PROGETTAZIONE DI UNA RETE DI SENSORI PER IL MONITORAGGIO DELLO STRESS NEI LAVORATORI IN AMBITO INDUSTRIALE

The evolution towards the Industry 5.0 paradigm places the human being at the center of modern production systems, overcoming the predominantly technology-driven logic of Industry 4.0. In this context, the psychophysical well-being of the worker assumes a strategic role, as prolonged conditions of stress negatively affect performance, safety, and the risk of developing musculoskeletal disorders. Stress, however, is not a directly observable quantity, but manifests itself through physiological, behavioral, and performance-related indicators, making it necessary to develop systems capable of monitoring it in an objective, continuous, and non-invasive manner. This work analyzes the main techniques and technologies for stress monitoring in the industrial field, with the aim of designing a sensor network for a production context. In a first phase, three representative technological solutions proposed in the literature are analyzed, namely Wireless Body Sensor Networks, Computer Vision, and IoT systems supported by artificial intelligence techniques. Subsequently, a systematic analysis is conducted of the physical, physiological, and psychological techniques for measuring stress, of the main physiological sensors, and of the risk factors associated with motor tasks, cognitive tasks, and environmental conditions. On the basis of the evidence that emerged, a hybrid multisensor network is then proposed, organized according to a four-level architecture that integrates Computer Vision techniques, sensors embedded in work tools, wearable devices for physiological monitoring, and environmental sensors. The acquired data are processed, integrated, and used to estimate the operator's stress level by means of machine learning models. The work highlights how no single technology is able to exhaustively describe a multifactorial phenomenon such as occupational stress, and how the integration of complementary information sources allows the limitations inherent to each monitoring technique to be compensated for. Although remaining at the design stage, the proposed solution provides a methodological contribution to the design of systems for monitoring worker well-being, in line with the principles of Industry 5.0.

L'evoluzione verso il paradigma dell'Industria 5.0 pone l'essere umano al centro dei moderni sistemi produttivi, superando la logica prevalentemente technology-driven dell'Industria 4.0. In questo contesto, il benessere psicofisico del lavoratore assume un ruolo strategico, poiché condizioni prolungate di stress incidono negativamente sulle prestazioni, sulla sicurezza e sul rischio di sviluppare disturbi muscoloscheletrici. Lo stress, tuttavia, non è una grandezza osservabile direttamente, ma si manifesta attraverso indicatori fisiologici, comportamentali e prestazionali, rendendo necessario lo sviluppo di sistemi in grado di monitorarlo in modo oggettivo, continuo e non invasivo. Il presente lavoro analizza le principali tecniche e tecnologie per il monitoraggio dello stress in ambito industriale, con l'obiettivo di progettare una rete di sensori per un contesto produttivo. In una prima fase vengono analizzate tre soluzioni tecnologiche rappresentative proposte in letteratura, tra cui Wireless Body Sensor Networks, Computer Vision e sistemi IoT supportati da tecniche di intelligenza artificiale. Successivamente viene condotta un'analisi sistematica delle tecniche di misurazione fisica, fisiologica e psicologica dello stress, dei principali sensori fisiologici e dei fattori di rischio associati ai task motori, ai task cognitivi e alle condizioni ambientali. Sulla base delle evidenze emerse viene quindi proposta una rete multisensoriale ibrida organizzata secondo un'architettura a quattro livelli, che integra tecniche di Computer Vision, sensori embedded negli strumenti di lavoro, dispositivi wearable per il monitoraggio fisiologico e sensori ambientali. I dati acquisiti vengono elaborati, integrati e utilizzati per stimare il livello di stress dell'operatore mediante modelli di machine learning. Il lavoro evidenzia come nessuna singola tecnologia sia in grado di descrivere in modo esaustivo un fenomeno multifattoriale quale lo stress occupazionale e come l'integrazione di sorgenti informative complementari consenta di compensare i limiti propri di ciascuna tecnica di monitoraggio. Pur mantenendosi a livello progettuale, la soluzione proposta fornisce un contributo metodologico alla progettazione di sistemi per il monitoraggio del benessere dei lavoratori, in linea con i principi dell'Industria 5.0.