Numerical dosimetry studies require the development of accurate numerical 3D models of the human body. This paper proposes a novel method for building 3D heterogeneous young children models combining results obtained from a semi-automatic multi-organ segmentation algorithm and an anatomy deformation method. The data consist of 3D magnetic resonance images, which are first segmented to obtain a set of initial tissues. A deformation procedure guided by the segmentation results is then developed in order to obtain five young children models ranging from the age of 5 to 37 months. By constraining the deformation of an older child model toward a younger one using segmentation results, we assure the anatomical realism of the models. Using the proposed framework, five models, containing thirteen tissues, are built. Three of these models are used in a prospective dosimetry study to analyze young child exposure to radiofrequency electromagnetic fields. The results lean to show the existence of a relationship between age and whole body exposure. The results also highlight the necessity to specifically study and develop measurements of child tissues dielectric properties.

Smart sensors are increasingly used in agriculture to monitor environmental conditions and support data-driven decision-making. However, traditional sensor implementations face critical challenges related to power consumption, especially in remote farms—such as pitaya plantations—where access to electricity and ongoing maintenance is limited. This paper presents a smart energy management system for agricultural sensor nodes integrating a machine learning model for adaptive sampling and a batching strategy to optimize energy usage. A lightweight Stochastic Gradient Descent (SGD) regressor trained on temperature dynamics runs on-device to predict the sampling interval ($T_s$). In parallel, the node adjusts the number of buffered samples as the battery state of charge ($SOC$) decreases, reducing Long Range (LoRa) transmissions. Field experiments show that the proposed approach reduces energy consumption by 77.8% compared with fixed-interval sampling, while maintaining good temperature fidelity with Mean Absolute Error (MAE) of 0.537 °C for temperature reconstruction.

Protocole adaptatif pour un auto-déploiement de réseaux de capteurs dans un environnement contraignant: Aujourd’hui, les réseaux sans fils sont de plus en plus mobiles et sont déployés dans des environnements souvent très contraignants. Ces réseaux doivent être autonomes avec peu de maintenance et avoir une durée de vie optimisée. De plus, ces réseaux souffrent d’interférence entre les différentes technologies (cross) ou au sein de la même technologie (mutual). L’objectif de cette thèse est de garantir des communications sans fils pour l’internet des Objets (IoT) ultra-fiables, efficaces énergétiquement et robustes aux interférences en exploitant efficacement les caractéristiques des nouvelles radios au sein d’une pile protocolaire de communication.Durant cette thèse, nous proposons d’étudier de nouveaux protocoles de communication adaptatifs aux conditions du canal et d’interférence visant à la fois l’auto-déploiement de réseaux de capteurs dans des environnements contraignants et l’optimisation de la durée de vie du réseau dans des environnements contraignants.Nous nous concentrerons sur une approche statique dans le cadre de l’automatisation du déploiement de réseaux dans des environnements contraignants. Le protocole détectera, caractérisera et s’adaptera aux conditions du canal (pseudo statique) pour optimiser le bilan de liaison de chaque lien puis diagnostiquera le déploiement.

JAIT is a scientific open access journal which focuses on empirical research results and critical analysis of technology development, use, management and impacts in information technology.