SmartADAPT-Net: Decision-Level Adaptation for Free-Living Smartwatch-Based Activities of Daily Living Recognition

La vie quotidienne est une séquence de petits mouvements, souvent répétitifs : se brosser les dents, faire la vaisselle, marcher vers la cuisine ou passer la serpillière. Pour les médecins et les soignants, le suivi de ces « activités de la vie quotidienne » est vital. La capacité d'une personne à accomplir ces tâches de manière autonome est un indicateur primaire de sa santé et de sa sécurité. Traditionnellement, mesurer cela repose sur le fait de demander aux gens de se souvenir de ce qu'ils ont fait ou de faire observer un infirmier à des moments précis. Ces méthodes sont imparfaites ; la mémoire humaine est faillible, et une observation instantanée manque le rythme d'une journée entière. Pour obtenir une image réelle du fonctionnement d'une personne, nous avons besoin d'un moyen de l'observer en continu sans être intrusif. C'est là qu'intervient la montre connectée. Portée au poignet, elle transporte des capteurs capables de ressentir les subtiles variations de mouvement, offrant ainsi une fenêtre potentielle sur la routine quotidienne d'une personne. Mais il y a un piège : un programme informatique entraîné à reconnaître ces mouvements dans un laboratoire calme et contrôlé échoue souvent lorsque la même personne porte la montre dans la réalité désordonnée et imprévisible de son propre domicile.

Des chercheurs de l'Université Queen Margaret et de l'Université Napier d'Édimbourg ont cherché à résoudre ce problème spécifique. Ils se sont demandé si un système de montre connectée pouvait apprendre à reconnaître les activités quotidiennes d'une personne au fur et à mesure de son utilisation, sans avoir besoin d'être complètement réentraîné de zéro. Ils ont développé un système appelé SmartADAPT-Net, conçu pour fonctionner en deux phases distinctes. Premièrement, il utilise un modèle de « population » général — un ensemble de règles apprises auprès de nombreuses personnes dans un laboratoire — pour faire une première supposition sur l'activité en cours. Deuxièmement, il apprend lentement de la personne spécifique qui la porte, mais seulement lorsque celle-ci confirme ou corrige la supposition de la montre. L'objectif était de voir si cette approche en deux étapes pouvait combler le fossé entre un robot entraîné en laboratoire et un assistant utile et personnalisé dans le monde réel.

Les chercheurs ont commencé par construire les fondations de leur système dans un environnement domestique simulé. Trente volontaires ont effectué six tâches courantes : se brosser les dents, passer la serpillière ou l'aspirateur, ranger des objets sur des étagères, marcher, faire la vaisselle et se laver le visage. Ils portaient des Apple Watch qui enregistraient le mouvement de leurs poignets. L'équipe a utilisé ces données pour apprendre à un modèle informatique à reconnaître les schémas de ces mouvements. Ce modèle initial était « gelé », ce qui signifie que son cerveau central était verrouillé et ne changerait pas plus tard. Cependant, les chercheurs ont ajouté une couche d'ajustement ingénieuse appelée « modulation sensible à la complexité ». Cette caractéristique observe à quel point un mouvement est chaotique ou irrégulier. Par exemple, la marche est généralement rythmique, tandis que faire la vaisselle peut être plus erratique. En mesurant cette complexité, le système pouvait effectuer un ajustement rapide et intelligent de sa supposition initiale, améliant ainsi sa précision avant même de connaître l'utilisateur.

Le véritable test est venu lorsqu'ils ont déployé ce système auprès d'un nouveau groupe de dix-sept personnes dans leurs foyers réels pendant vingt jours. Ces participants portaient la montre et commençaient un enregistrement chaque fois qu'ils effectuaient l'une des six activités cibles. Le système ne connaissait pas ces personnes auparavant. Lorsqu'une prédiction était faite par la montre, l'utilisateur était invité à confirmer si elle était correcte ou à sélectionner la bonne activité dans une liste. Ce feedback était la clé. Le système n'a pas réentraîné son cerveau principal, ce qui aurait été trop lourd pour la batterie et le processeur de la montre. Au lieu de cela, il stockait des « prototypes » simples — des résumés compacts de ce à quoi ressemblaient les mouvements de cette personne spécifique pour chaque activité. À mesure que l'utilisateur confirmait ses actions, le système ajustait lentement sa décision finale, mélangeant les connaissances de la population générale avec les habitudes de l'utilisateur spécifique.

