Human Activity Recognition su Dispositivi Embedded: Un'Analisi Comparativa di Metodi di Apprendimento Automatico

La Human Activity Recognition è un campo di ricerca in grande espansione e ha come obbiettivo quello di riconoscere le attività svolte da un utente tra quelle presenti in un insieme di attività riconosciute. I modelli di deep learning utilizzati in questo campo utilizzano una grande quantità di dati provenienti dai sensori per ottenere un'alta precisione. Tuttavia, addestrare tali modelli con dati raccolti da dispositivi embedded comporta elevati costi di comunicazione e possibili violazioni della privacy. Inoltre un altro fattore da tenere in considerazione sono i limiti posti da tali dispositivi infatti a causa delle scarse risorse di cui dispongono, eseguire l'addestramento o l'etichettatura delle feature porta a un considerevole consumo di risorse. Queste problematiche portano all'esplorazione delle tecniche unsupervised e di metodi in grado di fornire modelli generalizzati da cui partire. Nel seguente elaborato vengono confrontati tre possibili sistemi basati su Self Organizing Maps: il sistema centralizzato, federato e singolo. Inoltre vengono tenute in considerazione le limitazioni poste dal dispositivo embedded e simulata, tramite Leave One Out Cross Validation, una situazione reale in cui un soggetto esterno vuole unirsi al sistema.