Riassunto analitico
Questa tesi approfondisce l'uso di sensori indossabili, dotati di Inertial Measurement Units (IMUs), e l'apprendimento automatico per il riconoscimento delle attività e l'identificazione degli utenti. Pone un'enfasi speciale sulle applicazioni per i pazienti emofilici - individui con un disturbo genetico per cui il sangue non coagula correttamente, rendendoli suscettibili a sanguinamenti prolungati da lesioni minori o anche in modo spontaneo. Sfruttando i dati inerziali raccolti da sensori posizionati su varie parti del corpo, questo studio mira a determinare il numero minimo di sensori e le loro posizioni ottimali necessarie per identificare accuratamente diverse attività.
Lo studio ha coinvolto la selezione attenta di sensori indossabili compatti, economici, leggeri e programmabili dotati di Unità di Misura Inerziale (IMU) e lo sviluppo di un'applicazione per smartphone in grado di interfacciarsi con un numero variabile di sensori, fino a otto. Questa configurazione ha facilitato la raccolta di dati inerziali mentre un gruppo di volontari si impegnavano in una varietà di attività, inclusi stare seduti, lavorare al computer, camminare, nonché salire e scendere le scale. I sensori erano startegicamente posizionati sui polsi, sul petto, sulla cintura, nelle tasche anteriori e sulle caviglie dei volontari per catturare un'ampia gamma di dati sui movimenti.
Un notevole sforzo è stato fatto per analizzare questi dati inerziali con l'obiettivo di riconoscere accuratamente le attività sopracitate. Lo studio ha valutato l'efficacia di vari modelli di apprendimento automatico, ognuno addestrato con dati da diverse configurazioni di sensori. Questa analisi è stata cruciale nel determinare la posizione ottimale dei sensori e il numero minimo di sensori richiesti per un'identificazione precisa dell'attività.
Inoltre, la ricerca ha sfruttato i modelli di apprendimento automatico per distinguere gli utenti in base ai loro modelli di movimento.
I risultati forniscono spunti sull'uso efficace dei sensori indossabili in sanità, in particolare per migliorare la cura e il monitoraggio dei pazienti emofilici, identificando configurazioni di sensori efficienti per il riconoscimento accurato dell'attività e valutando la fattibilità di distinguere gli utenti in base ai loro dati inerziali.
|
Abstract
This thesis delves into the use of wearable sensors, equipped with Inertial Measurement Units (IMUs), and machine learning for activity recognition and user identification. It places a special emphasis on applications for hemophiliac patients - individuals with a genetic disorder in which the blood does not clot properly, making them susceptible to prolonged bleeding from minor injuries or even spontaneously. By leveraging inertial data collected from sensors positioned on various parts of the body, this study aims to determine the minimal number of sensors and their optimal placements necessary for accurately identifying different activities.
The study involved carefully selecting compact, cost-effective, lightweight and programmable wearable sensors equipped with Inertial Measurement Units (IMUs) and developing a corresponding smartphone application capable of interfacing with up to eight sensors simultaneously. This setup facilitated the collection of inertial data as volunteers engaged in a variety of activities, including sitting, office work, walking, as well as ascending and descending stairs. The sensors were strategically positioned on the volunteers' wrists, chest, belt, front pockets, and ankles to capture a wide range of movement data.
A considerable effort was made to analyze this inertial data with the goal of accurately recognizing the aforementioned activities. The study evaluated the efficacy of various machine learning models, each trained with data from different sensor configurations. This analysis was crucial in determining the optimal sensor placement and the minimum number of sensors required for precise activity identification.
Furthermore, the research leveraged machine learning models to distinguish users based on their movement patterns.
The findings provide insights into the effective use of wearable sensors in healthcare, especially for enhancing the care and monitoring of hemophiliac patients, by identifying efficient sensor configurations for accurate activity recognition and assessing the feasibility of distinguishing users based on their inertial data.
|
