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

Di Luca, Federico (2019) Rivelazione del Respiro Umano da Segnali UWB con Machine Learning e Deep Neural Network. [Laurea magistrale], Università di Bologna, Corso di Studio in Ingegneria elettronica e telecomunicazioni per l'energia [LM-DM270] - Cesena, Documento full-text non disponibile
Il full-text non è disponibile per scelta dell'autore. (Contatta l'autore)

Abstract

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.

Abstract
Tipologia del documento
Tesi di laurea (Laurea magistrale)
Autore della tesi
Di Luca, Federico
Relatore della tesi
Correlatore della tesi
Scuola
Corso di studio
Ordinamento Cds
DM270
Parole chiave
Ultra-Wide Band,Machine Learning,Deep Learning,Non-Line-Of-Sight,Human Detection
Data di discussione della Tesi
18 Dicembre 2019
URI

Altri metadati

Gestione del documento: Visualizza il documento

^