ANALISI DI SEGNALI FISIOLOGICI CON METODI CONVENZIONALI E INTELLIGENZA ARTIFICIALE PER LA VALIDAZIONE DI UN DISPOSITIVO INDOSSABILE CARDIORESPIRATORIO

La presente tesi riguarda l’analisi di segnali fisiologici per la validazione di un dispositivo indossabile cardiorespiratorio. Il lavoro si concentra sulla stima della frequenza cardiaca da segnale ECG, confrontando un dispositivo custom con un sistema di riferimento mediante algoritmi convenzionali di elaborazione del segnale, tra cui Pan-Tompkins e Windowed FFT. In una seconda fase, vengono valutati modelli di Deep Learning applicati a finestre di segnale ECG per la stima di parametri cardiorespiratori e la classificazione di differenti pattern respiratori. I risultati mostrano una buona concordanza tra il dispositivo custom e il sistema di riferimento nella stima della frequenza cardiaca e confermano la fattibilità di un approccio data-driven per l’estrazione di informazioni respiratorie indirette dal segnale ECG. Il lavoro evidenzia quindi le potenzialità e i limiti metodologici dell’utilizzo di sistemi indossabili per il monitoraggio cardiorespiratorio.