Apprentissage profond pour l’authentification continue et la reconnaissance d’activités humaines à partir de données comportementales multimodales

Snoussi, Khalil (2025). Apprentissage profond pour l’authentification continue et la reconnaissance d’activités humaines à partir de données comportementales multimodales. Mémoire de maîtrise électronique, Montréal, École de technologie supérieure.

Prévisualisation

PDF Télécharger (2MB) | Prévisualisation

Résumé

Les smartphones modernes embarquent une variété de capteurs, tels que l’accéléromètre, le gyroscope et l’écran tactile capacitif, offrant une opportunité unique pour l’authentification continue et la reconnaissance d’activités humaines. Ce mémoire propose deux architectures basées sur l’apprentissage profond et les modèles à espaces d’états structurés (SSM) : S4HI, pour l’identification robuste à partir de données comportementales inertielles, et MEDUSAA, un encodeur-décodeur multimodal combinant capteurs inertiels et interactions tactiles. Ces approches exploitent la capacité des SSM à capturer efficacement les dépendances temporelles longues, tout en réduisant la complexité et le temps d’inférence par rapport aux architectures de type Transformer. Les modèles sont évalués sur plusieurs jeux de données publics (HMOG, OU-ISIR, WhuGait, PAMAP2, Capture-24) et démontrent des performances supérieures en précision, évolutivité et déploiement en ligne. Les résultats obtenus confirment le potentiel de ces méthodes pour des applications embarquées sécurisées et à faible consommation énergétique.

Titre traduit

Deep learning for continuous authentication and human activity recognition from multimodal behavioral data

Résumé traduit

Modern smartphones are equipped with a variety of sensors, such as the accelerometer, gyroscope, and capacitive touchscreen, which offer a unique opportunity for continuous authentication and human activity recognition. This thesis proposes two deep learning and structured state-space model (SSM) based architectures : S4HI, for robust identification using inertial behavioral data, and MEDUSAA, a multimodal encoder-decoder that combines inertial sensors and tactile interactions. These approaches leverage the ability of SSMs to effectively capture long-term temporal dependencies while reducing complexity and inference time compared to Transformertype architectures. The models are evaluated on several public datasets (HMOG, OU-ISIR, WhuGait, PAMAP2, Capture-24) and demonstrate superior performance in terms of precision, scalability, and online deployment. The results confirm the potential of these methods for secure, low-energy embedded applications.

Type de document:	Mémoire ou thèse (Mémoire de maîtrise électronique)
Renseignements supplémentaires:	"Mémoire présenté à l’École de technologie supérieure comme exigence partielle à l’obtention de la maîtrise avec mémoire". Comprend des références bibliographiques (pages 79-84).
Mots-clés libres:	apprentissage profond, biométrie comportementale
Directeur de mémoire/thèse:	Directeur de mémoire/thèse Jaafar, Wael
Codirecteur:	Codirecteur Langar, Rami
Programme:	Maîtrise en ingénierie > Génie
Date de dépôt:	23 sept. 2025 19:37
Dernière modification:	23 sept. 2025 19:37
URI:	https://espace.etsmtl.ca/id/eprint/3716

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt