tecniche di classificazione e predizione delle ... - DSpace@Roma3
tecniche di classificazione e predizione delle ... - DSpace@Roma3
tecniche di classificazione e predizione delle ... - DSpace@Roma3
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
Tecniche <strong>di</strong> <strong>classificazione</strong> e pre<strong>di</strong>zione <strong>delle</strong> attività motorie per telemonitoraggio e<br />
teleriabilitazione<br />
già classificato in base a <strong>di</strong>versi parametri. E’ il caso ad esempio dell’invio del<br />
segnale ECG, che raramente viene trasmesso per intero, ma <strong>di</strong> cui vengono inviate le<br />
informazione <strong>di</strong> interesse, quali la frequenza car<strong>di</strong>aca, oppure le situazioni ritenute <strong>di</strong><br />
anomalia.<br />
Tra le applicazioni <strong>di</strong> tele monitoraggio più recenti, il riconoscimento <strong>delle</strong> attività<br />
quoti<strong>di</strong>ane in questi anni ha visto un fiorire <strong>di</strong> <strong>tecniche</strong> e applicazioni tra le più<br />
svariate, applicate principalmente a <strong>tecniche</strong> video e a sensori indossabili. Per<br />
<strong>di</strong>stinguere tra attività statiche e <strong>di</strong>namiche le <strong>tecniche</strong> hanno fatto spesso uso degli<br />
alberi <strong>di</strong> decisione [1,2,3] in cui la decisione viene presa muovendosi lungo un<br />
albero <strong>di</strong> possibilità e riducendo ad ogni passo lo spazio <strong>di</strong> decisione, partendo<br />
appunto dalla decisione iniziale <strong>di</strong> <strong>di</strong>stinguere tra attività statiche e <strong>di</strong>namiche.<br />
Altri stu<strong>di</strong> hanno classificato le attività motorie usando <strong>tecniche</strong> <strong>di</strong> clustering (k-NN)<br />
esplorando la possibilità <strong>di</strong> una <strong>classificazione</strong> non supervisionata e confrontandola<br />
con la maggior parte <strong>delle</strong> <strong>tecniche</strong> supervisionate [4,5]. Molti <strong>di</strong> questi lavori hanno<br />
analizzato anche la bontà <strong>delle</strong> <strong>di</strong>verse features, ricavate per lo più, in queste<br />
applicazioni citate, da segnali accelerometrici, e anche la possibilità <strong>di</strong> <strong>di</strong>fferenziarle<br />
a seconda della tecnica usata e in base alla possibilità <strong>di</strong> combinarle con <strong>tecniche</strong><br />
<strong>di</strong>verse [5,6]. Il riconoscimento dell’atto motorio può essere poi effettuato con i<br />
classificatori Bayesiani, in cui, in una preliminare fase <strong>di</strong> training, viene stimata la<br />
densità <strong>di</strong> probabilità con<strong>di</strong>zionata e anche ipotizzata una probabilità a priori<br />
[1,2,7,8]. A questo proposito anche nel corso del nostro lavoro sono state effettuate<br />
<strong>di</strong>verse valutazioni in base alle <strong>di</strong>verse probabilità a priori [9,10]. Le probabilità <strong>di</strong><br />
compiere una determinata azione prima/dopo <strong>di</strong> un’altra sono state sfruttate nel<br />
riconoscimento <strong>di</strong> attività qualora si riconosca la sequenza della attività come un<br />
processo markoviano e si sfruttino le probabilità <strong>di</strong> transizione e la teoria dei modelli<br />
markoviani [11,12,13,10]. Altre <strong>tecniche</strong> <strong>di</strong> <strong>classificazione</strong> che hanno dati risultati<br />
sod<strong>di</strong>sfacenti utilizzano le reti neurali, dove lo strato <strong>di</strong> uscita classifica l’attività,<br />
avendo a <strong>di</strong>sposizione come strato <strong>di</strong> ingresso tutte le features ritenute utili [14].<br />
10