Stage traitement de signal/IA

HAR Basé sur Wi-Fi CSI pour Monitoring Non-Intrusif des Personnes Âgées

Description du stage:

Ce stage s'inscrit dans un projet visant à concevoir un système robuste de reconnaissance d'activités humaines spécifiquement dédié au monitoring non-intrusif des personnes âgées, en s'appuyant sur le Channel State Information (CSI) des signaux Wi-Fi. L'objectif est d'exploiter les variations fines d'amplitude et de phase du CSI pour reconnaître des activités quotidiennes, détecter des anomalies comportementales (chutes, inactivité prolongée) et garantir une bonne généralisation entre environnements (pièces, agencements différents). Il s'inscrit dans la continuité d'un travail précédent sur la reconnaissance en temps réel d'activités via CSI, avec pour objectif d'améliorer les performances et de réduire le surapprentissage.

Objectifs scientifiques

• Reconnaissance d'activités : Concevoir un modèle d'apprentissage profond capable d'identifier plusieurs activités quotidiennes (marche, s'asseoir, se lever, cuisiner, chute, etc.) à partir du CSI Wi-Fi.
• Robustesse aux environnements : Rendre le système résilient aux variations d'environnement (pièces, mobilier, positions des antennes) afin qu'il fonctionne dans différents logements.
• Généralisation et performance : Obtenir des performances élevées et stables sur des jeux de données variés et démontrer une bonne généralisation inter-environnements.
• Détection d'anomalies : Intégrer un mécanisme pour repérer rapidement les événements critiques (chute, inactivité prolongée, comportements inhabituels).
• Transfert vers usage réel : Valider la solution en conditions réelles et préparer une documentation/pack de démonstration pour déploiement ou poursuites de R&D.

Tâches principales :

• Revue bibliographique & définition du jeu de données : Synthétiser l'état de l'art sur HAR par CSI et définir les données nécessaires (capteurs, labels, scénarios).
• Prétraitement et pipeline : Nettoyer, synchroniser et extraire caractéristiques pertinentes du CSI (amplitude, phase), et construire un pipeline reproductible.
• Conception du modèle : Proposer et implémenter une architecture légère (ex. CNN/Transformer ou hybride) adaptée aux signaux CSI et au contexte d'utilisation.
• Mécanismes de robustesse / adaptation : Ajouter des modules (attention, adaptation de domaine, augmentation) pour améliorer la robustesse cross-environnement.
• Détection d'anomalies : Développer une branche/approche d'anomalie (autoencoder, one-class, score sur embeddings) pour détecter chutes et inactivité.
• Optimisation, évaluation & validation terrain : Mesurer les performances (précision, rappel, robustesse), itérer les optimisations et valider en conditions réelles sur cas d'usage représentatifs.
• Documentation & valorisation : Rédiger rapport, code reproductible, jeux de données annotés (si possible) et support de présentation/démonstration.

Compétences et pré-requis :

• Maîtrise du machine learning / deep learning (CNN, Transformers).
• Expérience pratique avec PyTorch ou TensorFlow.
• Connaissances en traitement du signal (filtrage, phase/amplitude) et compréhension du CSI Wi-Fi.
• Connaissances en adaptation de domaine et détection d'anomalies (one-class SVM, autoencoders, adversarial DA).
• Bonnes compétences en Python, manipulation de données et rédaction scientifique.

Bibliographie :

• M. Karim, S. Imène and G. Aymen, "Real-Time Human Activity Recognition Using Wi-Fi CSI: A Deep CNN Architecture Approach," 2024 IEEE Thirteenth International Conference on Image Processing Theory, Tools and Applications (IPTA), Rabat, Morocco, 2024, pp. 1-6, doi: /IPTA
• Y. Chen, C. Li, T. Juang « A Semi-Supervised Transfer Learning with Dynamic Associate Domain Adaptation for Human Activity Recognition Using WiFi Signals » (Sensors, 2021).
• Y. Chu, K. Cumanan, S. K. Sankarpandi, S. Smith, O. A. Dobre « Deep Learning Based Fall Detection Using WiFi Channel State Information » (IEEE Access, 2023)
• S. Varga « Critical Analysis of Data Leakage in WiFi CSI-Based Human Action Recognition Using CNNs » (Sensors, 2024)

Type d'emploi : Stage

Durée du contrat : 6 mois

Rémunération : 4,35€ par heure

Nombre d'heures : 35 par semaine

Lieu du poste : En présentiel