Ambient Intelligence Software and Applications 6Th International Symposium On Ambient Intelligence Isami 2015 1St Edition Amr Mohamed

Ambient Intelligence Software and
Applications 6th International

Symposium on Ambient Intelligence
ISAmI 2015 1st Edition Amr Mohamed
Visit to download the full and correct content document:
https://textbookfull.com/product/ambient-intelligence-software-and-applications-6th-int
ernational-symposium-on-ambient-intelligence-isami-2015-1st-edition-amr-mohamed/
More products digital (pdf, epub, mobi) instant
download maybe you interests ...
Ambient Intelligence Software and Applications 8th

International Symposium on Ambient Intelligence ISAmI
2017 1st Edition Juan F. De Paz
https://textbookfull.com/product/ambient-intelligence-software-
and-applications-8th-international-symposium-on-ambient-
intelligence-isami-2017-1st-edition-juan-f-de-paz/
Ambient Intelligence – Software and Applications –, 9th

International Symposium on Ambient Intelligence Paulo
Novais
intelligence-paulo-novais/
Ambient Intelligence – Software and Applications –,10th

Novais
Ambient Intelligence – Software and Applications : 11th

Novais
Ambient Intelligence Software and Applications 5th
International Symposium on Ambient Intelligence 1st
Edition Carlos Ramos
intelligence-1st-edition-carlos-ramos/
Guide to Ambient Intelligence in the IoT Environment

Principles Technologies and Applications Zaigham
Mahmood
https://textbookfull.com/product/guide-to-ambient-intelligence-
in-the-iot-environment-principles-technologies-and-applications-
zaigham-mahmood/
Ambient Intelligence 4th International Joint Conference

AmI 2013 Dublin Ireland December 3 5 2013 Proceedings
1st Edition Serge Autexier
https://textbookfull.com/product/ambient-intelligence-4th-
international-joint-conference-ami-2013-dublin-ireland-
december-3-5-2013-proceedings-1st-edition-serge-autexier/
Ubiquitous Computing and Ambient Intelligence 11th

International Conference UCAmI 2017 Philadelphia PA USA
November 7 10 2017 Proceedings 1st Edition Sergio F.
Ochoa
https://textbookfull.com/product/ubiquitous-computing-and-
ambient-intelligence-11th-international-conference-
ucami-2017-philadelphia-pa-usa-
november-7-10-2017-proceedings-1st-edition-sergio-f-ochoa/
Ambient Intelligence 14th European Conference AmI 2018

Larnaca Cyprus November 12 14 2018 Proceedings Achilles
Kameas
https://textbookfull.com/product/ambient-intelligence-14th-
european-conference-ami-2018-larnaca-cyprus-
november-12-14-2018-proceedings-achilles-kameas/
Advances in Intelligent Systems and Computing 376
Amr Mohamed
Paulo Novais
António Pereira
Gabriel Villarrubia González
Antonio Fernández-Caballero Editors
Ambient
Intelligence -
Software and
Applications
6th International Symposium on
Ambient Intelligence (ISAmI 2015)
Advances in Intelligent Systems and Computing
Volume 376
Series editor
Janusz Kacprzyk, Polish Academy of Sciences, Warsaw, Poland
e-mail: kacprzyk@ibspan.waw.pl
About this Series
The series “Advances in Intelligent Systems and Computing” contains publications on theory,
applications, and design methods of Intelligent Systems and Intelligent Computing. Virtually
all disciplines such as engineering, natural sciences, computer and information science, ICT,
economics, business, e-commerce, environment, healthcare, life science are covered. The list
of topics spans all the areas of modern intelligent systems and computing.
The publications within “Advances in Intelligent Systems and Computing” are primarily
textbooks and proceedings of important conferences, symposia and congresses. They cover
significant recent developments in the field, both of a foundational and applicable character.
An important characteristic feature of the series is the short publication time and world-wide
distribution. This permits a rapid and broad dissemination of research results.
Advisory Board
Chairman
Nikhil R. Pal, Indian Statistical Institute, Kolkata, India
e-mail: nikhil@isical.ac.in
Members
Rafael Bello, Universidad Central “Marta Abreu” de Las Villas, Santa Clara, Cuba
e-mail: rbellop@uclv.edu.cu
Emilio S. Corchado, University of Salamanca, Salamanca, Spain
e-mail: escorchado@usal.es
Hani Hagras, University of Essex, Colchester, UK
e-mail: hani@essex.ac.uk
László T. Kóczy, Széchenyi István University, Győr, Hungary
e-mail: koczy@sze.hu
Vladik Kreinovich, University of Texas at El Paso, El Paso, USA
e-mail: vladik@utep.edu
Chin-Teng Lin, National Chiao Tung University, Hsinchu, Taiwan
e-mail: ctlin@mail.nctu.edu.tw
Jie Lu, University of Technology, Sydney, Australia
e-mail: Jie.Lu@uts.edu.au
Patricia Melin, Tijuana Institute of Technology, Tijuana, Mexico
e-mail: epmelin@hafsamx.org
Nadia Nedjah, State University of Rio de Janeiro, Rio de Janeiro, Brazil
e-mail: nadia@eng.uerj.br
Ngoc Thanh Nguyen, Wroclaw University of Technology, Wroclaw, Poland
e-mail: Ngoc-Thanh.Nguyen@pwr.edu.pl
Jun Wang, The Chinese University of Hong Kong, Shatin, Hong Kong
e-mail: jwang@mae.cuhk.edu.hk
More information about this series at http://www.springer.com/series/11156

Amr Mohamed ⋅ Paulo Novais
António Pereira ⋅ Gabriel Villarrubia González
Antonio Fernández-Caballero
Editors
Ambient Intelligence -
Software and Applications
6th International Symposium on Ambient
Intelligence (ISAmI 2015)
123
Editors
Amr Mohamed Gabriel Villarrubia González
Computer Science and Engineering Departamento de Informática y Automática
Department, College of Engineering University of Salamanca
Qatar University Salamanca
Doha Spain
Qatar
Paulo Novais Departamento de Sistemas Informáticos
Departamento de Informatica, ALGORITMI University of Castilla-La Mancha
Centre Albacete
University of Minho Spain
Braga
Portugal
António Pereira
Escola Superior de Tecnologia e Gestäo de
Leiria
Instituto Politécnico de Leiria
Leiria
Portugal
ISSN 2194-5357 ISSN 2194-5365 (electronic)

Advances in Intelligent Systems and Computing
ISBN 978-3-319-19694-7 ISBN 978-3-319-19695-4 (eBook)
DOI 10.1007/978-3-319-19695-4
Library of Congress Control Number: 2015940728
Springer Cham Heidelberg New York Dordrecht London

© Springer International Publishing Switzerland 2015
This work is subject to copyright. All rights are reserved by the Publisher, whether the whole or part
of the material is concerned, specifically the rights of translation, reprinting, reuse of illustrations,
recitation, broadcasting, reproduction on microfilms or in any other physical way, and transmission
or information storage and retrieval, electronic adaptation, computer software, or by similar or dissimilar
methodology now known or hereafter developed.
The use of general descriptive names, registered names, trademarks, service marks, etc. in this
publication does not imply, even in the absence of a specific statement, that such names are exempt from
the relevant protective laws and regulations and therefore free for general use.
The publisher, the authors and the editors are safe to assume that the advice and information in this
book are believed to be true and accurate at the date of publication. Neither the publisher nor the
authors or the editors give a warranty, express or implied, with respect to the material contained herein or
for any errors or omissions that may have been made.
Printed on acid-free paper
Springer International Publishing AG Switzerland is part of Springer Science+Business Media

(www.springer.com)
Preface
This volume contains the proceedings of the 6th International Symposium on

Ambient Intelligence (ISAmI 2015). The symposium was held in Salamanca, Spain
during June 3–5 at the University of Salamanca.
ISAmI has been running annually and aiming to bring together researchers from
various disciplines that constitute the scientific field of Ambient Intelligence to
present and discuss the latest results, new ideas, projects and lessons learned,
namely in terms of software and applications, and aims to bring together researchers
from various disciplines that are interested in all aspects of this area.
Ambient Intelligence is a recent paradigm emerging from Artificial Intelligence,
where computers are used as proactive tools assisting people with their day-to-day
activities, making everyone’s life more comfortable.
After a careful review, 27 papers from 10 different countries were selected to be
presented in ISAmI 2015 at the conference and published in the proceedings. Each
paper has been reviewed by, at least, three different reviewers, from an international
committee composed of 74 members from 24 countries.
Acknowledgments
Special thanks to the editors of the workshops AIfES. Special Session on Ambient
Intelligence for e-Healthcare.
We want to thank all the sponsors of ISAmI’15: IEEE Sección España, CNRS,
AFIA, AEPIA, APPIA, AI*IA, and Junta de Castilla y León.
ISAmI would not have been possible without an active Program Committee. We
would like to thank all the members for their time and useful comments and
recommendations.
v
vi Preface
We would also like to thank all the contributing authors and the Local Orga-
nizing Committee for their hard and highly valuable work.
Your work was essential to the success of ISAmI 2015.
June 2015 Amr Mohamed

Paulo Novais
António Pereira
Gabriel Villarrubia González
Organization
Program Committee Chairs
Amr Mohamed (Chair)—College of Engineering, Qatar University (Qatar)

António Pereira (Chair)—Instituto Politécnico de Leiria (Portugal)
Program Committee
Adolfo Barroso Gallego—University of Salamanca

Alberto Lopez Barriuso—University of Salamanca
Alvaro Castro González—Universidad Carlos III de Madrid
Andreas Riener—Johannes Kepler University Linz, Institute for Pervasive
Computing
Andrei Olaru—University Politehnica of Bucharest
Ângelo Costa—Universidade do Minho
Ansar-Ul-Haque Yasar—Universiteit Hasselt—IMOB
Antonio Fernández-Caballero—Universidad de Castilla-La Mancha
António Pereira—Escola Superior de Tecnologia e Gestão do IPLeiria
Balbo Flavien—ISCOD/Henri Fayol Institute
Bartolomeo Sapio—Fondazione Ugo Bordoni
Bogdan Kwolek—AGH University of Science and Technology
Carlos Ramos—Instituto Superior de Engenharia do Porto
Cecilio Angulo—Universitat Politcnica de Catalunya
Cesar Analide—University of Minho
Davide Carneiro—University of Minho
Eduardo Dias—CITI—FCT/UNL
Emmanuel Adam—University of Lille Nord de France
Enzo Pasquale Scilingo—University of Pisa
Fernando Silva—Department of Informatics Engineering; School of Technology
and Management; Polytechnic Institute of Leiria, Portugal
vii
viii Organization
Flavia Delicato—Federal University of Rio de Janeiro (UFRJ)

Florentino Fdez-Riverola—University of Vigo
Gabriel Villarrubia González—University of Salamanca
German Nemiorvskij—Albstadt-Sigmaringen University
Goreti Marreiros—ISEP/IPP-GECAD
Guillaume Lopez—Aoyama Gakuin University, College of Science and
Technology
Habib M. Fardoun—King Abdulaziz University
Hans W. Guesgen—Massey University
Ilias Maglogiannis—University of Piraeus
Jaderick Pabico—University of the Philippines Los Banos
Javier Bajo—Universidad Politécnica de Madrid
Javier Carbo—Universidad Carlos III of Madrid
Javier Jaen—Polytechnic University of Valencia
Jean-Paul Jamont—LCIS, Université de Grenoble
Jesus Favela—CICESE
Jose Carlos Castillo Montoya—Universidad Carlos III de Madrid
Jose M. Molina—Universidad Carlos III de Madrid
José Machado—University of Minho, Computer Science and Technology Centre
Jose Manuel Pastor Garcia—Universidad de Castilla-La Mancha
José Ramón Álvarez-Sánchez—Universidad Nacional de Educación a Distancia
Joyca Lacroix—Philips Research
Juan Pavón—Universidad Complutense de Madrid
Julie Doyle—CASALA, Dundalk Institute of Technology
Junzhong Gu—East China Normal University
Koen van Dam—Imperial College London
Latif Ladid—UL & IPv6 Forum—IOT subC
Lawrence Wai-Choong Wong—National University of Singapore
Lourdes Borrajo—University of Vigo
Maria Navarro—University of Salamanca
Miguel A. Salichs—Universidad Carlos III de Madrid
Nadia Berthouze—University College London
Nuno M. Garcia—University of Beira Interior
Pablo Chamoso—University of Salamanca
Pascual González—Universidad de Castilla-La Mancha
Paulo Novais—University of Minho
Radu-Daniel Vatavu—University Stefan cel Mare of Suceava
Rafael Martinez Tomas—Universidad Nacional de Educación a Distancia
Remy Courdier—LIM—Université de la Réunion
Rene Meier—Lucerne University of Applied Sciences
Ricardo Costa—ESTGF.IPP
Rui José—University of Minho
S. Shyam Sundar—Penn State University, USA & Sungkyunkwan University,
Korea
Sergio Sanchez González—University of Salamanca
Organization ix
Sotiris Nikoletseas—University of Patras and CTI

