Questo progetto si pone l’obiettivo di sviluppare una web app che possa offrire un supporto concreto nella gestione di queste patologie, mettendo a disposizione strumenti semplici ma efficaci per monitorare le abitudini quotidiane del paziente e rilevare eventuali cambiamenti significativi nel suo stile di vita. Il sistema si rivolge sia ai caregiver, che possono così avere un quadro più chiaro e aggiornato della situazione, sia ai medici, che possono accedere a dati utili per una valutazione clinica più approfondita.
Il progetto si è sviluppato su due fronti principali. Da una parte, è stato implementato un sistema di acquisizione dati basato su un sensore IoT, ovvero lo smatwatch Google Pixel, pensato per raccogliere in modo non invasivo informazioni rilevanti legate al comportamento e allo stato fisico del paziente. Dall’altra, è stata progettata una piattaforma accessibile via web, dotata di dashboard intuitive e personalizzate, in grado di restituire una visione sintetica ma dettagliata dell’andamento quotidiano.
Le componenti dell'architettura sono:
- Front End - Javascript
- Back End - Java
- Machine Learning - Python
Per l’analisi dei dati, è stato implementato un algoritmo di classificazione basato su Random Forest, un modello supervisionato ampiamente utilizzato nel machine learning per la sua capacità di gestire dati rumorosi e altamente non lineari. È una tecnica che combina diversi alberi decisionali indipendenti tra loro per migliorare la capacità predittiva e la generalizzazione del modello complessivo.
I dataset utilizzati per l’addestramento e il test del modello di machine learning sono stati generati ai fini del progetto, integrando al dataset di test alcuni dei dati raccolti tramite lo smartwatch. Le tuple dei due dataset sono formate da tre attributi:
-
Steps: numero di passi totali effettuati in un giorno
-
Calories_Out: stima delle calorie bruciate in un giorno
-
State: etichetta di classificazione, che rappresenta lo stato fisico e comportamentale del paziente in un giorno.