Rivelazione del Respiro Umano da Segnali UWB con Machine Learning e Deep Neural Network

L'obbiettivo di questo elaborato è valutare le prestazioni di vari algoritmi di Machine Learning e Deep Learning nel distinguere tra le condizioni Non-Line-of-Sight (NLoS) e Line-of-Sight (LoS) e nel rivelare la presenza del respiro umano in condizioni NLoS, utilizzando segnali Ultra-Wide Band (UWB). A tal fine sono stati presi in considerazione quattro esperimenti: uno per la classificazione LoS-NLoS e tre per valutare l'efficacia degli stessi algoritmi nel distinguere tra le situazioni di presenza e assenza del respiro. I dati ottenuti tramite le varie campagne di misure sono stati elaborati in modo da ricavare diversi dataset su cui eseguire l'addestramento dei modelli. Tra questi, troviamo i segnali nel dominio del tempo (dati grezzi), i segnali trasformati tramite Fast Fourier Transform (FFT) orizzontale e verticale, e gli attributi estratti dai dati grezzi. Dopo aver analizzato i dati acquisiti sono stati applicati gli algoritmi oggetto di questo elaborato. Tra questi, sono state utilizzate diverse architetture a Reti Neurali (NN), Gradient Boosting Decision Trees (GBDT) e metodi di tipo unsupervised combinati a tecniche di riduzione della dimensionalità. Per il conseguimento dei risultati ci si è serviti del moderno linguaggio di programmazione Python. Le accuratezze più alte sono state ottenute grazie ad un’architettura a Reti Neurali Ricorrenti (RNN) del tipo Long Short-Term Memory (LSTM). Altri risultati di particolare interesse sono quelli ottenuti tramite l'algoritmo di clustering K-Means, che risulta molto più semplice e consente di risparmiare all'utente la dispendiosa procedura di etichettatura dei dati fornendo comunque elevate accuratezze. Infine è stata caratterizzata la validità generale dei modelli utilizzando tecniche di Transfer Learning. Da tali esperimenti è emersa un'alta adattabilità di tali modelli, anche in presenza di una scarsa quantità di dati su cui eseguire il training.