Soumya Kanti Datta—EURECOM
Stéphanie Combettes—IRIT—University of Toulouse
Sylvie Ratté—École de technologie supérieure
Teresa Romão—DI/FCT/UNL
Tibor Bosse—Vrije Universiteit Amsterdam
Valérie Camps—University of Toulouse—IRIT, France
Vicente Julian—GTI-IA DSIC UPV
Yi Fang—Purdue University
Organizing Committee Chairs
Paulo Novais—University of Minho (Portugal)

Gabriel Villarrubia González—University of Salamanca (Spain)
Local Organization Committee
Javier Bajo—Polytechnic University of Madrid (Spain)

Juan F. De Paz—University of Salamanca (Spain)
Fernando De la Prieta—University of Salamanca (Spain)
Sara Rodriguez—University of Salamanca (Spain)
Tiancheng Li—University of Salamanca (Spain)
Javier Prieto Tejedor—University of Salamanca (Spain)
Cesar Analide—University of Minho (Portugal)
Workshops
AIfeH.Special Session on Ambient Intelligence for e-Healthcare

Organizing Committee
Antonio Fernández-Caballero, University of Castilla-La Mancha, Spain
Pascual González, University of Castilla-La Mancha, Spain
Elena Navarro, University of Castilla-La Mancha, Spain
Contents
Using Evolutionary Algorithms to Personalize Controllers

in Ambient Intelligence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
Shu Gao and Mark Hoogendoorn
Automatic Early Risk Detection of Possible Medical Conditions

for Usage Within an AMI-System. . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
H. Joe Steinhauer and Jonas Mellin
Reducing Stress and Fuel Consumption Providing

Road Information . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
Víctor Corcoba Magaña and Mario Muñoz Organero
Policy-Based Adaptation of Context Provisioning in AmI . . . . . . . . . . 33

Alexandru Sorici, Gauthier Picard, Olivier Boissier and Adina Florea
An Adaptive Particle Filter for Indoor Robot Localization . . . . . . . . . 45

Hao Lang, Tiancheng Li, Gabriel Villarrubia, Shudong Sun
and Javier Bajo
A Discomfort-Sensitive Chair for Pointing Out Mental Fatigue . . . . . . 57

André Pimenta, Davide Carneiro, Paulo Novais and José Neves
Development of a High Mobility Assistant Personal Robot

for Home Operation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
Eduard Clotet, Dani Martínez, Javier Moreno, Marcel Tresanchez
and Jordi Palacín
Using ICT for Tacit Knowledge Preservation in Old Age . . . . . . . . . . 75

Isabel Marcelino, José Góis, Rosalía Laza and António Pereira
xi
xii Contents
Step Count and Classification Using Sensor Information Fusion . . . . . 85

Ricardo Anacleto, Lino Figueiredo, Ana Almeida, Paulo Novais
and António Meireles
ECG Signal Prediction for Destructive Motion Artefacts . . . . . . . . . . . 95

António Meireles, Lino Figueiredo, Luís Seabra Lopes
and Ricardo Anacleto
A Sentiment Analysis Classification Approach to Assess

the Emotional Content of Photographs . . . . . . . . . . . . . . . . . . . . . . . . 105
David Griol and José Manuel Molina
Opportunistic Sensoring Using Mobiles for Tracking Users

in Ambient Intelligence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
Javier Jiménez Alemán, Nayat Sanchez-Pi
and Ana Cristina Bicharra Garcia
Mobile Crowd Sensing for Solidarity Campaigns . . . . . . . . . . . . . . . . 125

Ana Alves and David Silva
3D Reconstruction of Bone Structures

Based on Planar Radiography . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135
Ana Coelho, João Pedro Ribeiro, Jaime Campos, Sara Silva
and Victor Alves
Context-Aware Well-Being Assessment in Intelligent Environments . . . 145

Fábio Silva, Celestino Gonçalves and Cesar Analide
An Overview of the Quality of Service in Bluetooth

Communications in Healthcare. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 155
Ana Pereira, Eliana Pereira, Eva Silva, Tiago Guimarães,
Filipe Portela, Manuel Filipe Santos, António Abelha and José Machado
Computer Vision Based Indoor Navigation:

A Visual Markers Evaluation. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 165
Gaetano C. La Delfa, V. Catania, S. Monteleone, Juan F. De Paz
and J. Bajo
A Framework for the Secure Storage of Data Generated

in the IoT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 175
Ricardo Costa and António Pinto
Contents xiii
Multi-agent Systems for Classification of E-Nose Data. . . . . . . . . . . . . 183

Yoshinori Ikeda, Sigeru Omatu, Pablo Chamoso, Alberto Pérez
and Javier Bajo
Using Machine Learning Techniques for the Automatic

Detection of Arterial Wall Layers in Carotid Ultrasounds . . . . . . . . . . 193
Rosa-María Menchón-Lara, José-Luis Sancho-Gómez,
Adrián Sánchez-Morales, Álvar Legaz-Aparicio,
Juan Morales-Sánchez, Rafael Verdú-Monedero and Jorge Larrey-Ruiz
eServices - Service Platform for Pervasive Elderly Care . . . . . . . . . . . 203

Isabel Marcelino, Rosalía Laza, Patrício Domingues,
Silvana Gómez-Meire and António Pereira
A Sensor-Based Framework to Support Clinicians in Dementia

Assessment: The Results of a Pilot Study . . . . . . . . . . . . . . . . . . . . . . 213
Anastasios Karakostas, Georgios Meditskos, Thanos G. Stavropoulos,
Ioannis Kompatsiaris and Magda Tsolaki
Unified Fingerprinting/Ranging Localization

for e-Healthcare Systems . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 223
Javier Prieto, Juan F. De Paz, Gabriel Villarrubia, Javier Bajo
and Juan M. Corchado
My Kinect Is Looking at Me - Application to Rehabilitation . . . . . . . . 233

Miguel Oliver, Antonio Fernández-Caballero, Pascual González,
José Pascual Molina and Francisco Montero
Flying Depth Camera for Indoor Mapping and Localization . . . . . . . . 243

Lidia María Belmonte, José Carlos Castillo,
Antonio Fernández-Caballero, Sergio Almansa-Valverde and R. Morales
Emotion Detection in Ageing Adults from Physiological Sensors . . . . . 253

Arturo Martínez-Rodrigo, Roberto Zangróniz, José Manuel Pastor,
José Miguel Latorre and Antonio Fernández-Caballero
Augmented Tangible Surfaces to Support Cognitive

Games for Ageing People . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 263
Fernando Garcia-Sanjuan, Javier Jaen and Alejandro Catala
Author Index . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 273

Using Evolutionary Algorithms
to Personalize Controllers in Ambient
Intelligence
Shu Gao and Mark Hoogendoorn
Abstract As users can have greatly different preferences, the personalization of

ambient devices is of utmost importance. Several approaches have been proposed
to establish such a personalization in the form of machine learning or more ded-
icated knowledge-driven learning approaches. Despite its huge successes in opti-
mization, evolutionary algorithms (EAs) have not been studied a lot in this context,
mostly because it is known to be a slow learner. Currently however, quite fast EA
based optimizers exist. In this paper, we investigate the suitability of EAs for ambient
intelligence.
Keywords Ambient intelligence ⋅ Evolutionary algorithms ⋅ Personalization ⋅

CMA-ES
1 Introduction
The rise of ambient intelligence is becoming more and more apparent in our daily
lives: an increasing number of devices is surrounding us that perform all kinds of
measurements and try to utilize this information in an intelligent way, for instance by
controlling certain actuators or providing some form of feedback. In order for envi-
ronments or devices to act sufficiently intelligent they need to be able to learn from
the behavior of the user. Users can for instance have completely different preferences
from each other, and hence, if only a single strategy would be deployed the system
would never be effective and the user experience would be disappointing. In addi-
tion, devices need to learn how to cooperate with each other, and given the wealth of
different devices on the market you cannot predefine the way in which they should.
S. Gao (✉) ⋅ M. Hoogendoorn

Department of Computer Science, VU University Amsterdam,
De Boelelaan 1081, 1081 HV Amsterdam, The Netherlands
e-mail: s.gao@vu.nl
M. Hoogendoorn
e-mail: m.hoogendoorn@vu.nl
© Springer International Publishing Switzerland 2015 1

A. Mohamed et al. (eds.), Ambient Intelligence - Software and Applications,
Advances in Intelligent Systems and Computing 376,
DOI 10.1007/978-3-319-19695-4_1
2 S. Gao and M. Hoogendoorn
Learning of preferences and learning how to establish effective cooperation

between devices has been a subject of study in the field of ambient intelligence (or
under its closely related fields such as pervasive computing and ubiquitous com-
puting), see e.g. [1, 10, 15]. In [1] three stages of adaptation are identified: (1) the
initial phase during which data is collected; (2) learning of behavior based upon
the data collected, and (3) coping with dynamic environments. Mainly in the first
stage hardly any machine learning approaches are appropriate as they hardly have
any data/experiences to learn from, whereas this is a crucial phase. In that phase,
the learning algorithm should learn on-the-fly. One of the problem solvers known to
work well in nature, evolutionary algorithms (EAs), has not received a lot of atten-
tion in this domain, and in particular not for the subproblem which has just been
described. Although EAs are mostly seen as slow optimizers, they have been shown
to work very well for a range of optimization problems, see e.g. [6]. Furthermore,
approaches such as genetic programming (cf. [2]) are highly suitable to generate
sophisticated controllers.
In this paper, we explore the suitability of EAs for an ambient intelligence task
thereby assuming no data being available up front. More precisely, we study a sce-
nario where multiple (possibly heterogenous) devices need to be controlled in a sim-
ple way, thereby taking the preferences of multiple users into account. The rationale
for starting with a simple scenario is that we want to explore whether EAs are able
to solve a relatively simple problem in a suitable way before we move on to more
complex problems. We use the state-of-the-art evolutionary optimizer, namely the
CMA-ES [9]. Given the nature of devices in ambient intelligence, we use different
variants of the algorithm: a centralized versus representing a single central controller
and a number of distributed controllers repressing individual devices with their own
controller. As evaluation criteria we measure the quality of the solutions found in
terms of the percentage from the optimal solution as well as the time required to find
a reasonable solution. We compare the outcome with simple benchmark algorithms
such as hill climbing and simulated annealing.
This paper is organized as follows: first, we present related work in Sect. 2.
Thereafter, in Sect. 3 we present the learning approach and the experimental setup is
presented in Sect. 4. The results are presented and analyzed in Sect. 5. Finally, Sect. 6
concludes the paper.
2 Related Work
As said in the introduction, a lot of authors acknowledge the importance of machine

learning techniques in ambient intelligence. An overview of useful techniques as
well as examples of machine learning applications are given in [1]. In quite some
approaches, a dataset for training is assumed. For example, Mozer et al. [12] use
artificial neural networks in an AmI environment. Classification is implemented in an
environment named ’SmartOffice’ by Gal et al. [7]. On the other hand, reinforcement
learning is another approach that does not need training data which is applied to
ambient intelligence environment by Mozer [11]. There are examples in which EAs
Using Evolutionary Algorithms to Personalize Controllers . . . 3
are applied in Ambient Intelligence. Doctor, Hagras and Caalghan [5] for example
use Genetic Programming as a benchmark algorithm, stating that GPs are less suit-
able to use in an online fashion as they require many generations. A Genetic Algo-
rithm is applied in [3] but again not in an online fashion. In [4] EAs are used to
compose software around applications. Hence, one can see that there is some work
which combines EAs with Ambient Intelligence, but none have judged whether such
approach could be suitable to use in an online fashion where users provide feedback
and act as a fitness function.
3 Approach
In our approach, we assume an environment in which multiple ambient devices are

