• smartwatch
• smartphone
• HAR
• AR

Negli ultimi anni, la diffusione capillare di dispositivi indossabili dotati di sensori inerziali ha favorito l’ideazione e la sperimentazione di sistemi automatici per il monitoraggio della salute e del benessere degli utenti. Tali sistemi trovano applicazione soprattuto in campo medico e sportivo. Ad esempio, il riconoscimento automatico di attività semplici, come camminare o stare seduti, può essere utilizzato dal medico per valutare lo stile di vita del paziente.
Lo scopo di questo lavoro di tesi è lo studio e la sperimentazione di un metodo per il riconoscimento di attività mediante l’utilizzo di un accelerometro indossato al polso, integrato in uno smartwatch. Per addestrare il classificatore delle attività in modo personalizzato e senza richiedere la supervisione di un’altra persona, la tecnica proposta prevede di sfruttare le informazioni provenienti da uno smartphone indossato nella tasca dei pantaloni. In fase di addestramento, quindi, è lo smartphone a fare da supervisore allo smartwatch, contribuendo alla creazione del training set. Terminata la fase di addestramento, lo smartwatch è in grado di riconoscere in modo del tutto autonomo semplici attività come camminare, stare seduti o stare in piedi fermi.
Il metodo proposto è stato sperimentato con la collaborazione di cinque utenti, i quali hanno partecipato a due raccolte dati distinte. Nella prima raccolta i volontari hanno indossato contemporaneamente lo smartwatch e lo smartphone, in modo da permettere la generazione automatica di un training set personalizzato. Nella seconda raccolta, supervisionata ed etichettata manualmente sfruttando registrazioni video, è stato prodotto il dataset di validazione.
I risultati di questa prima sperimentazione hanno confermato la validità dell’approccio proposto in questa tesi. In termini di F-measure, il classificatore ha ottenuto un’accuratezza dell’86% quando gli utenti stavano in piedi e fermi, dell’88% quando stavano seduti e dell’96% durante la camminata. Questi risultati migliorano notevolmente lo stato dell’arte. Inoltre, è stato verificato che la personalizzazione permette un aumento di accuratezza pari a circa il 20% nel distinguere le posture.