Progettazione e Realizzazione di un Modulo di Stima dell’Arousal basato su Dati Fisiologici per il Driver Digital Twin

Il presente lavoro di tesi si inserisce nel contesto della ricerca sugli Human Digital Twin, con particolare riferimento alla modellazione dello stato psicofisiologico del conducente per la valutazione del Fitness-to-Drive. L’obiettivo principale è lo sviluppo di un’architettura modulare e distribuita per l’acquisizione, l’elaborazione e la stima in tempo reale del livello di arousal, inteso come indice di attivazione psicofisiologica correlato allo stato di stress e attenzione del guidatore. Il sistema proposto è organizzato come una pipeline di microservizi indipendenti, basata su protocolli di comunicazione leggeri (MQTT) e containerizzazione Docker, al fine di garantire scalabilità, affidabilità e facilità di integrazione. I dati fisiologici vengono acquisiti tramite un sensore indossabile PPG connesso in Bluetooth Low Energy (BLE) e trasmessi in tempo reale a un Perception Layer, che ne cura la validazione e l’allineamento temporale. Il microservizio Arousal Estimator, cuore analitico della pipeline, elabora i segnali di frequenza cardiaca (HR) e intervallo interbattito (RR), stimando il livello di arousal mediante indici di Heart Rate Variability (HRV) calcolati su finestre mobili. In presenza di dati RR mancanti, un modello di regressione Support Vector Regressor (SVR) consente la ricostruzione predittiva del segnale, garantendo la continuità del processo di stima. I risultati sperimentali mostrano una buona coerenza tra i livelli di arousal stimati e le condizioni reali di relax e stress osservate durante i test, confermando la validità del modello proposto come componente del Driver Digital Twin. Il sistema rappresenta un passo concreto verso l’integrazione di modelli psicofisiologici nel monitoraggio intelligente del conducente e nell’evoluzione di piattaforme di guida autonoma centrata sull’uomo.