ARCHITETTURA DI BODY AREA NETWORK PER L'ANALISI DI BIOSEGNALI RISPETTOSA DELLA PRIVACY MEDIANTE TINYML FEDERATO

La crescente diffusione di dispositivi wearable e sistemi embedded rende possibile l’acquisizione continua di biosegnali direttamente sul corpo dell’utente, ma introduce anche criticità legate a risorse computazionali limitate, consumo energetico, comunicazione e gestione di dati potenzialmente sensibili. In questo contesto, il presente lavoro studia la possibilità di integrare Body Area Network, Tiny Machine Learning e Federated Learning per l’analisi distribuita di biosegnali, riducendo la necessità di centralizzare i dati grezzi. La tesi propone un’architettura BAN nella quale i dispositivi wearable svolgono principalmente il ruolo di sorgenti fisiologiche, mentre nodi embedded programmabili eseguono localmente le operazioni di pre-processing, estrazione delle feature e apprendimento. L’architettura viene integrata con MAFALDA 2.0, framework ontology-based progettato per supportare training, inferenza e apprendimento federato su dispositivi con risorse limitate. La validazione sperimentale è condotta sul dataset CASE per il riconoscimento delle emozioni attraverso le dimensioni di Valence e Arousal. Sono utilizzati i segnali ECG, BVP, GSR e SKT, dai quali vengono estratte 24 feature statistiche e differenziali. Le prestazioni di MAFALDA 2.0 vengono confrontate con baseline centralizzate basate su Random Forest e rete neurale feed-forward e con una baseline federata basata su Federated Averaging. I risultati mostrano che le migliori prestazioni centralizzate sono ottenute dalla Random Forest per Valence e dalla rete neurale per Arousal, mentre MAFALDA 2.0 presenta prestazioni inferiori nello scenario centralizzato ma confrontabili con FedAvg nello scenario federato. In particolare, per Arousal la differenza tra configurazione centralizzata e federata di MAFALDA risulta molto contenuta. Il lavoro evidenzia quindi il trade-off tra prestazioni predittive e caratteristiche architetturali di una soluzione distribuita, mostrando la fattibilità dell’impiego di TinyML federato e rappresentazione semantica in una Body Area Network orientata alla riduzione della centralizzazione dei dati fisiologici.