present that are equipped with sensors and actuators and have controllers that express
their behavior, i.e. map sensory values to actions. The mapping between devices and
controllers is left open: on the one extreme each device could have its own controller
whereas on the other side of the spectrum there could be a single controller for all
devices jointly. In the environment one or multiple users are present each having their
own preference in particular situations. Here, a situation is a unique combination of
sensory values or possibly a set of such combinations which all map to the same
situation. Learning such a mapping could be another learning endeavor but in this
initial exploration of EAs for ambient intelligence this is beyond our scope. The main
goal of our research is to create controllers for the ambient devices that satisfy the
user preferences best, a problem which we formulate as a maximization problem of
the following function:
∑ ∑
F= user_satisfaction(U, S, actionscontrollers (S, U))
∀S∶SIT ∀U∶USER
In other words, the controllers should, for all situations, find the set of actions that
satisfy the users most. Since the user satisfaction can only be provided by the user
itself, this entails that the user needs to be consulted every time a new controller is
generated. A secondary goal is therefore also to minimize the number of evaluations
required by the algorithm to find the solution to avoid bothering the user too much,
and the user having to bare a lot of non-satisfactory solutions.
We assume that the controller is optimized for each situation separately. For each
of such situations, a controller is represented by means of numerical values for each
action it can perform. For binary actions, the possible values are clearly limited to 0
and 1 whereas for continuous actions (e.g. light intensity, sound volume) the action
can take any value which is appropriate for the action. Table 1 shows an example of
such a representation.
Table 1 Example representation for one controller for a single situation

a1 a2 a3 a4
1 0.5 0 0.25
In order to solve the problem we have now created, we use a variety of dif-
ferent approaches: state of the art EAs, including the CMA-ES and Cooperative
Co-Evolution as well as benchmark algorithms including hill climbing and simulated
annealing. An alternative would also be to use reinforcement learning, but given the
scope of the scenario explored in this paper (see Sect. 4), this is not a suitable option
and therefore not discussed in detail here. Each of these algorithms is explained in
more detail below.
3.1 CMA-ES
The CMA-ES [9] is an evolutionary strategy. In general, EAs work with a population
of individuals (in our case expressing the value for actions for a certain situation),
of which individuals are selected for mutation (on a single individual) and crossover
(combining two or more individuals), resulting in new individuals. Out of the total
pool of individuals a new population is selected again, and this process continues
until some termination criterion is reached. An evolutionary strategy is a variant in
which the individuals are composed of a series of real numbers and the individuals
also contain a dedicated field which determines the mutation probability, this field
is also subject to evolution, and hence, the mutation probability self-adapts. In the
CMA-ES a covariance matrix is used in order to improve the effectiveness of gen-
erating new individuals. Explaining all details of the algorithm is beyond the scope
of this paper, the reader is referred to [9] for more details. We use the CMA-ES
in two variants: (1) a single evolutionary loop in which a central controller simply
determines the action for the actuators of all devices for this particular situation, and
(2) a decentralized approach where each device has its own controller and CMA-ES
population to evolve the controller. For the latter case, we use the cooperative co-
evolutionary approach as proposed by Potter and De Jong [13]. Here, a single device
is selected while fixing the controllers of the other devices to the best one found until
then. Each of the individuals of the population of the selected device is then eval-
uation in conjunction with these best controllers, resulting in a fitness score. After
that, the next device is selected, etc. Devices are selected in a round robin fashion.
For non-continuous actions the real value is rounded to the nearest value (i.e. 0/1)
during the evaluation phase.
3.2 Standard GA
Next to the CMA-ES we also try a simpler variant of an EA, namely the so-called
“standard GA”, which, contrary to the sophisticated CMA-ES, consists of individuals
that are composed of bits and uses less sophisticated operators. Combinations of bits
can represent continuous actions for our case. Mutation takes place via simple bit-
flips whereas crossover is done via selecting a crossover point and selecting the first
part of one parent and the second part of the other. Selection is done by means of
probabilities proportional to the fitness of the individual.
3.3 Hill Climbing and Simulated Annealing
For hill climbing we simply try a random step in either direction of the value for an
action and perform an evaluation, the best solution (current, with the random step
added, or deducted) is selected as the next controller. The process ends once the
stopping condition has been met.
In the simulated annealing approach (see [14]), which works with the notion of the
temperature of the process, a step is performed in the search space (i.e. for the action)
which is equal to the temperature. The temperature function used is temperature
T0
function: T = log(k) where T0 is the initial temperature and k is number of steps. New
solutions are accepted when they are an improvement, or, if not, they are selected
𝛥C
with a probability e T which is dependent on the temperature of the process and the
improvement made, 𝛥C. This scheme enables more exploration in the initial phase
and more exploitation in the end of the process.
4 Experimental Setup
In this section, we describe the setup we have used to evaluate the algorithms that
have been specified in Sect. 3. First, the case study is explained, followed by the
precise setup of the experiments.
4.1 Case Study
As our case study, we focus on an office setting with lights that need to be controlled.
As said, the focus is not so much on a complex scenario, but to study the potential
of EAs for a relatively simple scenario. Figure 1 shows the scenario is more detail.
Fig. 1 Specific scenario

Essentially, there are more lights than users, and each user has a specific preference
for a light intensity. The parameter n determines the complexity of the situation.
Here, n defines the number of users (n2 ) and the number of lights ((n − 1)2 ). We
define such a complexity parameter as we want to study how the various approaches
scale up with increasing complexity. We have chosen to have a number of lights
which is smaller than the number of users to make the scenario more interesting. The
intensity experienced by a user U is determined by all lights jointly, whereby the con-
tribution of each individual light is determined by means of the following equation:
∑ P(L)
I(U) =
2
∀L∶LIGHTS 4𝜋D(U, L)
Here, P(L) is the power of the light L and D(U, L) is the distance of the light L
to the user U. For now, we assume a single situation in which all users are present
in the office. Each user has a preferred light intensity, thereby defining the function
user_satisfaction(U, S, actionscontrollers (S, U)) as specified in Sect. 3:
user_satisfaction(U, S, actionscontrollers (S, U)) = |I(U) − pref _int(U)|
4.2 Setup
We have implemented the entire system in Matlab, except of the CMA-ES which
is available in C.1 In our experiments, we run a number of different setups of
the algorithm, in line with the approach outlined before, and which are shown in
Table 2. CMA-ES is run with both a centralized and distributed controller setting,
the standard GA only with a distributed setting, and the other benchmarks are only
run in a centralized way. Note that the scenario does not contain any input states at
the moment, making approaches such as reinforcement learning inappropriate. The
precise algorithm parameters are expressed in the table as well.
We tried different levels of complexity ranging, namely n = 3,4,5,....,12, totaling
to 10 scenarios. For each scenario we generate 10 instances with different prefer-
ences of users, and for each instance we perform 30 runs of the algorithms, given
their probabilistic nature. In addition to the benchmarks indicated before, we also run
an LP solver2 to find the optimal solution to the problem. We assume that solutions
within the range of 20 % from the optimal solution are satisfactory. As stopping crite-
rion, the CMA-ES uses the fitness improvement as a metric, for the other algorithms
the algorithm is stopped if it is within 20 % from the optimal solution or exceeds
100,000 fitness evaluations.
1 https://www.lri.fr/~hansen/cmaesintro.html.
2
http://lpsolve.sourceforge.net/5.5/.
Table 2 Experimental setup and settings

Abbreviation Algorithm Controller type Specific settings
C-ES CMA-ES Centralized Off-the-shelf toolkit,
with population size
set to
4 + (3 ∗ log((n − 1)2 ))
D-ES CMA-ES Distributed See above, population
size is set to 4 for each
controller
D-GA Standard GA Distributed Number of bits: 16
Population size: 100
Crossover rate: 0.6
1
Mutation rate: 16
C-SA Simulated annealing Centralized T0 = 100
C-HC Hill climbing Centralized Random number is
selected from the
range [0, 10]
5 Experimental Results
The experimental results are described in this section. First, we look at the number of
evaluations needed to come to a reasonable solution (i.e. within 20 % from the opti-
mal value). Figure 2 shows the results for the various algorithms. From the graph,
it can be seen that a centralized controller generated by the CMA-ES algorithm by
far outperforms the alternative algorithms, although the performance of the decen-
tralized CMA-ES variant is still relatively close. The scaling of the algorithm seems
good, given the exponential nature of the number of lights that needs to be controlled
as a function of n on the x-axis. To be more precise, for the simple scenario, includ-
ing 9 users and 4 lights, the system could find good solution within 200 evaluations.
But it needs over 1500 evaluations in a complex scenario which involves 121 lights
and 144 users. So, although from a scientific perspective the speedup is good, from
a user perspective it is quite cumbersome. The variation of performance between the
different runs is low for the CMA-ES. When we look at hill climbing and simulated
annealing, we see that hill climbing performs a lot worse, with a huge variation. Sim-
ulated annealing does better, but does not come close to the speed of the CMA-ES
variants. The Standard GA in the distributed setting is worst, most likely due to the
distributed setting in combination with the simplicity of the EA. Table 3 shows the
complete overview of the average times to find a solution with 20 % from optimal.
4 Relationship between n and number of evaluations

x 10
3.5
C−ES
3 D−ES
C−SA
C−HC
Number of Fitness Evaluations
2.5
D−GA
2
1.5
0.5
0
3 4 5 6 7 8 9 10 11 12
n (Number of users: n*n, Number of lights: (n−1)*(n−1))
Fig. 2 Average time to optimal + 20 % for varying n
Furthermore, Fig. 3 shows the learning curve of the centralized CMA-ES for n = 3,
it can be seen that the algorithm learns quite fast in the beginning, so the users are
not exposed to very low quality solutions for a long period of time.
Scenario 1, Instance 1 (4 lights and 9 users)

70
C−ES
Linear Programming
60
50
Func value
40
30
20 176
10
0 100 200 300 400 500 600 700 800
number of evaluations
Fig. 3 The number of evaluations versus user satisfaction for C-ES

Table 3 Overview of the mean times to find a solution
Appr. C-ES D-ES C-SA C-HC D-GA
n Ave SD Ave SD Ave SD Ave SD Ave SD
3 179.2 28.9 333.6 54.3 206.8 107 1775.6 874.7 6941.8 10175.1
4 291 71.8 701.6 229.8 423 357.2 2828.3 2501.1 4806 3253.8
5 429.6 134.1 1148.8 443.7 1151 1789 7623.5 6169.5 9986.7 12361
6 569.4 87.9 1583.6 280.6 1484.3 919.2 10775.6 9118.9 22328.2 7644.7
7 743.4 206.8 2123.2 376.6 4580.3 7096.4 13388.7 12512.9 - -
8 834 128.5 2584.4 352.7 2736.1 1572.1 13705.6 11093.5 - -
9 1086.4 139.4 3396.8 350.3 5340.2 2325.6 17512.2 11957.3 - -
Using Evolutionary Algorithms to Personalize Controllers . . .
10 1225.7 190.9 4140 282.8 13449.2 21352.6 - - - -

11 1394 184.7 4648 401.6 15202.1 13940.4 - - - -
12 1535.4 157.8 5206.8 552.9 32472.1 55847.1 - - - -
9
6 Discussion
In this paper, we have explored the usability of EAs for personalization in ambient
intelligence. Hereto, we have tried to formalize a fitness function, required for EAs,
and have selected a first set of appropriate EA variants. In an experimental setting
we have seen that EAs are able to find decent quality solutions, but as the problem
becomes more complex the performance becomes a lot worse. Until now, the user
feedback has just been the general level of satisfaction. Of course, more detailed
feedback, or an initial phase of exploration could help to improve the speed to come
to a solution and the quality of the solution. Ample approaches have utilized initial
observations of users to derive a first set of reasonable controllers (see e.g. [8]).
This was however not the purpose of this paper, we simply wanted to see whether
an EA learning approach with one single piece of feedback could do the job, and
the answer is that for simple environments this is possible, but as things get more
complex this would become too much of a burden for users, let alone if multiple
situations would need to be taken into account. Of course, the approach can still be
applied, but our intuition is that one would need to resolve to alternative algorithms
such as reinforcement learning.
For now an explicit fitness function in the form of user feedback has been
obtained. We could also replace this with an alternative fitness function which is less
direct (e.g. measure the work productivity), this would not change the setup of the
learning system which shows how generic the approach is. How well the approach
would learn the optimal lighting however would need to be studied, this would be
an interesting aspect for future work. In addition, we want to explore more complex
scenarios where sensors play a more prominent role and compare faster learning
algorithms such as reinforcement learning to more knowledge driven approaches.
Acknowledgments This research is supported in part by scholarship from China Scholarship

