Progettazione ed analisi di tecniche unsupervised in supporto alla Human Activity Recognition

Portare l'intelligenza artificiale nei dispositivi integrati è diventato un argomento di ricerca centrale in molti settori scientifici (ambiente, agricoltura, sociologia, salute...). Per il riconoscimento dell'attività umana, le reti neurali artificiali (ANN) hanno dimostrato la loro capacità di fornire prestazioni migliori rispetto ad altri importanti limiti. In primo luogo, spesso le ANN sono allenate utilizzando la tecnica del supervised learning che richiede dataset pre-etichettati. Inoltre, questi algoritmi sono genericamente molto costosi in termini di potenza di calcolo. Per questo motivo, la loro integrazione in microcontrollori a bassa potenza è stata finora valutata solo in misura limitata. In questo lavoro riprenderemo l'esperimento presentato in "Toward unsupervised human activity recognition on microcontroller units" verificandone prima i risultati, tentare di migliorare i risultati ottenuti con il dataset UCI, tentare di esportare i modelli unsupervised direttamente sul dispositivo M5Stack attraverso l'utilizzo di tecnologie come Tensorflow-Lite, esplorare nuove possibili soluzioni unsupervised che possono essere usate al posto della Self-Organizing-Map e cercando poi di ripetere l'esperimento acquisendo un nuovo dataset, seguendo la costruzione del dataset UCI, utilizzando i sensori IMU (accelerometro e giroscopio) di un M5Stack Gray, un micro-controllore con processore ESP-32.