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 />
usando un accelerometro che ha una risposta in continua, ovvero utilizzandolo cioè<br />
come inclinometro, e rilevate con <strong>di</strong>verse metodologie [19, 20, 21, 22, 23, 24]. Più<br />
specificamente per il rischio <strong>di</strong> cadute sono stati implementati molti sistemi <strong>di</strong><br />
<strong>classificazione</strong> <strong>delle</strong> situazioni <strong>di</strong> rischio, che necessitano <strong>di</strong> una notevole fase <strong>di</strong><br />
training per evitare situazioni <strong>di</strong> falsi positivi. Ad esempio, tramite l’utilizzo <strong>di</strong> reti<br />
neurali e features estratte da sensori inerziali quali accelerometri e giroscopi, sono<br />
stati addestrati classificatori con campioni <strong>di</strong> circa 30 soggetti anziani con <strong>di</strong>versi<br />
fattori <strong>di</strong> rischio <strong>di</strong> cadute, identificate tramite la scala <strong>di</strong> Tinetti, e testati su 100<br />
soggetti altrettanto <strong>di</strong>versificati. La <strong>classificazione</strong> della situazione <strong>di</strong> rischio cadute<br />
fornita dalla rete ha fornito dati incoraggianti, ad<strong>di</strong>rittura superiori a sistemi<br />
addestrati grazie alle stime <strong>delle</strong> densità <strong>di</strong> probabilità a priori in un classificatore <strong>di</strong><br />
Bayes classico [25]. Altri sistemi <strong>di</strong> <strong>classificazione</strong> del rischio <strong>di</strong> cadute prevedono<br />
l’utilizzo <strong>di</strong> un accelerometro triassiale posizionato sulla cintura che estrapoli, in una<br />
acquisizione a lungo termine, i parametri del cammino ritenuti utili in un’analisi <strong>di</strong><br />
tipo quantitativo del cammino, e tramite essi produca in uscita una identificazione<br />
del rischio <strong>di</strong> caduta/non rischio <strong>di</strong> caduta. In questo caso sono stati utilizzati<br />
classificatori basati sugli alberi <strong>di</strong> decisione [26].<br />
Meto<strong>di</strong> alternativi sono stati proposti grazie all’utilizzo del suono come una soluzione<br />
alternativa al video tele monitoraggio, grazie all'in<strong>di</strong>viduazione e la <strong>classificazione</strong><br />
dei suoni allarmanti in un ambiente rumoroso. Il sistema <strong>di</strong> analisi au<strong>di</strong>o è <strong>di</strong>viso in<br />
due fasi: in<strong>di</strong>viduazione del suono e <strong>classificazione</strong>. La prima fase <strong>di</strong> analisi<br />
(in<strong>di</strong>viduazione del suono) consiste nell’estrazione <strong>di</strong> suoni significativi da un flusso<br />
continuo del segnale au<strong>di</strong>o proveniente dall’ambiente, <strong>di</strong> solito rumoroso, ed è<br />
costituito da un algoritmo <strong>di</strong> rilevazione basato sulla trasformata <strong>di</strong>screta wavelet. La<br />
seconda fase del sistema è la corretta <strong>classificazione</strong>, che utilizza un approccio<br />
statistico per in<strong>di</strong>viduare i suoni sconosciuti, tramite parametri ricavati dalle wavelet.<br />
Il sistema proposto presenta un 3% <strong>di</strong> tasso <strong>di</strong> mancato allarme e gli autori lo<br />
propongono come sistema che può essere fuso con altri sensori biome<strong>di</strong>ci per<br />
12