Council under number 201304910373. Furthermore, we would like to thank Gusz Eiben for the
fruitful discussions and the anonymous reviewers for they valuable comments that helped to
improve the paper.
References
1. A. Aztiria, A. Izaguirre, J.C. Augusto, Learning patterns in ambient intelligence environments:

a survey. Artif. Intell. Rev. 34(1), 35–51 (2010)
2. W. Banzhaf, P. Nordin, R. Keller, F. Francone, Genetic Programming: An Introduction (Mor-
gan Kaufmann, San Francisco, 1998)
3. C.-K. Chiou, J.C. Tseng, G.-J. Hwang, S. Heller, An adaptive navigation support system for
conducting context-aware ubiquitous learning in museums. Comput. Educ. 55(2), 834–845
(2010)
4. O. Davidyuk, I. Selek, J. Imanol Duran, J. Riekki. Algorithms for composing pervasive appli-
cations. Int. J. Softw. Eng. Appl. 2(2), 71–94 (2008)
5. F. Doctor, H. Hagras, V. Callaghan, A fuzzy embedded agent-based approach for realizing

ambient intelligence in intelligent inhabited environments. IEEE Trans. Syst. Man Cybern.
Part A Syst. Hum. 35(1), 55–65 (2005)
6. A.E. Eiben, J. Smith, Introduction to Evolutionary Computing (Springer, London, 2003)
7. C.L. Gal, J. Martin, A. Lux, J.L. Crowley, Smart office: design of an intelligent environment.
IEEE Intell. Syst. 16(4), 60–66 (2001)
8. V. Guivarch, V. Camps, A. Peninou, Context Awareness in Ambient Systems by an Adaptive
Multi-agent Approach, in Ambient Intelligence, vol. 7683, Lecture Notes in Computer Sci-
ence, ed. by F. Paterno, B. de Ruyter, P. Markopoulos, C. Santoro, E. van Loenen, K. Luyten
(Springer, Berlin, 2012), pp. 129–144
9. N. Hansen, A. Ostermeier, Adapting arbitrary normal mutation distributions in evolution strate-
gies: the covariance matrix adaptation, in Proceedings of IEEE International Conference on
Evolutionary Computation, May 1996, pp. 312–317
10. F. Mattern, M. Naghshineh, in Pervasive Computing (Proceedings of the Pervasive 2002 Inter-
national Conference), number 2414 in LNCS. Springer, 2002. Online version of the proceed-
ings at http://link.springer.de/link/service/series/0558/tocs/t2414.htm
11. M.C. Mozer, Lessons from an Adaptive Home (Wiley, New York, 2005), pp. 271–294
12. M.C. Mozer, R.H. Dodier, M. Anderson, L. Vidmar, R. F.C. III, D. Miller. The neural network
house: an overview (1995)
13. M.A. Potter, K.A.D. Jong, A cooperative coevolutionary approach to function optimization, in
Proceedings of the International Conference on Evolutionary Computation. The Third Confer-
ence on Parallel Problem Solving from Nature: Parallel Problem Solving from Nature, PPSN
III (Springer, London, UK, 1994), pp. 249–257
14. P. van Laarhoven, E. Aarts, Simulated annealing, in Simulated Annealing: Theory and Appli-
cations, Mathematics and Its Applications, vol. 37 (Springer, Netherlands, 1987), pp. 7–15
15. M. Weiser, Ubiquitous computing. Computer 26(10), 71–72 (1993)
Automatic Early Risk Detection of Possible
Medical Conditions for Usage Within
an AMI-System
H. Joe Steinhauer and Jonas Mellin
Abstract Using hyperglycemia as an example, we present how Bayesian networks

can be utilized for automatic early detection of a person’s possible medical risks
based on information provided by unobtrusive sensors in their living environments.
The network’s outcome can be used as a basis on which an automated AMI-system
decides whether to interact with the person, their caregiver, or any other appropriate
party. The networks’ design is established through expert elicitation and validated
using a half-automated validation process that allows the medical expert to specify
validation rules. To interpret the networks’ results we use an output dictionary
which is automatically generated for each individual network and translates the
output probability into the different risk classes (e.g., no risk, risk).
Keywords Ambient assisted living ⋅ Bayesian networks ⋅ Automated diagnosis
1 Introduction
A major part of the HELICOPTER (Healthy Life support through Comprehensive

Tracking of individual and Environmental Behaviors, http://www.helicopter-aal.eu)
is to develop information and communication technology (ICT) - based solutions
that assist self-sufficient elderly people in early detection of the possible develop-
ment of medical conditions, such as hyperglycemia or heart failure. The reason for
this is to prevent complications arising from the medical conditions if they are not
detected early enough. The main contribution of the HELICOPTER project is
therefore the part of the system that can detect the risk of certain medical conditions
H. Joe Steinhauer (✉) ⋅ J. Mellin

University of Skövde, Skövde, Sweden
e-mail: joe.steinhauer@his.se
J. Mellin
e-mail: jonas.mellin@his.se
© Springer International Publishing Switzerland 2015 13

A. Mohamed et al. (eds.), Ambient Intelligence - Software and Applications,
Advances in Intelligent Systems and Computing 376,
DOI 10.1007/978-3-319-19695-4_2
14 H. Joe Steinhauer and J. Mellin
based on sensor readings and that we call the automatic triage. Its system archi-
tecture is closer described in [1]. The automatic triage should be as unobtrusive as
possible and should not bother the patient with unnecessary interventions. Health
surveillance for the automatic triage is achieved by deploying unobtrusive sensors
(e.g., infrared sensors, pressure sensors, power meters, body weight scales, and
food-inventory tools) and wearable sensors (e.g., fall detectors, individual identi-
fication tags). All data collected from these heterogeneous sensors are then inter-
preted within a data analysis engine in order to deduce the patient’s current risk of
developing an acute medical condition (e.g., hyperglycemia or hypotension).
In this project it is our objective to utilize well established existing methods, in
this case Bayesian networks, deploy them within a case study in order to develop
the specific network designs necessary for each medical condition, and validate the
resulting networks. The remainder of this paper is organized as follows: In Sect. 2
we explain how a Bayesian network for the use in the automatic triage can be
developed in cooperation with a medical expert. After that, in Sect. 3, we describe
how the results of Bayesian networks are validated. Last, but not least, we discuss
our work and give some suggestions for future work in Sect. 4.
2 Bayesian Networks for Automatic Triage Diagnosis
Generally, a diagnosis will be determined on available evidence E and is defined as

in e.g. [2]:
d* = argmaxd∈D PrðdjEÞ ð1Þ
where D is the set of possible diagnoses, and d* stands for the subset of diag-
noses that have been chosen. Bayesian networks [3] have been used in the area of
medical diagnostic reasoning, prognostic reasoning, treatment selection, and for the
discovery of functional interactions, since the beginning of 1990 [2, 4, 5]. Some
early examples can be found in [4, 6–8]. More recently, Bayesian networks are also
applied in home care applications e.g. [9].
A Bayesian network [3] or causal probability network [6] is a graphical repre-
sentation of a probability distribution over the set of random variables. Probabilistic
inference can be done with Bayes rule (see e.g. [10]), which in our domain, where
we want to infer the probability of a disease given that we observe one or several
symptoms that are often caused by the disease, can be defined as:
PðsymptomjdiseaseÞPðdiseaseÞ
PðdiseasejsymptomÞ = ð2Þ
PðsymptomÞ
Due to their graphical representation, Bayesian networks are relatively easy to

understand and to create and can therefore be used, developed, and interpreted by
Automatic Early Risk Detection of Possible … 15
domain experts [9]. They can often be seen as a model of cause-effect relationships
[4] whereby their structure and the underlying probability distribution can be learnt
from data or be created by hand. Thus qualitative and quantitative knowledge can
be mixed [6]. Furthermore, uncertain knowledge can be modeled within a Bayesian
network and missing data can be handled during the diagnosis process, which can
successively be updated when more evidence becomes available [7].
Before we started to develop the automatic triage system, we also considered
alternative evidential frameworks, such as evidence theory [11] and subjective logic
[12], but decided together with the medical expert to use Bayesian networks based
on four criteria: (1) the framework chosen needs to be able to express everything
that is relevant for the task, (2) the design and inner workings of the framework
should be easy to understand for the medical expert, (3) the framework should be
considerably mature and (4) tools for developing the networks should be available.
In our project, as there is no data set available from that the Bayesian network
could be automatically constructed and tested, it needs to be built by hand, whereby
knowledge about the domain of diagnosing medical conditions is provided by a
medical expert. [2] describes that the construction of a Bayesian network by hand
usually involves five stages, which can be iterated during the construction process:
(1) relevant variables need to be chosen; (2) relationships among the variables need
to be identified; (3) logical and probabilistic constraints need to be identified and
incorporated; (4) probability distributions need to be assessed; and (5) sensitivity
analysis and evaluation of the network have to be performed.
Expert elicitation is an essential task in order to build the network and goes
therefore hand in hand with the network construction. Following [13], expert
elicitation is a five step process consisting of: (1) a decision has to be made how
information will be used; (2) it has to be determined what information will be
elicited from the expert; (3) the elicitation process needs to be designed; (4) the
elicitation itself has to be performed; and (5) the elicited information needs to be
translated (encoded) into quantities.
A specific problem when working with Bayesian networks is to elicit the prior
and conditional probability values. [14] argue that even though probability theory is
optimal for the task of decision making, it is often found to be impractical for
people to use. On the other hand, qualitative approaches to deal with uncertainty,
which appear to be more naturally usable by people, often lack in precision.
In order to elicit the prior and conditional probabilities for our project we
developed a dictionary, which, as for example described in [14], can be specified to
allow the expert to express his or her belief for or against a statement or claim in a
so called argument. The argument is expressed in qualitative terms using qualifiers
[14] that then are translated into probabilities. Several dictionaries have been
described in the literature (e.g., [15]). However, for our task we needed to develop a
suitable dictionary together with the expert, since it was important to the expert to
know how the qualitative terms would translate into probabilities in order to fully
understand what the qualitative terms stand for. It was also important that the
16 H. Joe Steinhauer and J. Mellin
qualitative terms match, as much as possible, the way the expert intuitively thinks
about probabilities of symptoms for a developing medical condition. Sometimes we
had to reverse the reasoning, since the available information was in the form of
PðsymptomjdiseaseÞ rather than PðdiseasejsymptomÞ. The qualifiers and their
associated probabilities used are defined as:
• x is known to be false → P(x) = 0
• x is very unlikely → P(x) = 0.01
• x is unlikely → P(x) = 0.1
• x has a negative indication → P(x) = 0.25
• x is random → P(x) = 0.5
• x has a positive indication → P(x) = 0.75
• x is likely → P(x) = 0.9
• x is very likely → P(x) = 0.99
• x is known to be true → P(x) = 1
Note, that this dictionary is only applicable for specifying how probable a
medical condition is, given the observable symptoms. To interpret the networks’
outcome a different dictionary, which is specific for each individual network needs
to be generated. This output dictionary specifies an upper and a lower threshold for
the output probability for each risk class (e.g., the classes no risk and risk).
Further information needed from the expert was how the variables depend on
each other, what the prior probabilities of the medical conditions and the observ-
ables are, what the conditional dependencies between the symptoms and the
developing medical condition are, etc. A resulting network for hyperglycemia risk
detection for a diabetic person is presented in Fig. 1, developed using GeNIe 2.0
[16]. This network has eight variables in total: food intake increase (FI), body
weight gain (BW), soft drink intake increase (SD), gender (G), prostatic hyper-
trophy (PH), prolapsed bladder (PB), diuresis frequency increase (DF) and risk of
hyperglycemia (RH). The latter one is the target variable which probability we
are interested in. (A previous and invalidated version of this network can be
found in [17].)
The target variable RH provides a probability value which in relation to the
aforementioned thresholds indicates if the patient currently is at risk of developing/
experiencing hyperglycemia. The lower threshold for risk of hyperglycemia for this
particular network is P(RH) = 0.9 (or true = 90 % for RH) which means that the
value of RH for true = 95 %, indicates a risk of hyperglycemia. This result is based
solely on the information that is available from the deployed input sources (FI, BW,
SD, G, HP, PB, and DF). The network in Fig. 1 shows the case for a diabetic male
patient (G male = 100 %) with no prostatic hypertrophy (PH false = 100 %) who
has been observed to be drinking a lot of soft drinks (SD true = 100 %). An
increased food intake or a body weight gain has not been observed and is therefore
set to true = 75 % which is the base rate for either of these that have been derived
from the practical experience of the medical expert.
Automatic Early Risk Detection of Possible … 17
Fig. 1 Bayesian network for risk of hyperglycemia detection
The network in Fig. 1 is only one out of many possible Bayesian networks
representing evaluation of risk of hyperglycemia. What variables are part of the
network depend on (1) what information that can be provided by sensors and (2)
how the experts, involved in the design of the network, perform the diagnosis based
on the information from the available sensors. If more or different sensors are used,
then the network’s layout and the corresponding probability values must be refined.
Further, it is important to realize (as previously mentioned) that the network is not
performing a complete diagnosis. Instead, it only provides an indication of the risk
that the patient is suffering from the effects of hyperglycemia. If the network
indicates a risk, the patient will be asked by the AMI system to make sure that they
are risking to suffer (or are suffering) from the effects of hyperglycemia by mea-
suring the blood glucose level. The reason to avoid frequent direct measures of the
glucose level is to increase the person’s quality of life. People quickly tend to
become annoyed when they are asked to interact with the system when they can see
no obvious reason for it. As a consequence, they may react by generally ignoring
the system’s recommendations [18]. Therefore, reducing the frequency of and
number of interactions whenever possible is important to ensure that the system is
used appropriately.
3 Validating the Developed Model
Validity of Bayesian networks established trough expert elicitation is, according to

