Studio e implementazione di un flusso operativo per la crash detection tramite dispositivi mobili

La tesi esplora l’applicazione di metodologie tipiche della Human Acti- vity Recognition al problema della Crash Detection, impiegando i sensori integrati nei dispositivi mobili e algoritmi di apprendimento automatico per classificare eventi di schianto o frenata. Poiché non è stato possibile rac- cogliere dati reali su incidenti automobilistici, è stato realizzato un dataset simulando il comportamento di un’autovettura in un incidente mediante l’u- so di un carretto. Il lavoro descrive in dettaglio la registrazione dei dati, la simulazione dell’incidente, il preprocessing dei dati, il calcolo delle features e le tecniche di bilanciamento adottate. Successivamente sono presentati gli algoritmi di apprendimento utilizzati e le metriche di valutazione. I risultati sperimentali dimostrano che i modelli scelti, addestrati sul nostro dataset, riescono efficacemente a classificare il tipo di evento; i migliori risultati sono stati ottenuti usando modelli basati su ensemble learning, con F1 score su Anomaly Detection di circa 98%, e con F1 score su Anomaly Classification di circa 95%.