ETD

• ballistocardiography
• bed occupancy
• body movements
• breathing rate
• distributed pressure sensors
• heart rate
• non-invasive systems
• Sleep monitoring
• textile sensors
• unobtrusive monitoring

The transition toward Healthcare 4.0 marks a paradigm shift from hospital-centered ters in daily-life conditions has become a cornerstone of preventive and patient-centered care. Among the enabling technologies driving this transformation, wearable and textile-based systems stand out for their ability to merge sensing capabilities with comfort, ergonomics, and usability–making them ideal for long-term health monitoring outside clinical environments.
Sleep is one of the most critical indicators of health, occupying one-third of human life and influencing physical recovery, cognitive function, and emotional balance. Poor sleep quality and disorders—such as insomnia and obstructive sleep apnea (OSA)—are highly prevalent and strongly associated with chronic cardiovascular and metabolic diseases. Consequently, accurate, long-term monitoring of sleep-related arameters is essential for both clinical management and large-scale preventive healthcare. However, current monitoring solutions present significant limitations. Clinical gold standards such as polysomnography (PSG) ensure precision but are invasive, time-consuming, and restricted to short clinical sessions. Questionnaires and actigraphy extend monitoring duration but provide only subjective or motion-based data, lacking physiological insight. Commercial devices offer accessibility but rely on proprietary, non-transparent algorithms and unvalidated outputs. Research prototypes, while technically advanced, often employ dense, rigid sensor arrays that compromise comfort and scalability. It is therefore clear that there is a need for compact, ergonomic, and scientifically validated flexible systems capable of reliable sleep monitoring under real-world conditions. The main objective of this doctoral research was to enable unobtrusive in-bed monitoring of sleep-related parameters through a compact, textile-based and scalable sensing system validated under realistic conditions. This dissertation presents the design, development, and validation of the Smart Mattress Cover System (SMCS) and its custom algorithms. The SMCS integrates textile-based sensing, embedded electronics, and intelligent signal processing into a single, unobtrusive platform for continuous sleep monitoring.
The SMCS comprises two main components: the Smart Mattress Cover (SMC), a flexible cover positioned on the bed surface, and the Bedroom Box Hub (BBH), an external off-bed unit. The SMC integrates a 4×10 low-density piezoresistive pressure matrix and two embedded accelerometers for ballistocardiography (BCG) analysis, within a compact sensing area of only 40×50 cm. From the SMC data, key patient-related parameters (PP)–including heart rate (HR), breathing rate (BR), body movement, and bed occupancy status–are extracted. The BBH serves as the intelligent hub, acquiring environmental parameters such as temperature, humidity, air quality, light, and noise, while managing data storage and wireless transmission. This integrated rchitecture enables the simultaneous acquisition of physiological and environmental data, supporting integration with cloud-based infrastructure and providing a comprehensive view of sleep dynamics. The system development followed a structured engineering cycle–from requirements analysis to hardware realization and algorithmic validation–addressing technical, clinical, and data-driven constraints. From a manufacturing perspective, the SMCS validates the feasibility of large-scale, textile-integrated sensor fabrication through standardized and reproducible processes. The pressure matrix layers and the SMCS multi-layer assembly were designed for mass production using industrial sewing, screen printing and laser-cutting techniques. The system’s architecture leverages commercially available electronic components and 3Dprinted enclosures, reducing costs and facilitating rapid prototyping and deployment. Over 100 units have already been produced and deployed within the EU-funded TOLIFE project on Chronic Obstructive Pulmonary Disease (COPD) patients, confirming both scalability and readiness for real-world applications. Although deployed within TOLIFE, the SMCS operates as a stand-alone platform, easily adaptable to other clinical or research contexts.
Custom algorithms were developed to extract PPs under realistic, sleep-like conditions and were validated across multiple subjects, mattresses, breathing patterns, postures (supine, prone and lateral both left and right sides), and movement frequencies. The HR estimation algorithm, based on an adaptive fusion of accelerometer and pressure matrix data, achieved a mean root mean square error (RMSE) of 2.02 bpm, mean absolute error (MAE) of 1.60±1.28 bpm, Pearson correlation R = 0.999 (p<0.01), a bias of -0.19 bpm, and limits of agreement of ±4.6 bpm in the Bland–Altman analysis, maintaining stable performance across all performed postures. Similarly, the BR estimation algorithm, relying exclusively on pressure matrix data, achieved RMSE of 3.75 acts/min, MAE of 2.05±3.15 acts/min, Pearson correlation R = 0.943 (p<0.01),ma bias of 0.33 acts/min, and limits of agreement of ±7.3 acts/min in the Bland–Altman analysis, confirming robustness across different breathing rates and postures. Finally, the body movement and bed occupancy classifier, based on a custom Artificial Neural Network (ANN) exploiting both pressure and accelerometer data, achieved a global accuracy of 95.09±2.84% across random sub-sampling runs and 98.39% in the bestperforming model, accurately distinguishing among in-bed stillness, in-bed movement, and off-bed conditions.
