Analisi Intelligente dei Dati da Dispositivi Wearable per il Monitoraggio di Pazienti

L’incremento di dispositivi wearable (smartwatch, sensori a basso consumo) ha aperto la strada alla raccolta massiva di dati fisiologici per applicazioni nell’ambito salute, benessere e sport. Tuttavia, l’analisi di questi dati deve essere accurata, rapida ed energeticamente efficiente: il nostro gruppo ha sviluppato framework e modelli deep learning progettati specificamente per funzionare su piattaforme mobili, garantendo classificazione delle attività in tempo reale—direttamente sul device e senza bisogno di server esterni.
Motivazioni & Obiettivi

• Fornire soluzioni di activity recognition compatibili con i vincoli computazionali delle piattaforme wearable, senza rinunciare ad accuratezza e generalizzazione.
• Permettere l’analisi intelligente e contestuale delle attività umane in applicazioni di telemedicina, sport, prevenzione cronica.
• Ottimizzare la pipeline per l’elaborazione locale dei dati riducendo la dipendenza dalla trasmissione cloud (privacy, latenza, risparmio energetico).

Metodi, Novità & Risultati

• Deep learning for human activity recognition: A resource efficient implementation on low-power devices
  BSN Conference, IEEE 2016
  Introdotto un framework di deep learning per activity-recognition eseguito on-node, utilizzando spettrogrammi del segnale per rendere il riconoscimento robusto a differenti orientamenti e hardware. Validato su dataset reali e laboratoriali, il sistema raggiunge tempi di inferenza e consumi compatibili con l’uso continuo.


• A Deep Learning Approach to on-Node Sensor Data Analytics for Mobile or Wearable Devices
  IEEE Journal of Biomedical and Health Informatics 2017
  Estende il metodo mediante l’integrazione di feature “shallow” e deep features, ottimizzando la pipeline per attività complesse e varie (salute, sport). Dimostra come la classificazione possa avvenire localmente con accuratezze superiori a soluzioni solo “shallow” o solo “deep”.


• Real-Time Food Intake Classification and Energy Expenditure Estimation on a Mobile Device
  Body Sensor Network Conference, 2015
  Applicazione combinata per la classificazione automatica di intake alimentare ed il calcolo energetico direttamente su device wearable, dimostrando la solidità del framework anche nell’analisi dei pattern alimentari—requisito importante per la salute preventiva.

Codice & Applicazione

• ActiveMiles, demo e prototipi: codice on-device disponibile previa richiesta e collaborazione. Approccio portabile e adattabile su diverse piattaforme mobili.

Team & Autori