Algoritmi di deep learning applicati alla rivelazione della presenza di persone mediante segnali radio

L'elaborato scaturisce dal problema di eseguire una stima sulla presenza del respiro, con o senza ostacolo con tecniche non invasive, in particolare con l'utilizzo di segnali radio generati ed analizzati da Radar a banda Ultra-Larga, senza l'impiego di tecniche basate su modelli dei segnali che, molto spesso non sono noti o non sono sufficientemente generali per eseguire applicazioni su più campi. Si é pertanto utilizzato un approccio basato sulle reti neurali (feedforward) come classificatrici, mediante applicazione di Deep Learning e se ne sono valutate le prestazioni, in particolare si é allenata, validata e testata la rete patternnet, appartenente al Deep Learning Toolbox di MATLAB. Si sono utilizzati dati elaborati in tre diversi modi, nel dominio del tempo, nel dominio delle frequenze mediante FFT orizzontale e nel dominio delle frequenze mediante FFT verticale. Dopo aver confrontato i risultati con quelli ottenuti con l'utilizzo di una tecnica basata su un modello, si é concluso che risulta più vantaggioso utilizzare l'algoritmo studiato nel caso di entrambi i dataset trasformati con FFT per quanto riguarda la percentuale di successo, mentre se ci si focalizza sulla percentuale di falsi allarmi risulta più vantaggioso utilizzare l'algoritmo che utilizza il dataset con trasformazione FFT orizzontale, ma non quello che utilizza il dataset con trasformazione FFT verticale poichè riporta una percentuale di falsi allarmi circa quattro volte superiore alla tecnica basata sullo spettrogramma.