This thesis provides both scientific and technological contributions to the field of unobtrusive sleep monitoring. Scientifically, it demonstrates that accurate estimation of HR, BR, and body movement can be achieved using a textile-based system. To the best of our knowledge, the SMCS represents the most compact low-density system capable of simultaneously detecting multiple parameters. Technologically, it introduces a modular and scalable architecture that combines sleep-related and environmental sensing while preserving comfort, flexibility, and usability. Compared to state-ofthe-art systems, the SMCS achieves comparable or better accuracy with significantly fewer sensors, confirming the feasibility of our approach. In line with the principles of Healthcare 4.0, the SMCS establishes the foundation for advanced sleep analysis, including posture detection, sleep staging, and sleep quality assessment, bringing the system closer to medical-grade performance standards.
Overall, the SMCS advances the field of unobtrusive sleep monitoring by providing a scientifically alidated, ergonomic, and scalable solution. It contributes to the broader vision of Healthcare 4.0, enabling continuous assessment of sleep and related parameters, with significant implications for decentralized, continuous healthcare and real-world deployment.

La transizione di paradigma dalla medicina ospedaliera ad un approccio personalizzato, con un sistema di servizi sanitari interconnessi e orientati all’uso dei big data. In transizione verso il nuovo modello di healthcare 4.0 rappresenta un cambio questo contesto, il monitoraggio continuo e non invasivo dei parametri fisiologici nelle condizioni di vita quotidiana è diventato un pilastro fondamentale della cura preventiva e centrata sul paziente. Tra le tecnologie abilitanti che stanno promuovendo tale trasformazione, wearables e smart-textiles si distinguono per la loro capacità di integrare funzionalità del rilevamento con comfort, ergonomia e usabilità, rendendole ideali per il monitoraggio prolungato della salute al di fuori del contesto clinico. Il sonno rappresenta uno degli indicatori più rilevanti per la salute umana, occupando circa un terzo della vita di un individuo e influenzando il recupero fisico, le funzioni cognitive e l’equilibrio emotivo. La scarsa qualità del sonno e i suoi disturbi, quali l’insonnia o le apnee ostruttive del sonno (OSA), sono ampiamente diffusi e fortemente associati a malattie croniche cardiovascolari e metaboliche. Pertanto, un monitoraggio accurato e a lungo termine dei parametri relativi al sonno è fondamentale per la gestione clinica e per l’implementazione di strategie di prevenzione sanitaria su vasta scala. Tuttavia, le soluzioni di monitoraggio attuali presentano significative limitazioni. Le procedure cliniche di riferimento, come la polisonnografia (PSG), garantiscono accuratezza ma risultano invasive, richiedono un tempo considerevole e sono limitate a sessioni cliniche brevi. I questionari del sonno e l’actigrafia, prolungano la durata del monitoraggio ma forniscono solo dati soggettivi o basati sul movimento, carenti di parametri fisiologici. I dispositivi commerciali offrono un accesso facilitato, ma utilizzano algoritmi proprietari e non validati tramite peer-review. I modelli di ricerca, sebbene tecnicamente avanzati, spesso impiegano sensori non flessibili su superfici ampie, che possono compromettere il comfort e la scalabilità. È evidente, pertanto, la necessità di creare nuovi sistemi compatti, ergonomici e scientificamente validati, capaci di garantire un monitoraggio affidabile del sonno in condizioni reali. L’obiettivo principale di questa ricerca, quindi, è stato quello di sviluppare un sistema di monitoraggio non invasivo dei parametri relativi al sonno, basato su una tecnologia tessile compatta e scalabile, validata scientificamente in condizioni realistiche. La presente dissertazione illustra la progettazione, lo sviluppo e la validazione dello Smart Mattress Cover System (SMCS) e dei suoi algoritmi personalizzati. Il sistema SMCS integra sensori tessili, circuiti integrati e algoritmi di elaborazione in un’unica piattaforma non invasiva per il monitoraggio continuo del sonno.