Les résultats ont montré une progression claire et puissante. Lorsque le système ne s'appuyait que sur son cerveau initial gelé, il trouvait l'activité correcte environ 62 % du temps. Cette baisse par rapport à la performance en laboratoire était attendue, car la vie réelle est plus désordonnée qu'une expérience contrôlée. Cependant, dès que le système appliquait son ajustement sensible à la complexité, la précision bondissait à 78 %. Cette amélioration s'est produite immédiatement, sans aucune donnée personnelle de l'utilisateur. À mesure que les utilisateurs confirmaient leurs activités au cours des vingt jours, la personnalisation du système s'activait, et la précision finale atteignait 89 %. Cela signifie qu'en combinant une correction intelligente immédiate et un processus d'apprentissage lent et régulier, le système a réussi à compenser ses erreurs initiales et est devenu hautement fiable.

Toutes les activités n'étaient pas aussi faciles à maîtriser. La marche et le passage de la serpillière étaient reconnus avec une grande précision dès le début. Se laver le visage, en revanche, est resté la tâche la plus difficile. Même après vingt jours de personnalisation, le système peinait encore pour cette tâche, ne la réussissant qu'environ 79 % du temps. Les chercheurs ont constaté que, bien que le système puisse corriger beaucoup de ses erreurs précoces, une certaine confusion entre le lavage du visage et d'autres mouvements persistait. Cela suggère que le capteur de poignet, bien qu'excellent pour suivre le mouvement du bras, manque parfois de la finesse nécessaire pour distinguer des actions manuelles très similaires. Malgré cela, le système a prouvé qu'il pouvait apprendre d'un utilisateur sans nécessiter une quantité massive de données ou un processus de réentraînement complexe.

L'étude a également confirmé que cette approche est pratique pour un usage quotidien. L'ensemble du système, y compris la mémoire nécessaire pour se souvenir des habitudes spécifiques d'un utilisateur, occupait très peu d'espace sur la montre — environ la taille d'un petit fichier photo. Il fonctionnait rapidement, prenant des décisions en moins d'un dixième de seconde, et la consommation supplémentaire de batterie était minime, représentant environ 3,5 % de la batterie par heure d'utilisation active. Cette efficacité est cruciale ; un système qui vide une montre en quelques heures est inutile pour un suivi de santé à long terme.

Les chercheurs ont pris soin de noter les limites de leurs conclusions. Les réponses « correctes » utilisées pour tester le système provenaient des utilisateurs eux-mêmes, qui voyaient la supposition de la montre avant de la confirmer. Cela signifie que le système a pu être influencé par la confiance ou le biais de l'utilisateur, plutôt que par un observateur indépendant. De plus, l'étude s'est concentrée sur six activités spécifiques que l'utilisateur lançait manuellement, plutôt que sur un système qui observe une personne toute la journée et détermine automatiquement ce qu'elle fait. Le système n'a pas non plus tenté d'apprendre de nouveaux types d'activités au-delà des six qui lui avaient été enseignées.

Néanmoins, la découverte fondamentale est significative. Elle démontre qu'un appareil portable peut partir d'une compréhension générale du mouvement humain et s'adapter ensuite au style unique d'un individu grâce à un simple feedback humain. Il n'a pas besoin d'être une page blanche attendant des semaines de données, ni d'être un programme rigide et immuable. En séparant les ajustements immédiats et intelligents du processus d'apprentissage personnel et lent, le système offre une voie vers des montres connectées qui ne sont pas seulement des capteurs, mais de véritables compagnons adaptatifs pour surveiller la santé dans le monde réel. L'étude suggère que l'avenir de la surveillance de la santé par les objets connectés ne réside pas dans le fait de rendre l'ordinateur plus intelligent de manière isolée, mais dans la création d'un partenariat où l'appareil apprend de la personne qui le porte, une activité confirmée à la fois.