IoT per l'inquinamento acustico: algoritmi di machine learning per la calibrazione di microfoni low cost

L’inquinamento acustico è una delle maggiori piaghe che affligge la società odierna al punto di essere onnipresente nella vita dei cittadini. Tale problema non ha solo ripercussioni sul piano uditivo, ma comporta una serie di disturbi chiamati extra-uditivi, che possono avere conseguenze sul piano ormonale, nervoso, vascolare e perfino psicologico. Scopo di ricerca diventa quello di monitorare il livello di inquinamento acustico all’interno dell’Università degli studi di Bologna – Campus di Cesena durante le ore di studio/lavoro, mediante l’utilizzo di dispositivi per l’IoT. Strumenti di riferimento in acustica per il campionamento rumoroso sono i fonometri, tanto precisi quanto costosi. Obiettivo di questa tesi diventa quindi quello di calibrare dei microfoni a basso costo per il monitoraggio dell’inquinamento acustico mediante algoritmi di machine learning, cercando di raggiungere, con la massima accuratezza possibile, le stime fatte dal fonometro. Dalle analisi effettuate è emerso che il modello di predizione migliore è quello basato su random forest che utilizza, per effettuare inferenze, sia i dati campionati dal microfono che quelli ambientali forniti dal Canarin II. Tale modello permette di predire i decibel calibrati con un RMSE di 2.74 dB, un errore relativo di 2.57% e un coefficiente R^2 di 0.93. Tale lavoro è stato eseguito al fine di integrare una funzione di calibrazione all’interno di un tool per il campionamento del rumore ambientale.