Lo SMCS è costituito da due componenti principali: la Smart Mattress Cover (SMC), una cover flessibile posizionata direttamente sulla superficie del letto, e il Bedroom Box Hub (BBH), un’hub intelligente da posizionare in camera da letto. La SMC è dotato di una matrice a bassa densità (4×10) di singoli sensori di pressione piezoresistivi, nonché di due accelerometri integrati per l’analisi della ballistocardiografia (BCG). La SMC si distingue per la sua compattezza, con una superficie sensibile di soli 40×50 cm. Dai dati acquisiti dalla SMC, si possono estrarre parametri rilevamenti per il sonno quali l’attività cardiaca (HR), l’attività respiratoria (BR), i movimenti del corpo e lo stato di occupazione del letto. Il BBH, invece, funge da hub intelligente, raccogliendo dati ambientali quali temperatura, umidità, qualità dell’aria, illuminazione e rumore, e gestendo al contempo lo storage e la trasmissione dei dati. L’architettura integrata consente l’acquisizione simultanea di dati legati al sonno e di dati ambientali, facilitando l’integrazione con infrastrutture basate su cloud e offrendo una visione completa dei fenomeni dinamici del sonno. Il sistema è stato sviluppato seguendo un ciclo di ingegnerizzazione strutturato, che ha compreso la fase di analisi dei requisiti, la realizzazione dell’hardware e la validazione degli algoritmi sviluppati, tenendo conto di vincoli tecnici e clinici. Dal punto di vista della produzione, lo SMCS dimostra la fattibilità della produzione su vasta scala dei sensori tessili attraverso processi standardizzati e riproducibili. La struttura a matrice di sensori di pressione e il suo assemblaggio multi-layer sono stati progettati per la produzione su scala industriale, mediante l’impiego di tecniche di cucitura, screen-printing e taglio laser. L’architettura del sistema si avvale dell’impiego di componenti elettronici disponibili sul mercato e di case stampati in 3D, con l’obiettivo di ridurre i costi e facilitando una rapida prototipazione. La produzione e la distribuzione di oltre 100 nità è già stata completata nell’ambito del progetto europeo TOLIFE su pazienti affetti da BPCO (Broncopneumopatia Cronico Ostruttiva). Questo dimostra la scalabilità e la preparazione del sistema per l’utilizzo in vita quotidiana. Nonostante la sua implementazione nel contesto di TOLIFE, lo SMCS opera come una piattaforma indipendente, facilmente adattabile a diversi contesti clinici e di ricerca.
Sono stati sviluppati degli algoritmi customizzati per l’estrazione dei parametri di interesse legati al sonno in condizioni realistiche, validati su molteplici soggetti, materassi, pattern espiratori, posture (supina, prona, laterale sia destra che sinistra) e frequenze di movimento. L’algoritmo per l’estrazione dell’HR, basato su una fusione adattiva dei dati grezzi provenienti dagli accelerometri e dalla matrice di sensori di pressione, ha ottenuto un RMSE di 2.02 bpm, un MAE di 1.60±1.28 bpm, un coefficiente di orrelazione di Pearson di 0.999 (p<0.01), con bias di -0.194 bpm e limiti di accordo di ±5 bpm nell’analisi Bland-Altman, mantenendo ottime prestazioni in tutte le posture. Inoltre, i risultati ottenuti hanno videnziato che le nostre stime del BR, basate esclusivamente sui dati di pressione, hanno raggiunto un RMSE di 3.75 atti/min, un MAE di 2.05±3.15 atti/min, un coefficiente di correlazione di Pearson di 0.943 (p<0.01), ed un bias di 0.331 atti/min con limiti di accordo di ±7.3 atti/min. I risultati, inoltre, onfermano la robustezza per diversi pattern respiratorii e posture. In conclusione, si osserva che l’algoritmo di classificazione del movimento e dell’occupazione del letto, basato su una ANN (Artificial Neural Network) customizzata, ha raggiunto un’accuratezza globale di 95.09±2.84% usando una validazione su run con sub-sampling fold randomizzati, e di 98.39% nel modello con la migliore performance, distinguendo con precisione tra stati di occupazione del letto in posizione ferma, di movimento e di assenza dal letto.
La presente tesi offre un contributo sia dal punto di vista scientifico che tecnologico per il settore del monitoraggio non invasivo del sonno. Sotto il profilo scientifico, la ricerca dimostra he è possibile ottenere stime accurate di HR, BR, movimento del corpo e occupazione del letto mediante l’impiego di un sistema basato su sensori tessili. Al meglio delle nostre conoscenze, lo SMCS rappresenta la soluzione più compatta e con minor numero di sensori di pressione arrangiati in struttre matriciali disponibile per la rilevazione simultanea di più parametri legati al sonno. Dal punto di vista tecnologico, il dispositivo presenta un’architettura modulare e scalabile che integra il monitoraggio di parametri legati al sonno con la rilevazione di dati ambientali, mantenendo al contempo comfort, flessibilità e facilità di utilizzo. Rispetto ai sistemi di letteratura, lo SMCS ha raggiunto un livello di accuratezza comparabile o superiore con un numero significativamente inferiore di sensori, confermando la fattibilità della nostro approccio. In linea con i principi della Healthcare 4.0, lo SMCS fonda le basi per un’analisi completa del sonno, includendo in futuro anche la rilevazione della postura, la classificazione delle fasi del sonno e un’assessment della sua qualità, avvicinando il sistema agli standard clinici.
Nel complesso, lo SMCS rappresenta un avanzamento significativo nel campo del monitoraggio notturno non invasivo, offrendo una soluzione scientificamente validata, ergonomica e scalabile. Contribuisce alla visione più ampia di Healthcare 4.0, consentendo un’analisi continua del sonno e dei parametri correlati, con significative implicazioni per una sanità decentralizzata, monitoraggio continuo ed un utilizzo in vita reale.