Etudiant : FAQIR ILYAS

Filière : Master Web Intelligence et Sciences des Données (WISD)

Encadrant : Pr. SATORI KHALID

Annèe : 2026

Résumé : La reconnaissance d’activités humaines (HAR) à partir des données Wi-Fi constitue une voie prometteuse pour le développement de systèmes non intrusifs, respectueux de la vie privée et économiquement viables. Les informations d’état du canal (CSI) capturent finement les variations du signal induites par les mouvements humains, mais les modèles entraînés sur un ensemble d’utilisateurs peinent à généraliser à de nouveaux individus en raison des différences morphologiques, biomécaniques et environnementales. Ce mémoire propose une approche d’adaptation cross-user en deux étapes. Dans un premier temps, un extracteur de caractéristiques CNN 2D, associé à un bloc d’attention multi-dimensionnel CTSC-AB (Channel–Time–Subcarrier Attention Block), est pré-entraîné sur un domaine source regroupant plusieurs utilisateurs, couplé à un réseau prototypique pour l’apprentissage few-shot. Dans un second temps, un aligneur léger – un réseau à deux couches entièrement connectées – est entraîné sur un petit nombre d’exemples étiquetés du nouvel utilisateur, tandis que l’extracteur et les prototypes sont figés. Cet aligneur projette les données du domaine cible dans l’espace de représentation du domaine source, corrigeant ainsi le décalage de distribution grâce à une fonction de perte combinant classification cible et perte triplet. Les expériences menées sur le jeu de données Widar3.0 montrent que la baseline sans adaptation chute à 31,01 % de précision. Une stratégie de fine-tuning standard atteint 72,75 %, tandis que notre aligneur atteint 84,11 % de précision, soit une amélioration de 53,29 points par rapport à la baseline et de 11,55 points par rapport au fine-tuning standard. L’aligneur comble environ 78 % de l’écart initial entre les domaines, surpassant les méthodes de l’état de l’art (DASAN-MMD : 74,1 % ; CCSA : 82,3 %). Ces résultats confirment la pertinence d’un module d’alignement dédié pour une reconnaissance d’activités robuste au changement d’utilisateur, avec un faible coût d’annotation (10 exemples par classe) et un temps d’adaptation réduit (30 époques sur 60 échantillons). Mots-clés : Reconnaissance d’activités humaines, CSI Wi-Fi, adaptation de domaine, mécanisme d’attention, réseaux prototypiques, apprentissage few-shot, aligneur