[19], usually tested by comparing the model’s predictions to available data or by
asking the expert to check whether the network’s outcomes appear to be accurate.
In our case, we need the expert to specify for each possible combination of evi-
dence, what his diagnosis would be. For the Bayesian network to come to the same
result means, that there exists a clear threshold for the probability that the patient
Another random document with
no related content on Scribd:
IX
Mais pour ce qui est de la troisième étape, voici…

Un mur de feu, à cinq cents mètres. Un mur, surmonté et crevé
de grands panaches noirs ou sulfureux qui tourbillonnent. Des bruits
géants, comme si des millions de planches, en tas, et de très haut,
étaient jetées sur un brasier. Derrière ce mur, rien n’apparaît. Au-
devant, une ligne rousse, d’où la flamme et la fumée montent,
faisant un autre mur, ou plutôt comme une vague près du sol,
poussée par le vent vers le sud. Le ciel est pâle, un peu verdâtre,
avec quelques bandes étroites de nuages argentés que le soleil,
encore sous l’horizon, frange de rose vif. De nombreux aéroplanes,
dont les parties de métal brillent, tournent très haut. Au-dessus des
hommes tapis dans la tranchée de départ, un orage de piaulements,
de sifflements, de râles, de souffles circule, qu’un fracas métallique
immense, ponctué de déchirements et d’éclats accompagne… C’est
comme une usine monstrueuse, invisible, l’espace de Dieu conquis
par l’homme pour y lancer sa foudre à lui. Pas un vivant n’apparaît.
Pierre est très calme. A peine une oppression légère. C’est la
première fois qu’il va sortir. Tous, autour de lui, sont muets. Un
homme, appuyé du dos au talus, son fusil debout contre lui, relit de
vieilles lettres. Un autre regarde une photographie d’enfant. Un autre
a le front dans ses mains, on ne voit pas son visage. La plupart sont
sans expression, comme indifférents. Quelques-uns sont très pâles.
Il y en a un qui boit longuement, le goulot du bidon aux lèvres. Il y en
a un qui pleure sans faire de bruit… Pierre regarde un officier qui
tient sa montre et vient de dire à voix haute, avec un coup d’œil
circulaire, qu’on n’a plus qu’une minute à rester là.
Il le regarde. Mais il songe à autre chose. Il sait qu’il va sortir de
terre, que, dans soixante et une secondes, il sera peut-être mort.
Mais il ignore s’il le croit. Il sait que c’est possible, et voilà tout. Il se
demande à quoi il pourrait bien penser pendant ce moment qui
passe avec beaucoup plus de lenteur qu’il ne l’aurait supposé.
Comme il ne trouve pas, il se décide à revoir toute sa vie, qui défile
dans sa mémoire avec une allure uniforme, paisible lui semble-t-il,
très précise, remplie d’anecdotes et de détails. Elle s’est déroulée
entière, il a revu Élisabeth et Clotilde. Il en a souffert trois secondes,
le temps qu’elles occupent dans sa vie d’une minute. Il en est à son
arrivée au milieu de cette nuit même, dans la tranchée où il se
trouve, quand l’officier lève la main. Il achève vite la nuit pour
attraper cet instant.
La main, suspendue en l’air oscille, puis, d’un geste net, coupe
l’espace en avant. Tous sont dehors. Pierre a déjà fait quelques pas.
Il voit devant lui la ligne rousse, sous un autre aspect, moins
surélevée, et d’où ne sort plus qu’un peu de fumée traînante,
qu’effiloche un vent léger. Le mur de feu, derrière, a reculé de cinq
cents mètres, d’un bond. Tous marchent au pas, sans un mot, les
yeux sur la ligne qui vient. Pierre est plein de vide. Un vide
environné, à toutes les surfaces de son être, d’une exaltation
nerveuse inouïe. Il perçoit toutes choses à portée de ses sens avec
une acuité impitoyable, mais elles restent sans relation avec l’esprit,
isolées les unes des autres. Il évite les fondrières et les trous avec
une sûreté telle qu’il la remarque, et en fait une espèce de jeu. Sur
sa gauche, à vingt mètres, un volcan noir jaillit de terre. Il se dit que
c’est un obus. Mais il n’a pas l’habituel geste qui fait mesurer le sol.
Dans la fumée, la terre qui retombe, il devine quelques silhouettes,
qui semblent danser. Quand il peut voir, trois sont à terre. L’un de
ces hommes crie, on le voit à sa bouche ouverte, d’où aucun son ne
paraît sortir. Plus en arrière, un autre semble chercher quelque
chose à terre. Un autre rampe sur les coudes. Trois, dont l’un boîte,
s’en vont, il semble, sans se presser. Pierre les compte. Ils sont huit
en tout. Plus près de lui, un peu en avant, quelqu’un hurle. C’est
l’officier. Pierre n’entend pas ce qu’il dit. Rien, peut-être. Il hurle, en
le regardant. Il a un trou béant, à la place de l’épaule, la droite, et
plus de bras. Un jet de sang jaillit, par saccades. Pierre avance. Il
entend derrière lui le hurlement qui continue, puis cesse
brusquement, comme tranché…
La ligne approche. Il en est à soixante mètres. Il voit les
effondrements qui la coupent, les exhaussements, les éboulis, un
tronc décapité juste en face, qu’un fouillis de fils de fer soutient droit,
un quart de métal qui luit au sommet d’un monticule, puis, tout d’un
coup, à sa droite et à sa gauche, deux petits flocons de fumée claire.
Des bourdonnements durs l’entourent, un brusque essaim. Un bruit
déchire le tumulte, un bruit rythmique et violent. Çà et là, dix, douze
hommes tournoient, tombent, s’arrêtent. Il les voit très nettement. Ils
se démantibulent. Ils sont comme des chiffons mous. Pas un cri,
dans le grand tumulte. Des gestes bizarres, presque risibles. A
trente pas, sur sa gauche, il y en a un qui danse sur un pied. Pierre
ne pense à rien, qu’à regarder la ligne rousse. Deux, trois volcans
sortent de terre, mais derrière lui. Maintenant il court pour arriver
plus vite. Voici des broussailles de fer, qui flottent sur des cratères.
Une tête, face au ciel, le regarde, du fond de l’un. Il saute, se glisse,
descend, monte, pose le pied aux bons endroits. Il est au bord du
talus roux, saupoudré de craie blanchâtre. Il bondit, à pieds joints,
dans de la fumée, court au fond d’une ornière informe, franchit des
corps gisants à moitié ensevelis, évite une main qui sort de terre,
entend derrière des gens qui jurent, des sauts, des piétinements. A
six pas, une mitrailleuse crépite, qu’il ne voit pas. De la fumée, où
bougent des fantômes vagues. Il voit le dos d’un homme assis, il le
saisit aux épaules, il l’arrache à son engin. Derrière, un flot arrive,
l’homme est submergé. On n’entend plus les mitrailleuses, mais un
roulement de pas mous, des cris sourds, un bruit souterrain. Pierre
est près d’un abri dont les marches s’enfoncent. De brusques
fumées rousses en giclent, avec un craquement dur.
Son exaltation croît. Il ne sait pas ce qu’il pense, mais il sait très
bien ce qu’il fait. Un soir de fête, il a été près de l’ivresse, et c’était
ainsi. Il se sentait une lucidité légère, une sorte de joie nerveuse à
saisir au vol ses gestes pour admirer leur précision. Il ne sait pas
comment cinq ou six hommes sont autour de lui, qui lui passent des
grenades, ni pourquoi l’un d’eux tombe, se tenant le ventre à deux
mains. Lui est étendu sur le côté, au fond du boyau, contre le talus,
lançant des engins dans le trou. Il en sort des bruits indistincts, de la
fumée, de sourds éclats, des jets de flamme. Pierre tend la main en
arrière, la ramène, jette la bombe avec une allégresse presque gaie.
Il a envie de scander ses mouvements en déclamant des vers. Il
répète vingt fois le même, en faisant bondir les mots : « L’œil était
dans la tombe et regardait Caïn… » Pourquoi celui-ci ? Il se le
demande, ne trouve pas, continue de déclamer. D’en bas, des voix
étouffées montent, « Kamerad, kamerad », au milieu des explosions
et des roulements souterrains. Trois hommes sanglants sortent,
livides, avec des yeux clignotants. Pierre, en trois bonds, descend
les marches. Dans les ténèbres absolues, qu’une âcre odeur remplit,
où il suffoque, il ne voit qu’une face rousse, barbouillée de sang, que
sa lampe électrique éclaire. « Kamerad, kamerad !… » Derrière lui, le
carré de jour se voile, des pieds roulent dans l’escalier. Pierre
trébuche. Il y a des choses molles, il sent ses souliers clapoter. Il
promène sa lampe. Des corps en tas, du sang, un homme agrippé
des deux poings sur un cadavre en boule, le visage tendu vers lui,
les yeux blancs, un trou sombre à la place du menton et de la
bouche, d’où sort un râle rauque, gargouillant, inarticulé… « J’ai tué,
j’ai tué », dit Pierre. L’ivresse persiste. « J’ai tué… » Rien ne bouge
en lui. « J’ai versé le sang humain. » Rien. « Je suis enfoncé dans la
mort, j’ai de la mort jusqu’aux genoux… La mort… J’ai tué… Je suis
enfoncé dans la mort. »
Rien ne bouge en lui. Ses fibres sentimentales dorment, au fond
d’un vide infini. Par contre, la lucidité de ses sens se répand en
nappes éclatantes dans tous les coins de son intelligence jusque-là
suspendue par le combat. Une exaltation spirituelle surnaturelle et
pourtant paisible, le berce éperdument sur le vertige des idées. Il lui
semble qu’il a des ailes, et cependant, comme il braque sa lampe
vers le sol, il voit ses souliers teints de sang. « Le poète est celui qui
a fixé la mort. Il y en a plus qu’on ne le croit, en France, Villon,
Pascal, Baudelaire, Delacroix. Ils étaient comme moi jusqu’au ventre
dans la mort. Derrière tous les visages de la vie, l’enfance, l’action,
l’esprit, la puissance, l’amour, ils ont vu celui de la mort. » Il se dit
des vers de Villon, désespérés d’être si tendres, des vers de
Baudelaire d’où suaient le pus et le sang. Quelques phrases de
Pascal, flamme enfermée dans un sépulcre. Il vit passer devant ses
yeux les harmonies funèbres du peintre du carnage et de la sombre
volupté. « J’ai tué… j’ai tué pourtant… Saurions-nous que nous
mourrons, si nous ne faisions mourir ? Et si nous ne savions pas que
nous mourrons, vivrions-nous ? »
Ils étaient maintenant dehors, à la lumière. Le boyau était plein
de soldats. On portait des pelles, des pics. On remuait de la terre. Le
feu s’éloignait. Une seconde vague avait roulé sur eux, dépassé la
tranchée conquise. Des souffles ronflaient, quelques éclats volaient
en bourdonnant, des fumées traînaient sur la droite. Mais le feu
s’éloignait. Une brusque gaieté convulsait les vivants. Un petit,
gouaillant et crânant, parlait des « copains d’en face » avec une
sympathie volubile et bourrait de tapes amicales les côtes de
quelques prisonniers boueux qu’on rassemblait hâtivement. Un
commandant serrait la main de Pierre, lui parlait de sa conduite, lui
donnait, pour finir, une corvée à diriger. Le voilà déblayant un fossé à
demi comble, faisant jeter la terre du côté de l’ennemi. L’ivresse
nerveuse tombant, une lassitude subite, infinie, l’obligeait à
s’asseoir. « Ai-je vraiment tué ? » Il ne souffrait pas de se dire qu’il
avait vraiment tué. Sa lassitude était physique, un ressort qui se
détend…
… Le soir, quand une troupe vint relever sa compagnie presque
détruite, ils refirent, en sens inverse, la route du matin. Les troncs
d’arbres déchiquetés, où ne restait pas une feuille, paraissaient
rougis au feu. Le champ des entonnoirs s’étendait pourpre, sans un
fragment de sol vivant, comme si le noyau volcanique du sol avait
été mis à nu. Sur la gauche, on voyait jaillir d’une ombre
commençante, la longue flamme des canons. Des brancardiers
portaient une informe bouillie dans une toile de tente au bord de qui,
pendu par une lanière de peau, un pied, dans un soulier intact, se
balançait à la cadence de leurs pas. Pierre savait maintenant que
des hommes étaient morts à cause de lui, mais il était bien sûr de
n’avoir pas tué. Toute son exaltation était tombée, mais il n’avait
aucun remords. Il lui semblait qu’une force inconnue avait traversé
son être pour se répandre dans ses gestes, laissant sa conscience
intacte, et en dehors. L’abattement subit du matin faisait place à une
sorte de paix animale qu’un repas englouti en quelques minutes et
une heure de sommeil dans la boue tassaient. Il était maintenant
frappé par la grandeur terrible du spectacle, cette planète dépouillée,
ces éclairs dans la nuit tombante, ces brusques météores rouges qui
craquaient en heurtant le sol, ces canons qui hurlaient au loin, la
force de l’homme seule vivante sur l’univers assassiné. Au
cantonnement de la veille, qui maintenant était plus loin des lignes
des deux ou trois mille mètres conquis, il but du vin, il mangea, il
dormit dans une cave, sur un lit de paille pourrie, et ne s’éveilla
qu’au grand jour.
Il était bien. Il y avait un puits dans la cour ruinée, encombrée de
tuiles et de poutres des bâtiments effondrés. Il se mit nu, il s’arrosa
d’eau froide. Le ciel d’automne était ouaté d’or roux. Les dernières
chaleurs de l’année tiédissaient peu à peu la matinée fraîche. Le
canon roulait. Quelques fusants éclataient haut, vers les lisières du
village. Il songea aux événements de la veille comme à des choses
qu’il aurait vues en spectateur. « J’ai tué. » Était-ce bien sûr ? Ce mot
tombait en lui comme une pierre sur une pierre, il en percevait
seulement la sonorité, sans aucune meurtrissure. Il tenta de s’en
vouloir. Il se dit même : « je m’en veux », mais en songeant à autre
chose. L’espace frais, les ruines roses, l’intéressaient. Il sortit sur la
route, où des convois militaires s’embourbaient entre les entonnoirs.
Des chevaux morts gisaient dans le sang et les tripes. Sur sa droite,
à cent mètres, de l’autre côté du chemin, des hommes étaient
assemblés autour d’un travail inconnu. Il aperçut un champ ruiné de
pierres et de briques, un mur bas partout éventré, des objets de fer
tordus, un Christ tout blanc qui n’avait plus de jambes et restait cloué
d’une main. Le cimetière ? Il approcha. Une odeur fade flottait. Il vit.
Deux ou trois cents morts étaient là, rangés sur le dos, côte à côte,
le visage vers le ciel. Ils étaient là, dans un ordre parfait. On en
faisait l’inventaire. Pourquoi étaient-ils là ? Pourquoi étaient-ils
morts ? Pour quelle raison étaient-ils morts ? L’avaient-ils connue,
seulement, la raison pour laquelle ils pouvaient mourir ? La
connaissait-il lui-même ? Des oiseaux chantaient. Les vivants, la
pipe aux dents, faisaient en paix leur besogne. Ils étaient là. Ils
avaient l’air de mannequins empaquetés, de sinistres choses
grotesques, avec leurs mains raidies et leur visage blanc. Un bras
coupé était le long du premier de cette rangée, comme un objet. Hier
matin, tous étaient vivants, tous étaient des hommes. Et on leur avait
dit : « Marchez au-devant de ce fer qu’on lance pour vous tuer. » Et
ils avaient marché contre ce fer. Et la seule chose qui justifiât leur
naissance, le miracle de vivre, avait cessé tout à coup, parce qu’ils
avaient marché quand on le leur avait dit. Voici. Hier ils vivaient, et
aujourd’hui ils étaient morts. L’horreur physique du cadavre faisait
entrer en Pierre, brutalement, l’horreur morale de ce que les
hommes faisaient. La mort des autres est plus horrible que la nôtre,
parce que nous la voyons…
Il ne se repentit pas d’avoir tué, bien qu’il se dît sans cesse :
« J’ai tué. » Il était obligé de s’avouer enfin à lui-même qu’il ne se
rendait aucun compte d’avoir tué. Seulement, il souffrit, pour eux,
que ceux-là qui ne souffraient plus, fussent morts. Pour eux, qui
étaient morts. Ils étaient dans la nuit totale. Leur conscience
n’existait plus. Et la sienne, à l’autre extrémité de l’axe, avait la
puissance incroyable de sentir, de jouir, de souffrir, de raisonner et
de vouloir. Ils étaient bien portants et jeunes la veille. Et des
vieillards et des malades vivaient. Leurs enfants étaient là. Et leur
chair s’effondrait dans la pourriture. Et il y avait sur la même terre,
éclairées par le même soleil, des chairs qui rassemblaient en elles
toute la lumière de Dieu, toutes ses eaux, toutes ses plantes, et les
odeurs de sa fécondité. Il ferma les yeux. Le corps de Clotilde surgit.
Une douleur horrible le poignit, comme toutes les fois qu’il songeait à
Clotilde et qu’il n’avait pas sous la main une lettre d’Élisabeth. Et
cette fois, il souffrit davantage, parce que tous ces cadavres étaient
là. Pourquoi cet épouvantable contraste ? Clotilde, ceux ou celui qui
l’auraient absorberaient en eux le monde, et le sauraient. Le monde
absorberait ces charognes, sans le savoir. Il rouvrit les yeux, regarda
les corps pitoyables. Il tenta de haïr Clotilde. Il ne put pas, ne
l’aimant pas d’amour. Et puis il s’en voulut. Il était trop intelligent
pour haïr une fleur parce qu’elle était une fleur et qu’il y avait autour
de ses racines de l’ordure. Égalité… fraternité… La loi n’était donc
rien ? Ces misérables étaient morts. D’autres aimeraient Clotilde.
L’effroyable fatalité pèserait donc toujours sur l’homme et le hasard
exigerait que celui-ci fût Dieu et celui-là une nourriture de Dieu ?
Il s’enfuit. Il évita, en traversant la route, une grosse marmite qui
l’obligea à un plat-ventre brusque, songea avec terreur pour la
première fois, pendant qu’il fuyait en courant la zone malsaine,
qu’une autre, dans une seconde, pourrait le priver pour toujours
d’être ce qu’il voulait être, d’aimer qui il voulait aimer. Il se réfugia
dans la cave qu’il partageait avec quelques autres, alluma un bout
de bougie, le fixa sur une poutre dans la cire, tâta sa poche, en sortit
une lettre reçue deux jours auparavant. Après trois mois, Élisabeth
exhalait encore sa colère. Elle évoquait, pour la dixième fois,
l’arrivée à Paris de Pierre qu’elle croyait à l’abri, puis son premier
mouvement d’ivresse, puis l’affreuse anxiété pendant le conseil de
guerre, l’élan de joie après l’acquittement, la chute nouvelle dans
l’angoisse lors de l’envoi presque immédiat dans les chasseurs…
« Je t’aime, je t’aime. Et c’est au moment même où je t’ai

