I dispositivi indossabili per il fitness generano continuamente dati biometrici come frequenza cardiaca, variabilità della frequenza cardiaca e saturazione dell'ossigeno. Le applicazioni attuali si limitano a visualizzare questi dati senza interpretarli, perdendo il loro reale potenziale informativo. Questo lavoro propone un sistema di raccomandazione adattiva real-time che trasforma i parametri biometrici in suggerimenti personalizzati per l'allenamento, operando su tre livelli temporali distinti: pianificazione pre-sessione, modulazione dell'intensità durante la sessione, e aggiornamento progressivo del piano post-sessione. Il sistema è composto da tre componenti principali. Un layer di sicurezza deterministico basato sulle linee guida ACSM che, attraverso otto regole derivate dalla letteratura clinica, garantisce la sicurezza dell'utente indipendentemente dall'output del modello machine learning. Un classificatore HistGradientBoosting addestrato su dati biometrici reali del dataset, validato con Leave-One-Subject-Out cross-validation su 35 soggetti raggiungendo un macro-F1 = 0.976, con un vantaggio di 16 punti percentuali rispetto a un sistema a regole con soglie perturbate del 10%. Un modulo di pianificazione HRV-guided che combina la variabilità della frequenza cardiaca notturna con lo storico degli allenamenti per generare piani personalizzati, includendo il rilevamento automatico del sovrallenamento e un meccanismo di progressione adattiva post-sessione. Il tutto è integrato in un'applicazione Android che comunica con tramite Health Connect e un backend Flask con database SQLite. Il sistema risponde in 17-28,ms per l'inferenza ML e 146-241,ms end-to-end per chiamata, risultando adatto all'utilizzo real-time su dispositivi mobili. Il lavoro si posiziona rispetto alla letteratura esistente sui sistemi di raccomandazione per il fitness, colmando il gap tra la semplice visualizzazione dei dati biometrici e la prescrizione adattiva personalizzata durante l'esercizio fisico.

DYNARECFIT-SISTEMA DI RACCOMANDAZIONE REAL TIME PER IL BENESSERE FISICO

FALCO, GIUSEPPE
2025/2026

Abstract

I dispositivi indossabili per il fitness generano continuamente dati biometrici come frequenza cardiaca, variabilità della frequenza cardiaca e saturazione dell'ossigeno. Le applicazioni attuali si limitano a visualizzare questi dati senza interpretarli, perdendo il loro reale potenziale informativo. Questo lavoro propone un sistema di raccomandazione adattiva real-time che trasforma i parametri biometrici in suggerimenti personalizzati per l'allenamento, operando su tre livelli temporali distinti: pianificazione pre-sessione, modulazione dell'intensità durante la sessione, e aggiornamento progressivo del piano post-sessione. Il sistema è composto da tre componenti principali. Un layer di sicurezza deterministico basato sulle linee guida ACSM che, attraverso otto regole derivate dalla letteratura clinica, garantisce la sicurezza dell'utente indipendentemente dall'output del modello machine learning. Un classificatore HistGradientBoosting addestrato su dati biometrici reali del dataset, validato con Leave-One-Subject-Out cross-validation su 35 soggetti raggiungendo un macro-F1 = 0.976, con un vantaggio di 16 punti percentuali rispetto a un sistema a regole con soglie perturbate del 10%. Un modulo di pianificazione HRV-guided che combina la variabilità della frequenza cardiaca notturna con lo storico degli allenamenti per generare piani personalizzati, includendo il rilevamento automatico del sovrallenamento e un meccanismo di progressione adattiva post-sessione. Il tutto è integrato in un'applicazione Android che comunica con tramite Health Connect e un backend Flask con database SQLite. Il sistema risponde in 17-28,ms per l'inferenza ML e 146-241,ms end-to-end per chiamata, risultando adatto all'utilizzo real-time su dispositivi mobili. Il lavoro si posiziona rispetto alla letteratura esistente sui sistemi di raccomandazione per il fitness, colmando il gap tra la semplice visualizzazione dei dati biometrici e la prescrizione adattiva personalizzata durante l'esercizio fisico.
2025
DYNARECFIT-REAL-TIME RECOMMENDATION SYSTEM FOR PHYSICAL WELL-BEING
Wearable Devices
Recommender Systems
Healthy Behaviour
File in questo prodotto:
File Dimensione Formato  
Tesi_Definitiva_Falco_Giuseppe.pdf

non disponibili

Dimensione 5.97 MB
Formato Adobe PDF
5.97 MB Adobe PDF

I documenti in UNITESI sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/20.500.14253/65702