Cet article propose un nouveau cadre d'apprentissage intégré, en quelques étapes, qui améliore simultanément la généralisation et la personnalisation des performances en tenant compte des variations spécifiques à l'utilisateur dans la reconnaissance de l'activité humaine (HAR) à l'aide d'appareils portables. Pour remédier à la dégradation de la généralisation des modèles HAR existants due à ces variations, nous apprenons d'abord des représentations généralisées pour tous les utilisateurs, puis mettons à jour directement une couche de classification légère sur l'appareil aux ressources limitées, qui s'adapte rapidement aux nouveaux utilisateurs avec seulement un petit nombre d'échantillons étiquetés. Nous implémentons et évaluons le cadre sur un microcontrôleur RISC-V GAP9 à l'aide de trois jeux de données de référence : RecGym, QVAR-Gesture et Ultrasound-Gesture. Nous démontrons que l'adaptation post-déploiement améliore la précision de respectivement 3,73 %, 17,38 % et 3,70 %. Cela démontre que l'approche proposée permet de créer une HAR portable évolutive, sensible à l'utilisateur et économe en énergie.