reconquis sur moi qu’on t’envoie au massacre ! Je ne veux pas
qu’on te tue, je ne veux pas. Écoute. Je ferai tout. Je te
cacherai… Je te trouverai un moyen de gagner la Suisse,
l’Espagne. Oh ! dis oui ! Je veux être heureuse. Je veux que tu
sois heureux. Je me moque de la patrie. Je me moque de
l’humanité, et de tout et de tout, sauf de toi et de moi… »
La lettre lui fit oublier le spectacle de tout à l’heure. Il songea aux

combats anciens entre eux deux et contre lui-même. Il s’avoua que
sa conscience était plus paisible qu’alors. « Je risque la mort, soit.
Mais je souffre moins qu’en Italie, ou en Suisse. Est-ce parce que j’ai
retrouvé Élisabeth ? Non. Avec Clotilde, le drame est rentré dans
mes sens. Mais cela, c’est indépendant de la guerre. Je serais à leur
côté que le drame serait pire. Oui, ma chair souffre. Mais pas ma
conscience. Je comprends, j’accepte de la vie bien des choses que
je voulais en retrancher. J’ai tué pourtant. J’ai tué. Ai-je tué ? Et mon
orgueil ! Hier, je le mettais à refuser de tuer, de me laisser tuer pour
des choses auxquelles je ne crois plus. Aujourd’hui, je n’y crois pas
davantage. Peut-être moins. Pourtant, j’ai tué pour ces choses, j’ai
risqué d’être tué. Et mon orgueil est plus tranquille. C’est idiot. Je
suis fier d’avoir été brave, et je ne savais pas ce que je faisais. J’ai
été brave. On me l’a dit. J’ai sauté le premier dans la tranchée
boche. Oh ! ce mot, voilà que je le dis aussi ! La communion dans le
meurtre est-elle donc plus humaine que la solitude dans la justice ?
Je suis moins seul. Je souffre moins. Et d’ailleurs, en me révoltant,
étais-je juste ? Ne suis-je pas plus juste en acceptant ma part ? Ma
part de vie ? Ma part de risques ? J’ai vaincu la conscience. J’ai
vaincu la peur. Hier j’étais inconscient. N’est-ce pas vaincre la mort ?
Que penser ? Je ne sais plus… La conscience, la mort ? Des mots.
Je puis donc risquer la mort pour porter un bout de ruban à gauche
de la poitrine ? Moi ! »
Il s’était couché sur sa paille. Près de lui, la plupart dormaient. Un
seul nettoyait son fusil, sans mot dire. Un autre inventoriait le
contenu de sa musette, et rangeait sur une caisse défoncée une
croûte de pain, quelques bouts de ficelle, deux enveloppes
froissées, un dé à coudre, un morceau de crayon épointé, un paquet
de tabac vide. Quelques-uns parlaient de leur misère, montraient le
poing à l’invisible, appelaient la révolution. Pierre, qui venait de se
trouver si pauvre, se sentit pour eux plein de tendresse et de dédain.
Toujours le mythe ! Il avait cru qu’on se délivrait des idoles,
maintenant il en doutait. Quand l’idole est en poussière, nous
ramassons cette poussière pour modeler avec ivresse l’autre idole
qui naît de nous. La forme future de Dieu n’est jamais ce que nous
pensons. Chacun de nous travaille son morceau d’airain pour que la
statue soit à sa taille, lui parle sa langue à lui, le protège contre tous
les périls de vivre, lui donne son pain quotidien. Dressée, elle est
énorme, nul ne la voit d’ensemble, elle est froide, insensible,
inféconde et ne parle pas… Nous la lions d’un câble, nous tirons, et
elle nous tombe dessus.
X
Ils étaient dans une salle d’hôpital, où quatre ou cinq officiers

