Description du poste
*HAR Multi-View par Vision RGB-D pour réhabilitation neurologique à domicile*
*Descriptiondustage:*
Ce stage s’inscrit dans un projet visant à développer une solution de suivi et d’évaluation automatisée des exercices de rééducation neurologique à domicile (post-AVC, Parkinson, etc.) en s’appuyant sur plusieurs caméras RGB-D.
L’objectif est de fournir des retours précis sur la qualité d’exécution des exercices (classification + scoring des erreurs/compensations) tout en restant robuste aux occlusions et aux variations de point de vue, pour faciliter le télé-suivi clinique et la personnalisation des programmes de rééducation.
*Objectifs scientifiques*
* *Identifier les exercices* : Concevoir un modèle capable de reconnaître 12–15 exercices de rééducation à partir de flux RGB-D.
* *Évaluer la qualité d’exécution* : Produire un score continu mesurant erreurs et compensations (amplitude, rythme, posture).
* *Robustesse multi-vue* : Développer une stratégie de fusion entre caméras qui reste fiable en présence d’occlusions et de changements de point de vue.
* *Modélisation temporelle* : Intégrer la dynamique des mouvements pour améliorer classification et scoring.
* *Validation clinique* : Tester la méthode sur des données patient réelles et vérifier sa pertinence pour le suivi à domicile.
*Tâches principales :*
* *Revue bibliographique & définition du protocole* : Synthèse des approches existantes et définition des exercices, métriques et conditions d’essai.
* *Acquisition et préparation des données* : Collecte RGB-D (multi-caméras), annotation et prétraitement (filtrage, synchronisation, anonymisation).
* *Extraction par vue* : Extraire représentations pertinentes par caméra (pose 2D/3D, keypoints, features visuels).
* *Fusion multi-view & temporalité* : Concevoir et implémenter le mécanisme de fusion (fusion précoce/tardive, attention, GCN/transformer temporel).
* *Classification et scoring* : Développer la tête multi-tâches qui produit à la fois l’étiquette d’exercice et le score de qualité.
* *Évaluation & validation clinique* : Mesurer performances (précision, rappel, erreur de scoring) et valider sur jeux de données patients / tests terrain.
* *Documentation & diffusion* : Rédiger rapport, code reproductible et matériel de présentation pour clinicians/partenaires.
*Compétences et pré-requis :*
* Solides connaissances en vision par ordinateur et deep learning (CNN, Transformers, GCN).
* Expérience pratique avec PyTorch ou TensorFlow.
* Connaissances en capture RGB-D, estimation de pose 3D (MediaPipe, OpenPose).
* Notions en éthique numérique & protection des données (anonymisation, consentement patients).
*Bibliographie :*
* A.
Sabrina, B.
Sarra and M.
Khawla, "Visual-HAR: A Real-Time Human Activity Recognition Model Based on Visual Sensors," _2024 4th International Conference on Electrical, Computer, Communications and Mechatronics Engineering (ICECCME)_, Male, Maldives, 2024, pp.
1-6, doi: 10.1109/ICECCME62383.2024.10796463.
* R.
R.
Dokkar, F.
Chaieb, H.
Drira, and A.
Aberkane, “_ConViViT — A Deep Neural Network Combining Convolutions and Factorized Self-Attention for Human Activity Recognition_,” _arXiv preprint arXiv:2310.14416_, 2023.
doi: 10.48550/arXiv.2310.14416.
* Olfa Haggui, Hamza Bayd, Baptiste Magnier, Arezki Aberkane.
Human Detection in Moving Fisheye Camera using an Improved YOLOv3 Framework.
IEEE MMSP 2021
- IEEE 23rd International Workshop on Multimedia Signal Processing, Oct 2021, Tampere, Finland.
ff10.1109/mmsp53017.2021.9733674ff.
ffhal-03372894
* A novel multi‑modal rehabilitation monitoring over human motion intention recognition (HMIR) (Kamal et al., 2025)
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
