Ce stage vise à développer un algorithme permettant de détecter ces chutes à partir d'un dispositif contenant une centrale inertielle portée sur le sujet(accéléromètre). L'objectif étant de pouvoir utiliser ce système afin de limiter les risques liés aux chutes non détectées.

Pour cela nous allons explorer des techniques d'apprentissage machine frugal afin d'exécuter l'inférence localement sur le dispositif porté par le patient sans nécessité de connexion internet ni de transfert de données personnelles vers un serveur externe.

Une base de donnée a déjà été préparée avec différents types de mouvements (marche, escalier...), mais aussi différentes situations de chute simulées dans notre laboratoire.

Au cours du stage, il faudra  développer un modèle et l'entrainer. Le modèle doit être frugal car il sera utilisé directement sur le matériel embarqué qui ne dispose pas forcément d'une grande puissance de calcul et d'autonomie.

L'autonomie est un point crucial puisque la batterie du dispositif doit durer plusieurs jours avant recharge. Des techniques d'optimisation tel que la quantization et le pruning seront utilisés pour réduire la taille du modèle.

Le stagiaire devrait maitriser Python et avoir quelques notions basiques en mathématiques appliquées. Cela incluraient : statistiques descriptives, probabilités élémentaires, optimisation linéaire simple, etc.. De plus, c'est important qu'il connaisse bien les concepts fondamentaux de Machine Learning comme classification supervisée, régression logistique, sélection de features, etc., même si aucune expertise n'est nécessaire. Les compétences suivantes seraient bénéficiales :

- Optimisation numérique
- Apprentissage automatisé profond
- Modélisation bayésienne