blessés lisaient, calés sur leur couchette, des magazines et des
romans. Richard Esperandieu, la jambe gauche dans un plâtre,
souriait à Pierre, qui venait d’entrer. Il l’avait toujours regardé comme
un personnage un peu trop compliqué pour lui, mais sympathique. Il
avait appris avec plaisir son retour en France et ses exploits. Pierre
était devant lui, dans sa tenue déjà austère de sous-lieutenant de
chasseurs. Il avait bien pâli devant la main tendue où ses doigts
tremblaient encore. Mais l’étreinte était forte et le regard peu
scrutateur. Pierre essayait d’y fixer le sien, mais il ne savait pas si
les élancements qu’il avait sous le sein gauche lui venaient de sa
brusque honte devant la face de cet homme ou de l’absence de
Clotilde, qu’il souhaitait depuis deux jours et redoutait de trouver là.
Jamais elle ne lui avait écrit. Jamais il n’avait eu directement de ses
nouvelles. Peut-être pour cela, depuis plus d’une année, dans sa
chasteté militaire, le poursuivait-elle encore ? Il n’y avait pas de
solution, puisqu’elle serait sa sœur et que Richard serait son frère et
qu’il la désirait toujours. Lors de ses permissions, il ne l’avait pas
rencontrée, elle était près de son mari. Et chaque fois, il se prenait à
chercher avidement, dans les lignes du corps d’Élisabeth, qu’il aimait
avec désespoir parce qu’il ne savait plus bien s’il l’aimait encore, les
lignes du corps de Clotilde qui apparaissaient furtives et se
dérobaient tour à tour. Qu’étaient donc, auprès de cela, les
souffrances de la guerre, qui ne tuaient jamais l’espoir ? Il méprisa la
guerre. Mais il haït l’amour…
Richard parlait, de sa voix haute et ferme, joyeuse, où sonnaient
la force et l’entrain. Une balle, quinze jours avant, à 3.000 mètres de
haut, lui avait brisé la jambe… « Clotilde était là il n’y a pas une
heure. Elle est partie à Paris pour deux jours, faire des courses. Mon
vieux, elle sera furieuse, quand elle saura qu’elle vous a manqué.
Vous ne pouvez vous figurer ce qu’elle est emballée sur vous. J’en
suis jaloux… »
Pierre se leva, tourna autour du lit, tenta une respiration
profonde, et pour mieux cacher sa souffrance, s’assit à contre-jour. Il
fermait les paupières à demi pour ne pas voir les yeux si clairs, le
teint sans tache, le beau visage ardent modelé comme une
sculpture, le nez busqué que les orbites courbes soutenaient ainsi
que deux ailes, le front droit où les cheveux bruns, séparés en deux
masses, s’élevaient drus, la bouche puissante et bonne sous la
brosse étroite des moustaches, l’énergie des mâchoires rases dont
les plans, tendus comme un bronze, asseyaient le visage dans un
calme impérieux. Pierre regardait en lui-même, il se jugeait
misérable devant cette puissance sans efforts. Il se maudissait de
penser. Il se maudissait de sentir… Être un aigle. Boire le feu.
Fondre sur l’aire, y faire voler sous l’étreinte les plumes de l’aigle
vaincue, reprendre l’espace sans bornes pour la seule ivresse du
vent. Saigner les bêtes pantelantes pour la seule ivresse du sang.
Ne pas penser. Ne pas sentir. Agir, dans un mouvement droit.
« Oui, mon vieux, elle ne parle que de vous, de vos promenades
à Rome dans les ruines, les musées, les jardins, des fontaines, de
Michel-Ange, d’une chanteuse dans la rue, de choses trop
compliquées pour moi… Elle dit que vous êtes un type épatant. Vous
savez tout. Vous comprenez tout. On n’a qu’à vous écouter. Elle
prétend en avoir plus appris dans ces quinze jours à Rome, que
dans tout le reste de sa vie. Ça n’est pas flatteur pour moi. » Il rit de
son grand rire clair. Et Pierre n’ouvrit pas les yeux.
Il crut qu’il allait tout lui dire. Pourrait-il épouser Élisabeth s’il ne
jetait ce fardeau ? Mais si Richard savait, ne perdrait-il pas sa
fiancée ? Souffrirait-il ainsi toute sa vie, s’il se taisait, de ce besoin
tyrannique qui l’isolait des vivants : revoir Clotilde sans songer à la
glorieuse étreinte, la revoir gaiement, en frère, aux côtés d’Élisabeth,
ou bien à l’improviste ou sachant qu’elle allait venir ou qu’il allait la
trouver là, aimer Élisabeth sans élan mortel vers Clotilde, sans
poison dans le vin de l’heure, ne pas les comparer l’une à l’autre aux
grandes minutes de l’amour… L’image de la volupté revint en lui
avec une force implacable, comme un seul coup de hache qui
l’ébranla tout entier. L’image de la volupté devant cet homme. Et il
sentit, dans le flot trouble qui montait du fond de son être, l’anxiété
d’un nouveau combat. Trois sentiments violents, le souvenir, le
remords, la jalousie, ondulaient avec précision et lenteur entre les
parois de sa poitrine, les déchirant à chaque heurt. Il haït Richard, et
Clotilde, et lui-même. Il étouffa de la misère d’avoir vaincu la morale
et la mort. Il crut qu’il allait tout dire. Assassiner un homme, par
orgueil.
Mais celui-ci continuait, faisant les questions, les réponses. Et
brusquement, Pierre comprit qu’il ne parlait plus maintenant de ce
qui était pour Richard une succession d’événements sans
importance, pour Pierre le drame central de ses jours.
— J’espère bien que je ne vais pas pourrir là. Je sue. Ma jambe
infecte. Ça sent ici le phénol et le lavement. C’est incroyable ce que
la terre et les maisons sont riches en mauvaises odeurs. Je m’y crois
toujours dans l’ordure.
— Si vous connaissiez la tranchée, dit Pierre dans un élan de
délivrance qui lui parut définitif…
— Je la connais, en amateur, évidemment… Mais si ça sent
mauvais, il n’y a qu’à en sortir. Ça vous est arrivé souvent, je le sais.
Vous avez été épatant…
— Non. Et puis, si oui, je ne m’en suis pas aperçu.
— Mais c’est ça qui est épatant ! Moi, quand j’en tiens un, je suis
ivre. Je tourne autour, je passe dessus, je passe dessous, je
m’amuse à lui faire peur. Il titube, il tangue, il roule. On dirait qu’il
accroche l’air. Quand il est touché, qu’il pique, je suis un type dans le
genre de Dieu. Je ne sens plus rien, que ma force. Il me disputait le
ciel, il n’y est plus. J’y suis seul. Et voilà. Et les bombes autour de
moi ! Et les nuages qui courent à mille mètres au-dessous ! Et la
terre, qui court aussi, qui vole, plus bas, avec ses bois ras comme
un pré, ses routes ! Et le vent ! Et le bruit de mes mitrailleuses ! Et
mon moteur qui bat dans ma poitrine ! Je sens mes ailes aux
épaules. S’il en venait vingt, j’entrerais dedans ! Je suis le maître de
l’espace. Le souffle de mon sillage suffit à les écarter !
Il avait un peu pâli, son œil s’était dilaté et ses bras, croisés sur
son cœur, tressaillaient de soubresauts brusques qui passaient dans
ses poings serrés.
— J’ai vu les morts allongés côte à côte après le combat, dit
Pierre. Ils étaient quatre ou cinq cents…
— Je n’en vois jamais, moi ! Un peu de fumée, parfois un jet de
flamme, un tourbillon d’air et plus rien. La mort n’existe pas, puisque
je vis. Et si je meurs, non plus. La guerre a délivré en moi des
choses que j’ignorais. Je sais qu’elle est horrible parce qu’on me l’a
dit. Mais je n’en vois pas l’horreur. On me dit aussi qu’elle est
absurde, mais que voulez-vous, je ne suis pas intelligent. On
prétend qu’elle disparaîtra. Mais je suis heureux qu’elle n’ait pas
disparu avant ma disparition. Mon vieux, soyez sincère. Si vous en
revenez à peu près d’aplomb, — mettons avec trois pattes, quoi ! —
regretterez-vous de l’avoir faite ? Non. Alors…
— C’est la dernière guerre, dit Pierre. Tous les hommes la font.
Tous les hommes la voient. Telle qu’elle est, ignoble. Ils le disent, ils
l’écrivent. Ils le répandent. Cela pénètre avec une puissance
inconnue dans l’histoire d’aujourd’hui et la conscience de demain.
C’est la dernière guerre…
— Oh ! je veux bien ! Je suis épicier, après tout. J’ai ma vie à
gagner, du luxe et du bonheur à donner à ma femme. J’aime les
fleurs, les cristaux, les belles épaules autour de moi.
Pierre fit un effort :
— Vous le voyez bien ! Quelle parenthèse dans votre vie !
— Mais non, ça n’est pas une parenthèse… J’ai beaucoup vécu
au cours de la guerre. C’en est donc une dans la vôtre ? Vous
gardez toutes vos idées, la guerre même les renforce. Alors ? Il n’y a
pas de parenthèses dans la vie. Dans la paix, dans la guerre,
quoiqu’il arrive, on est ce qu’on est… Voilà…
Pierre se leva. Ces paroles simples l’outrageaient.
— Ça n’est pas la vie, ça ! Tout meurt, rien ne naît plus. On
massacre même les arbres. Le sol est si dévasté qu’il ne portera
plus de moissons, là où la guerre a passé. Avez-vous donc oublié le
spectacle des campagnes, avant la guerre ? Et les amoureux dans
les bois ? Et les enfants ? Et le charme de contempler, et l’ivresse
d’être doux, et tout ce qui est vie enfin ?
— Je suis très vivant, dit Richard.
En effet, il était vivant. Car c’est en nous seuls qu’est la vie, en
notre idée, en nos actions. Dans un désert, l’homme qui agit ou qui
pense est cent mille fois plus vivant que la forêt luxuriante où
l’homme n’a pas pénétré. Hors nous, qui pourtant entassons des
ruines et ne pensons qu’à la mort, il n’est que ruines et mort. Il y a
peut-être des planètes qui roulent dans l’azur des bois fleuris, des
fleurs géantes, un chœur immense de fauves, d’insectes, d’oiseaux,
l’éternelle chanson du vent… Ces planètes sont mortes, si l’homme
n’y habite pas.
— La guerre mourra, dit Pierre, parce que cette guerre est morte.
Elle ennuie. On s’ennuie.
— Pas moi.
— Si fait moi. Vous êtes une exception, vous. Et puis vous vous
battez en l’air.
— Beaucoup sont comme moi, et il y en aura de plus en plus qui
se battront en l’air. Peut-être que la guerre, au lieu de mourir, ne fera
que changer de forme… D’ailleurs, si vous vous ennuyez, c’est que
vous ne bougez pas. Point de guerre sans mouvement. Dès qu’on
bouge, on ne s’ennuie plus. Et la guerre en est ennoblie…
— La guerre est stupide. Elle nous rend stupides. Lisez nos
livres, nos journaux.
— Pourquoi les lirais-je plus pendant qu’avant la guerre ? Je ne
les lisais pas. Je suis épicier…
— Elle est stérile.
— Stérile ? Des ports s’ouvrent, des usines sortent de terre, la
population des villes triple ou quintuple en quelques mois. Pour une
de détruite, dix se fondent. Les peuples les plus lointains, les plus
opposés se confrontent, l’amour brasse et mêle tout. Vous avez dû
vous en apercevoir comme moi. On les a toutes. Ah ! il y en aura, il y
en aura dans le Nord, des yeux noirs après la guerre, et des yeux
bleus dans le Midi ! La fidélité des femmes, c’est très beau, certes,
ça maintient dans l’orage quelques navires de haut bord, mais les
eaux des mers qui se pénètrent, n’est-ce pas aussi fécond ? Tout ça
m’épate, mon vieux, et j’admire !
Il riait toujours. Chacun de ses mots souffletait Pierre qui sentait
avec désespoir monter en lui sa haine contre la simplicité de
l’homme et la candeur du mari. Le mari, bouffon des âmes basses,
bourreau subtil des âmes hautes, celui qui juge et martyrise en étant
heureux, celui qui dort et hante l’insomnie, celui qui vous inflige sa
confiance comme un fouet, celui dont on souhaite la mort, comme si
la mort d’autrui vous délivrait de votre vie.
Pierre qui, depuis un moment, se promenait de long en large, se
rassit, pour se prouver à lui-même la discipline de son cœur. Et par
fureur d’ascète, il se déchira les entrailles un peu plus profondément.
« Le commerce, l’industrie, la navigation, je m’en fous. Vous
pétrissez tout ça dans les os et le sang des hommes. Pour une
famille qui tient, cent mille sont dévastées, on tue l’enfant, on tue le
père quand l’enfant n’a pas l’âge d’être tué. Et la mère se livre au
premier soldat qui passe. Vous êtes un mari heureux, vous n’avez
pas d’enfants. Vous n’avez pas la parole. » Il dit cela avec fureur,
comme on insulte, pour que le mensonge héroïque passât malgré
lui.
« Mais vous non plus vous n’avez pas d’enfants, et vous êtes un
fiancé heureux… La vie m’amuse, elle vous ennuie. Et voilà tout.
Prenez-la comme moi, votre femme sera fidèle aussi et je vous
souhaite des enfants que je n’ai pu encore avoir. Je ne sais pas
pourquoi, par exemple, car j’ai bien travaillé pour ça. » Et il rit.
Pierre se leva. Il n’en pouvait plus. Tout, ici, outrageait ses
sentiments intimes, cet homme qui ne doutait pas de la vertu de sa
femme, qui ne se croyait pas tenu de lui garder la sienne, qui riait
quand c’était la guerre, qui ne voyait pas la souffrance de celui qui
l’avait trompé. Tout de lui, tout en lui, sa bonhomie cordiale, son
inconscient courage, son bonheur, sa facilité amoureuse et son bon
sens un peu grossier. Y a-t-il deux races, celle qui traverse l’enfer en
joie, ne voyant pas que c’est l’enfer, celle qui a l’enfer en elle et dont
la joie même est enfer ? Qu’est donc la guerre, et qu’est la paix,
puisque chez celui-ci le cœur est toujours en guerre, chez celui-là
toujours en paix ?
Une fois de plus, malgré lui, celui qui ne voulait pas tuer souhaita
la mort de celui qui consentait à tuer et ne souhaitait la mort de nul
au monde. Il se leva, tendit la main, avec une sorte de répugnance
dont il ne savait pas si Richard ou lui-même était l’objet. Richard la
serra fortement.
— Bonne chance, disait Pierre.
— Merci, mon ami, vous de même. Pensez à la petite Élisabeth,
sacré veinard ! Et ne parlez plus de mourir. C’est une blague. Je ne
sais si un jour il n’y aura plus la guerre, mais comme je n’y serai pas,
ça m’est égal. Pour le moment, je suis vivant, et très vivant.
Demandez plutôt à Clotilde !
XI
Tous deux étaient debout, enlacés et face à face, et Pierre

