| KEYWORD |
Implementazione di un algoritmo di machine learning on-chip per l’analisi di stress e carico cognitivo: analisi dei costi computazioni e tempi d’esecuzione
Parole chiave MACHINE LEARNING, PERFORMANCE
Riferimenti DANILO DEMARCHI
Riferimenti esterni Irene Buraioli (irene.buraioli@polito.it)
Tipo tesi SPERIMENTALE
Descrizione Lo stress ed il carico cognitivo sono due condizioni che alterano quotidianamente i nostri processi cognitivi ed emozionali andando anche ad influenzare i pattern decisionali. Le alterazioni si riflettono anche sul nostro corpo e pertanto diversi parametri fisiologici permettono di stimare questi stati di alterazione. Tra questi, possiamo citare il segnale cardiorespiratorio, la temperatura corporea, il segnale elettrodermale o l’ossigenazione cerebrale. La complessità nell’estrazione delle correlazioni tra questi segnali fisiologici e gli stati alterati di stress e carico cognitivo, richiede l’utilizzo di metodologie di machine learning per la valutazione di pattern complessi. Una necessità per un qualunque dispositivo per il monitoraggio di questo tipo, è l’implementazione di tali algoritmi real-time on-chip valutandone il costo computazione, l’efficienza, le perfomance e il tempo d’esecuzione.
Il lavoro di tesi proposto si articolerà nel seguente modo:
1) Al candidato sarà richiesto di effettuare un’analisi sullo stato dell’arte riguardante le possibilità presenti sul mercato per l’implementazione di algoritmi di machine learning real-time applicati all’analisi di segnali fisiologici on-chip.
2) Successivamente il candidato dovrà implementare un modello di machine learning sull’hardware precedentemente selezionato.
3) Infine, il candidato dovrà validare il funzionamento dell’algoritmo su dati presenti in un dataset fornitogli, validando le performance in termini di costo computazionale e tempo d’esecuzione verificando l’effettivo real-time della soluzione proposta.
Tale processo permetterà al candidato di dimostrare l’efficacia di un’implementazione on-chip di algoritmi complessi di analisi di parametri fisiologici real-time.
Conoscenze richieste programmazione in python/matlab, programmazione in C
Scadenza validita proposta 14/12/2024
PROPONI LA TUA CANDIDATURA