Analisi sperimentale di segnali biomedici nel contesto di dispositivi wearable per l'healthcare: dall'acquisizione all'elaborazione

Questa tesi si inserisce all’interno del progetto REMEDY, volto allo sviluppo di un sensore multiparametrico per il monitoraggio di parametri vitali quali temperatura corporea, ECG, bioimpedenza, movimento e auscultazione cardiaca e polmonare. La prima parte si concentra sulla bioimpedenza toracica per il monitoraggio dei fluidi durante l’emodialisi, evidenziando una correlazione significativa tra bioimpedenza e Volume di Ultrafiltrazione (UFV), fino a un coefficiente di correlazione di 0.977. Un’analisi approfondita ha identificato 10 kHz come frequenza operativa ottimale, bilanciando stabilità e precisione e minimizzando l’errore di predizione dell’UFV. Nella seconda parte, si esplorano le potenzialità dell’Intelligenza Artificiale e del Machine Learning applicati a dispositivi indossabili, con particolare attenzione all’analisi del movimento e al denoising dei segnali cardio-respiratori. Tra i modelli implementati, la Wave-U-Net è stata selezionata per la sua portabilità all’edge su piattaforme a risorse limitate (Intelligent Sensor Processing Unit, ISPU), offrendo un compromesso ottimale tra efficienza computazionale e accuratezza. La rete, con un rapporto segnale-rumore di 11.893 dB, ha infatti consentito un significativo recupero delle performance in un task di classificazione, con accuratezza ripristinata fino al 96.00% per classi specifiche.