Monitoraggio delle attività in contesti indoor tramite sensori senza contatto e Intelligenza artificiale

Il riconoscimento delle attività umane (Human Activity Recognition - HAR) è fondamentale per l'evoluzione degli edifici intelligenti, eppure le tecnologie attuali presentano criticità significative: i sistemi di visione artificiale sollevano problemi di privacy, mentre i dispositivi wearable risultano spesso invasivi per l'utente. Questa tesi propone il superamento di tali limiti attraverso l'impiego di sensori ambientali a ultrasuoni, capaci di misurare i pattern motori in ambienti d’ufficio in modo non intrusivo e totalmente inaudibile. Sfruttando la tecnologia Time-of-Flight, il sistema misura variazioni di distanza millimetriche per monitorare le attività tipiche della routine lavorativa, dalla digitazione alla deambulazione. Il nucleo della ricerca risiede in un'innovativa pipeline di feature engineering: l'integrazione sistematica del Jerk (derivata terza dello spostamento) permette di discriminare movimenti complessi con profili dinamici simili, superando le ambiguità dei sensori inerziali tradizionali. La classificazione dei dati segue un approccio gerarchico che distingue tra macro-categorie statiche e dinamiche, processate mediante modelli di machine learning avanzato e reti neurali convoluzionali. Il raffinamento statistico delle componenti del segnale assicura un'elevata efficienza nell'esecuzione dei modelli, abbattendo i tempi di risposta del sistema senza compromettere la robustezza dell'analisi. In conclusione, lo studio valida la tecnologia ultrasonica come soluzione robusta e rispettosa della privacy per la Building Intelligence. L'integrazione di questi modelli apre nuove prospettive per la creazione di sistemi di controllo ambientale "human-centric", capaci di adattarsi autonomamente al comportamento e alle necessità degli occupanti.