Measurement and processing of multimodal physiological signals in response to external stimuli by wearable devices and evaluation of parameters influencing data acquisition

Ogni giorno, la presenza di stimoli provoca reazioni che cambiano lo stato fisiologico umano inconsciamente. Sebbene possano essere misurate in condizioni ambulatoriali con strumenti medici, l’interesse nel monitoraggio remoto ha aumentato l’uso di indossabili per la raccolta quotidiana di dati. A. Poli ha contribuito a questo tema, mediante studi condotti per sviluppare e testare procedure di misura, validare tecniche di elaborazione del segnale e prestazioni degli indossabili, al fine di quantificare la risposta a stimoli esterni tramite segnali fisiologici.
\n
\nUn primo studio identifica la risposta a stimoli acustici, visivi e fisici sul segnale di conduttanza cutanea (SC) raccolto con Empatica E4 (indossabile commerciale) da individui sani. Nel dominio del tempo, l'ascolto di un suono sgradevole accresce la risposta fisiologica (aumento picchi SC), soprattutto se la durata del suono è breve. L’SC risulta anche affidabile nel riconoscere la sonnolenza di guidatori (accuratezza Random Forest: 84.10%) e diversi livelli di sforzo fisico se studiato nel dominio della frequenza. A riguardo, la banda di osservazione [0, 0.40] Hz, più ampia rispetto alla tradizionale, è proposta per non perdere dettagli sull'SC. Con l'Univ. di Alicante (periodo estero), l’analisi è stata estesa all’impatto del design domestico sulle emozioni individuali.
\n
\nNe deriva un secondo studio sull’ attività cardiaca (Variabilità frequenza cardiaca - HRV, frequenza cardiaca – HR e pressione sanguigna - BP) in soggetti sani con l’E4, a riposo, durante stimoli acustici e dopo sforzo fisico. Con segnali multimodali e con sola attività cardiaca, il Support Vector Machine identifica stimoli acustici e fisici (accuratezza > 70.00%). Per lo sforzo fisico, è proposto un indice determinante i livelli di stress fisici, meno complesso rispetto alla classificazione. A riposo, la validazione di alcuni indossabili commerciali rispetto ai gold standard, in accuratezza e precisione (spesso indisponibili o non validate con rigore dai produttori), conferma l'importanza di tali metriche nella scelta ottimale del dispositivo per l’applicazione target. Per i fattori interferenti la lettura del sensore fotopletismografico (artefatti da movimento e pressione di contatto pelle-dispositivo), un nuovo metodo di correzione migliora la identificazione di stimoli esterni (accuratezza +18.00%).
\n
\nTali aspetti sono correlati ai processi decisionali che richiedono dati affidabili e di alta qualità, soprattutto in ambito sanitario. L'ultimo contributo riguarda la valutazione di problemi nell’ acquisire dati accelerometrici da indossabili, durante attività domestiche eseguite senza istruzioni; e l’influenza di diverse tecnologie indossabili sulla natura, qualità e accuratezza dei dati raccolti.
\n
\nPer ridurre il rischio di violazioni della privacy in acquisizioni a lungo termine, l’algoritmo evolutivo multi-obiettivo proposto riduce il riconoscimento di genere (-25.00%) e mantiene alto quello di attività (solo -5.45%).
\n
\nQuanto la scelta e posizione del sensore, e il setup di misura, influenzino la qualità e variabilità dei dati, è stato studiato anche all'R&D Nestlé Orbe (Team elettronico - periodo estero), per sviluppare una nuova macchina del caffè con sensore integrato, valutando il sensore e la registrazione di parametri del prodotto in estrazione.
\n
\nInfine, benefici e barriere percepiti dagli utenti nell’ uso consapevole di tecnologie lifelogging, sono stati studiati durante il progetto Int. “PAAL” (Univ. di Alicante, Toronto, Stoccolma e Aquisgrana).

Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.