Analisi del segnale inerziale di smart glasses per il rilevamento della sonnolenza alla guida

Abstract

La presente tesi nasce dalla volontà di rilevare e riconoscere pattern di addormentamento e sonnolenza in soggetti alla guida di un veicolo, in modo da poter stabilire, tramite analisi dei dati accelerometrici di un sensore indossabile, se l’utente corra il rischio del cosiddetto “colpo di sonno”. Lo strumento wearable utilizzato per tale scopo sono gli smart glasses Project Aria Gen1, sviluppati dalla azienda Meta a scopi di ricerca e dotati di una grande quantità di sensori ad elevata precisione, il che li rende adatti alla misurazione di movimenti del capo anche piccoli e non particolarmente definiti. Elaborazione e analisi dei segnali ottenuti permettono di costruire un algoritmo in grado di rilevare non solo se l’utente si addormenti ma anche, nella gran maggioranza dei casi, che tipo di movimento compia tra quelli classificati. I risultati sono stati ottenuti tramite l’implementazione del Dynamic Time Warping, ovvero una tecnica particolarmente adatta a trovare i pattern di similitudine tra due sequenze temporali che differiscono per ordine, ampiezza e velocità dei movimenti. Le prestazioni misurate dell’algoritmo di riconoscimento e classificazione degli eventi registrati sono soddisfacenti e permettono di considerare raggiunto l’obiettivo fissato all’inizio del lavoro di sperimentazione.

This thesis originates from a will to detect and recognize patterns of drowsiness and falling asleep in people whilst driving a vehicle, in order to be able to determine, through the analysis of accelerometric data gathered from a wearable sensor, whether the user is at risk of microsleep. The wearable device used for this purpose are the Project Aria Gen1 smart glasses, developed by Meta for research purposes and equipped with a large number of high-precision sensors, making them suitable for measuring even small and not particularly distinct head movements. Processing and analysing the signals obtained make up the starting point for the creation of an algorithm able of detecting not only whether the user falls asleep or not, but also, in the vast majority of cases, which specific type of movement is made among those classified. The results were obtained through the implementation of Dynamic Time Warping, a technique particularly suited to identifying patterns of similarity between two time sequences that differ in order, amplitude and speed of the movements recorded. The measured performance of the algorithm for recognizing and classifying the recorded events is satisfactory, and allows us to consider the objective set at the start of this experimental work fully achieved.