Contribution of postures and activities recognition from accelerometry to the characterization of human movement behavior : application to study epidemiological transition in Fulanis | Apport de la reconnaissance des postures et des activités par accélérométrie à la caractérisation du comportement de mouvement chez l’humain : application à l’étude de la transition épidémiologique chez les Peuls

anglais. Facing the rise of non-communicable diseases, physical activity and sedentary behavior are a major health issue. Evaluating the synergies of movement behavior dimensions in order to establish its link with health emerges is a key challenge. The development of accelerometry has revolutionized the understanding of these links, traditionally studied using declarative data, associated with well-established biases. The classical accelerometry approach allows continuous measurement over long periods in free living conditions but encounters limitations inherent in signal processing and in the non-linear relationship between accelerometry and energy expenditure to characterize human movement in a satisfactory way. My first objective was to clarify the limits of the current approach and to contribute to the improvement of the phenotyping of movement behavior through new analytic methods relying on the automatic activity recognition of postures and activities. In the second part of my thesis, I applied these new approaches to the study of the Fulani of Senegal, a population in epidemiological transition. My work has clarified the limitations of traditional approaches to accelerometry and the value of activities recognition through automatic learning algorithms to overcome the difficulties encountered. For the first time, they show the contribution of this approach to the detailed characterization of a population's physical activity and sedentary behaviors, in relation to its environment. It should contribute in a useful way to the development of future recommendations that are more appropriate for the general population.

français. A l’heure de l’accroissement des maladies non transmissibles, l’activité physique et la sédentarité sont un enjeu sanitaire majeur. Evaluer les synergies des composantes du comportement de mouvement afin d’établir ses liens avec l’état de santé est un défi déterminant. Le développement de l’accélérométrie est venu révolutionner la compréhension de ces liens, traditionnellement étudiés sur la base de données déclaratives, dont les biais sont bien établis L’utilisation classique des accéléromètres permet une mesure continue sur de longues périodes en condition de vie libre mais se heurte à des problématiques inhérentes au traitement du signal et à la relation non-linéaire entre accélérométrie et dépense énergétique, pour caractériser le mouvement humain de façon satisfaisante. Mon premier objectif était de préciser les limites de l’approche actuelle et de contribuer à l’amélioration du phénotypage du comportement de mouvement grâce à de nouvelles techniques analytiques basées sur la reconnaissance automatique des postures et activités. Dans la 2ème partie de ma thèse, j’ai appliqué ces nouvelles approches à l’étude des Peuls du Sénégal, une population en cours de transition épidémiologique. Mes travaux ont permis de préciser les limites des approches classiques de l’accélérométrie et l’intérêt de la reconnaissance des activités par des algorithmes d’apprentissage automatique pour surmonter les difficultés rencontrées. Ils montrent, pour la première fois, l’apport de cette approche à la caractérisation fine de l’activité physique et des comportements sédentaires d’une population, en lien avec son environnement. Elle devrait contribuer de façon utile à l’établissement de futures recommandations plus adaptées à la population générale