudions donc les effets néfastes liés au déséquilibre de classes sur l'apprentissage par transfert et proposons, pour palier à ce problème, des adaptations de méthodes existantes sur les arbres de décision. A partir de ces adaptations nous développons un algorithme robuste de transfert sur les forêts aléatoires utile à la fois pour gérer le déséquilibre de classes et pour interpréter les relations entre les différents domaines de données.En outre ces modèles doivent tourner en temps réel dans un système embarqué aux capacités computationnelles réduites. Prendre en compte ce genre de contraintes lors de la conception d'un modèle de prédiction correspond au domaine de recherche appelé "budgeted learning", qui est particulièrement actif ces dernières années. Nous définissons formellement le temps de prédiction pour les arbres de décision et forêts aléatoires prenant en compte à la fois le coût d'acquisition des features et le coût d'évaluation du modèle. Nous proposons un algorithme génétique pour résoudre le problème de la contrainte du temps de prédiction qui permet de passer d'un modèle déjà entraîné sans contraintes à un modèle simplifié qui respecte cette contrainte de temps de calcul. Cet algorithme tire parti d'un pruning aléatoire et de la notion d'équivalence entre les arbres de décision, c'est-à-dire lorsque deux modèles représentent la même fonction de décision mais diffèrent par leur structure, dans le but de favoriser la réduction du temps de prédiction en exploitant la variété structurelle des arbres de décision.
Fichier principal
Vignette du fichier
86057_ATIQ_2022_archivage.pdf (6.89 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)

Dates et versions

tel-03967923 , version 1 (01-02-2023)

Identifiants

  • HAL Id : tel-03967923 , version 1

Citer

Mounir Atiq. Elderly monitoring using decision trees under domain shifts and computational resource constraints. Embedded Systems. Université Paris-Saclay, 2022. English. ⟨NNT : 2022UPASM004⟩. ⟨tel-03967923⟩
84 Consultations
86 Téléchargements

Partager

Gmail Facebook X LinkedIn More