| KEYWORD |
DAUIN - GR-24 - reSilient coMputer archItectures and LIfE Sci - SMILIES
Monitoraggio del sonno basato su deep learning e dati multi-modali
Parole chiave APPRENDIMENTO PROFONDO, DISPOSITIVI INDOSSABILI, SEGNALI FISIOLOGICI
Riferimenti LUIGI BORZI'
Gruppi di ricerca DAUIN - GR-24 - reSilient coMputer archItectures and LIfE Sci - SMILIES
Tipo tesi APPLICATA, SPERIMENTALE
Descrizione I disturbi del sonno influiscono in modo significativo sulla salute e gli attuali metodi di monitoraggio, come la polisonnografia (PSG), sono costosi e poco pratici per l'uso quotidiano. I dispositivi indossabili offrono un'alternativa non invasiva, ma richiedono tecniche avanzate per fondere i dati multimodali per un'analisi accurata del sonno. L'apprendimento profondo, possono migliorare l'accuratezza del rilevamento degli stadi del sonno e l'identificazione dei disturbi.
Lo studente analizzerà un set di dati di 100 soggetti, monitorati di notte con uno smartwatch. I segnali fisiologici registrati comprendono il volume del sangue pulsato dai sensori PPG, l'accelerazione dai sensori inerziali, l'attività elettrodermica e la temperatura della pelle. La polisonnografia gold-standard è disponibile come riferimento per le fasi del sonno, insieme a informazioni cliniche sulla salute del sonno.
Lo studente progetterà, svilupperà e valuterà un modello di apprendimento profondo leggero, veloce e interpretabile, come le reti neurali convoluzionali (CNN), applicato per fondere i segnali multimodali e prevedere gli stadi del sonno ed eventuali disturbi.
L'attenzione sarà rivolta all'accuratezza, alla velocità e all'interpretabilità del modello per capire quali caratteristiche guidano le previsioni.
Il modello dovrebbe prevedere con precisione le fasi del sonno, identificare le caratteristiche chiave che contribuiscono alla salute del sonno e offrire uno strumento per rilevare i disturbi del sonno in modo non invasivo e scalabile.
Conoscenze richieste Analisi dei segnali biomedici; Matlab; Python; Intelligenza artificiale; Apprendimento profondo
Scadenza validita proposta 01/03/2025
PROPONI LA TUA CANDIDATURA