| KEYWORD |
Monitoraggio dello stress non invasivo da dati multi-modali
Parole chiave APPRENDIMENTO PROFONDO, DISPOSITIVI INDOSSABILI, INTELLIGENZA ARTIFICIALE, SEGNALI FISIOLOGICI, STRESS
Riferimenti LUIGI BORZI'
Gruppi di ricerca DAUIN - GR-24 - reSilient coMputer archItectures and LIfE Sci - SMILIES
Tipo tesi APPLICATA, SPERIMENTALE
Descrizione Lo stress è un fattore chiave in diverse condizioni di salute fisica e mentale, ma gli attuali metodi di monitoraggio sono invasivi o inaffidabili. I dati dei sensori multimodali provenienti da dispositivi indossabili offrono un approccio non invasivo per monitorare continuamente i livelli di stress. Le tecniche di apprendimento profondo possono sfruttare questi flussi di dati per valutare e prevedere con precisione lo stress, offrendo una soluzione scalabile per il rilevamento precoce e l'intervento.
Lo studente analizzerà insiemi di dati pubblici che includono segnali come l'elettroencefalogramma, l'attività elettrodermica, il fotopletismogramma, l'accelerazione e la temperatura della pelle da sensori indossabili, consentendo il rilevamento multimodale dello stress. Sono incluse etichette di stress, spesso basate su compiti o questionari standardizzati che inducono stress.
Modelli di deep learning leggeri, come reti neurali convoluzionali, ricorrenti o ibride, saranno applicati per fondere i dati multimodali. L'obiettivo è sviluppare un modello interpretabile e veloce per valutare con precisione i livelli di stress sulla base dei segnali fisiologici.
Il modello dovrebbe classificare accuratamente i livelli di stress, identificare i segnali fisiologici più influenti e fornire una soluzione pratica e non invasiva per il monitoraggio continuo dello stress e l'intervento precoce.
Conoscenze richieste Analisi di segnali; Matlab; Python; Intelligenza artificiale; Apprendimento profondo
Scadenza validita proposta 01/03/2025
PROPONI LA TUA CANDIDATURA