berçait lentement Élisabeth sur son cœur.
— Je t’aime, disait-il. Demain, tu seras ma femme. Demain tu me
défendras contre mes fantômes. Demain je te protégerai contre les
heurts du dehors.
— Je t’aime, disait-elle. Tu es fort. Tu vas déposer dans mon
cœur ta gloire. Tu as souffert pour tous les hommes. Tu as souffert
pour moi. J’ai le droit de t’aimer, maintenant. Je t’aime.
— Je t’aime. Tu es belle. Je sens tout ton corps contre moi.
J’oublierai dans tes bras l’horreur. J’oublierai la vie.
— Je t’aime. Je te révélerai la vie. Tu m’apprendras comment je
te révélerai la vie.
— Je t’aime. Si je suis tué, je t’aurai eue.
— Tu ne seras pas tué. Celui que j’aime ne peut pas être tué. Je
t’aime.
Ils se balbutiaient ces mots contre leurs lèvres, avec une tendre
fureur. Dieu, comme au premier jour du drame, riait. Pourquoi tué ?
Un jour plus tôt… Tous deux sécheraient lentement, comme tout le
monde, et mourraient. Et pourtant, c’étaient eux qui avaient raison
contre Dieu. L’amour absorbe Dieu quand c’est la guerre. Devant la
frénésie de vivre où la présence de la mort précipite les humains,
l’adultère, le viol, l’inceste, tout peut être sanctifié. Un être qui glisse
à l’abîme arrache une fleur en se cramponnant à son bord. La fleur
tourne encore sur le gouffre quand lui-même y a disparu.
— Je t’aime. Tu ne mourras pas. Nous avons payé d’avance. J’ai
souffert. Et tu m’as vaincue.
— Je t’aime. Je ne veux pas t’avoir vaincue. Je ne veux pas. Je
ne veux pas te voir ainsi trembler sous le poing d’un soudard. C’est
à toi de te vaincre en venant à ma foi.
Ils se trompaient tous deux. La victorieuse était la femme. Elle
avait une certitude, et lui pas. Elle était calme. Il s’irritait. Ils étaient
là, l’un devant l’autre, comme à la veille de la guerre. Mais il avait fait
la guerre. Et pour cela, elle était calme, parce qu’elle l’avait vaincu.
Repris par sa passion de comprendre et de convaincre, Pierre
l’avait quittée, un peu brusquement, et marchait dans la pièce, à
grands pas. Il avait pris une rose écarlate qui était seule dans un
verre et la froissait entre ses doigts.
— Je ne veux pas que tu m’aimes parce que je me suis battu. Je
suis un boucher. Je suis un de ceux qui ont aveuglé, mutilé ton frère.
Ces deux pieds, ces deux mains que voilà ont trempé dans le sang
humain.
— Tu risquais le tien.
— Mais rappelle-toi donc ton frère ! Rappelle-toi les lettres que tu
m’envoyais là-bas. Rappelle-toi ton horreur de la guerre. Tu étais
venue toute entière à la haine de l’horreur !
— Je suis femme. Tu m’as traînée par les poings dans ton sillage
sanglant. Tu t’es battu en héros. En saint, puisque tu te battais
contre toi-même. Je marcherai maintenant droit par la vie, au lieu d’y
chercher les coins d’ombre où se retirent ceux qui ne veulent pas
vivre en communion avec tous.
— Lise, Lise, écoute-moi.
Il s’était assis devant elle, il lui avait pris les deux mains.
— Écoute-moi. Je ne crois plus à rien, sinon à l’ignominie de la
guerre, et qu’il faut que les hommes forts, les hommes cruels, tu
m’entends, cruels pour eux, cruels pour tous, imposent aux hommes
faibles, et par tous les moyens, la paix. La patrie ? Je n’y crois plus.
La démocratie ? Je n’y crois plus. Je crois à la force. Mais la force
s’organise pour vaincre et conquérir sans tuer. C’est sa dernière
maladie. Les hommes vont haïr la guerre, parce qu’ils n’en ont plus
besoin. Et la guerre en mourra.
— Je t’aime. Je t’ai retrouvé par la guerre. Je ne puis donc haïr la
guerre. D’ailleurs, on hait ce dont on a besoin. J’ai haï l’amour, mon
Pierre, quand tu m’avais abandonnée. Ni lui, ni toi, ni moi n’en
sommes morts.
— Elle en mourra, elle en mourra, te dis-je. Elle n’est qu’une
caricature sinistre de l’amour. Il faut, pour qu’elle dure, qu’on ait
pendant mille ans redit aux hommes qu’elle est sainte. Pour l’amour,
c’est le contraire. On l’a maudit pendant mille ans. Par cela même,
on l’a exaspéré. Il faut des prétextes à la guerre, la justice, après
Dieu, la démocratie, après le roi, le droit, après l’honneur. Il n’en faut
pas à l’amour.
— Si, dit Élisabeth. Les mêmes qui invoquent tous les prétextes
que tu dis pour maintenir ou provoquer la guerre invoquent, pour
justifier l’amour, l’enfant, la famille, la société. Il s’en moque, comme
la guerre. Comme elle il dure, voilà tout.
Pierre l’avait reprise dans ses bras.
— Tais-toi. Tu vas me faire horreur. Vois ton frère. Ton frère ! Il
n’a plus d’yeux, il n’a plus de bras.
Elle baisa la main qui s’était collée à sa bouche et dégagea sa
tête ardente, qu’elle renversa.
— Pourquoi ne veux-tu pas que je te regarde, toi ? Si tu savais, si
tu savais comme tu es plus beau qu’avant, quelle flamme, quel
orgueil tu as dans les yeux ! Tu ne t’es battu ni pour le droit, ni pour
la démocratie, ni pour la patrie. Tu t’es battu pour ton orgueil, et tu as
comblé le mien. Je peux t’aimer sans en souffrir. Je t’aime.
Il s’irrita.
— Mais pourquoi as-tu haï la guerre ? Pourquoi ?

Ambient Intelligence Software and Applications 6Th International Symposium On Ambient Intelligence Isami 2015 1St Edition Amr Mohamed

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Ambient Intelligence Software and Applications 6Th International Symposium On Ambient Intelligence Isami 2015 1St Edition Amr Mohamed

Uploaded by

Copyright:

Available Formats

Ambient Intelligence Software and

Applications 6th International

Ambient Intelligence Software and Applications 8th

Ambient Intelligence – Software and Applications –, 9th

Ambient Intelligence – Software and Applications –,10th

Ambient Intelligence – Software and Applications : 11th

Guide to Ambient Intelligence in the IoT Environment

Ambient Intelligence 4th International Joint Conference

Ubiquitous Computing and Ambient Intelligence 11th

Ambient Intelligence 14th European Conference AmI 2018

More information about this series at http://www.springer.com/series/11156

ISSN 2194-5357 ISSN 2194-5365 (electronic)

Library of Congress Control Number: 2015940728

Springer Cham Heidelberg New York Dordrecht London

Printed on acid-free paper

Springer International Publishing AG Switzerland is part of Springer Science+Business Media

This volume contains the proceedings of the 6th International Symposium on

June 2015 Amr Mohamed

Program Committee Chairs

Amr Mohamed (Chair)—College of Engineering, Qatar University (Qatar)

Adolfo Barroso Gallego—University of Salamanca

Flavia Delicato—Federal University of Rio de Janeiro (UFRJ)

Sotiris Nikoletseas—University of Patras and CTI

Organizing Committee Chairs

Paulo Novais—University of Minho (Portugal)

Local Organization Committee

Javier Bajo—Polytechnic University of Madrid (Spain)

AIfeH.Special Session on Ambient Intelligence for e-Healthcare

Using Evolutionary Algorithms to Personalize Controllers

Automatic Early Risk Detection of Possible Medical Conditions

Reducing Stress and Fuel Consumption Providing

Policy-Based Adaptation of Context Provisioning in AmI . . . . . . . . . . 33

An Adaptive Particle Filter for Indoor Robot Localization . . . . . . . . . 45

A Discomfort-Sensitive Chair for Pointing Out Mental Fatigue . . . . . . 57

Development of a High Mobility Assistant Personal Robot

Using ICT for Tacit Knowledge Preservation in Old Age . . . . . . . . . . 75

Step Count and Classification Using Sensor Information Fusion . . . . . 85

ECG Signal Prediction for Destructive Motion Artefacts . . . . . . . . . . . 95

A Sentiment Analysis Classification Approach to Assess

Opportunistic Sensoring Using Mobiles for Tracking Users

Mobile Crowd Sensing for Solidarity Campaigns . . . . . . . . . . . . . . . . 125

3D Reconstruction of Bone Structures

Context-Aware Well-Being Assessment in Intelligent Environments . . . 145

An Overview of the Quality of Service in Bluetooth

Computer Vision Based Indoor Navigation:

A Framework for the Secure Storage of Data Generated

Multi-agent Systems for Classification of E-Nose Data. . . . . . . . . . . . . 183

Using Machine Learning Techniques for the Automatic

eServices - Service Platform for Pervasive Elderly Care . . . . . . . . . . . 203

A Sensor-Based Framework to Support Clinicians in Dementia

Unified Fingerprinting/Ranging Localization

My Kinect Is Looking at Me - Application to Rehabilitation . . . . . . . . 233

Flying Depth Camera for Indoor Mapping and Localization . . . . . . . . 243

Emotion Detection in Ageing Adults from Physiological Sensors . . . . . 253

Augmented Tangible Surfaces to Support Cognitive

Author Index . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 273

Shu Gao and Mark Hoogendoorn

Abstract As users can have greatly diﬀerent preferences, the personalization of

Keywords Ambient intelligence ⋅ Evolutionary algorithms ⋅ Personalization ⋅

S. Gao (✉) ⋅ M. Hoogendoorn

© Springer International Publishing Switzerland 2015 1

Learning of preferences and learning how to establish eﬀective cooperation

As said in the introduction, a lot of authors acknowledge the importance of machine