ANALISI DI ARCHITETTURE DI DEEP LEARNING PER HUMAN ACTIVITY RECOGNITION E FALL DETECTION MEDIANTE SENSORI WEARABLE

L’obiettivo di questa tesi è lo studio e il confronto di diversi modelli di Deep Learning per il riconoscimento automatico delle attività umane e il rilevamento delle cadute mediante dati provenienti da sensori indossabili. In particolare, viene utilizzato il dataset pubblico MobiAct, contenente segnali acquisiti da accelerometri e giroscopi durante lo svolgimento di attività quotidiane e simulazioni di caduta. Il lavoro si concentra sulle fasi di preprocessing dei dati, sulla progettazione e implementazione di diverse architetture di reti neurali e sulla valutazione delle loro prestazioni attraverso metriche standard quali accuratezza e F1-score. I modelli analizzati vengono confrontati per individuare la soluzione più efficace in termini di precisione e affidabilità. I risultati ottenuti evidenziano le potenzialità delle tecniche di Deep Learning nell’ambito del monitoraggio del movimento umano, con particolare riferimento alle applicazioni in ambito sanitario e assistenziale.