Studio e applicazione di tecniche di classificazione di attività motorie con deployment di una soluzione su smartphone

Sempre più dispositivi, in seguito allo sviluppo tecnologico degli ultimi anni, fanno impiego di sensori di movimento; tra questi troviamo gli smartphone, che, in particolare, sfruttano accelerometri e giroscopi. La reperibilità e ampia programmabilità di tali dispositivi li rendono ottimi mezzi per il reperimento di registrazioni di lunghezza arbitraria di attività fisica. Queste sequenze possono in seguito essere utilizzate nel campo di Human Activity Recognition (HAR), che prevede l'addestramento di modelli di Machine Learning che siano in grado di classificare le attività in base alla loro tipologia. I modelli di conoscenza ottenuti possono poi essere impiegati negli smartphone stessi che, grazie alla loro potenza, possono utilizzarli in delle applicazioni appositamente studiate, con l'obiettivo di effettuare predizioni. Un ostacolo allo sviluppo di una tale applicazione è la necessità di scrivere del codice sorgente separato per ogni sistema operativo mobile in cui si vuole rilasciare. Una soluzione a questa problematica che sta diventando sempre più frequente è la creazione di applicativi ibridi, in grado di funzionare su sistemi diversi malgrado lo sviluppo di una singola versione condivisa. In questo elaborato vengono analizzate e sperimentate le principali tecniche di Machine Learning utilizzate in campo di Activity Recognition, con particolare attenzione sulle reti neurali artificiali e Transformer; in seguito, viene sviluppata un'applicazione ibrida utilizzabile per dispositivi Android e iOS in grado di registrare attività fisiche e di sfruttare uno dei modelli ottenuti per classificare tali sequenze.