À propos du projet

Ce projet de thèse présente un système complet de reconnaissance des activités humaines (HAR) basé sur deux paradigmes d'apprentissage automatique : l'apprentissage profond centralisé et l'apprentissage fédéré préservant la confidentialité. Il a été évalué de manière comparative sur l'ensemble de données UCI HAR (561 caractéristiques, 6 classes d'activités, 10 299 échantillons). La couche de formation du modèle met en œuvre les deux architectures à l'aide de TensorFlow/Keras et PyTorch, produisant des modèles formés avec des benchmarks de performance en termes d'exactitude, de précision, de rappel et de score F1. L'API REST Flask expose 17 points de terminaison organisés selon les principes SOA : contrôleurs de route (Blueprints), composants de service dédiés (DeepLearningService, FederatedService, GradientAggregator) et utilitaires partagés pour le prétraitement, la validation et le suivi des métriques. L'application mobile Android, développée avec Kotlin et Jetpack Compose (MVVM), collecte des données de capteurs inertiels en temps réel, effectue des inférences FL sur l'appareil via PyTorch Mobile et communique avec l'API via Retrofit. Les utilisateurs peuvent déclencher des prédictions, soumettre des commentaires pour mettre à jour le modèle fédéré et consulter l'historique des classifications.