Cet article propose un nouveau cadre d'apprentissage intégré, en quelques étapes, qui permet simultanément une généralisation inter-utilisateurs et une personnalisation individuelle de la reconnaissance d'activité humaine (HAR) grâce à diverses modalités de détection. Pour remédier à l'échec de généralisation des modèles HAR existants aux variations spécifiques à chaque utilisateur, nous apprenons d'abord des représentations généralisables à tous les utilisateurs, puis mettons à jour directement une couche de classification légère sur les appareils à ressources limitées, qui s'adapte rapidement aux nouveaux utilisateurs avec seulement un petit nombre d'échantillons étiquetés. Nous implémentons et évaluons notre cadre sur un microcontrôleur RISC-V GAP9 à l'aide de trois jeux de données de référence : RecGym, QVAR-Gesture et Ultrasound-Gesture. L'adaptation post-déploiement entraîne des améliorations de précision de respectivement 3,73 %, 17,38 % et 3,70 %. Cela permet de créer une HAR portable évolutive, sensible à l'utilisateur et économe en énergie. Le cadre est disponible en open source.
