Internet of Things (2024) - Università del Salento

Il progetto C.A.R.E. si pone l'obiettivo di creare un'app Android per raccogliere dati dai sensori di accelerometro e giroscopio montati su uno smartphone; questi vengono inviati in tempo reale ad un algoritmo di Machine Learning che classifica i dati raccolti in una classe del tipo incidente o altro. Con il termine altro si raggruppano tutti gli eventi di accelerazione constante, accelerazione improvvisa, frenata constante, frenata improvvisa, svolta a destra e svolta a sinistra.

MotionAI è un progetto che si pone l'obiettivo di creare un sistema integrato per il monitoraggio delle attività quotidiane. Utilizzando la SensorTile.box PRO di STMicroelectronics per la raccolta dei dati e due modelli di Machine Learning (ML), uno eseguito sulla board e uno sullo smartphone. Il sistema raccoglie e analizza i dati in tempo reale, offrendo una valutazione continua delle attività motorie.

Obiettivo del progetto era 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 assegnato si concentra su un problema rilevante negli ambienti industriali caratterizzati da alti livelli di rumore: la protezione dell'udito dei lavoratori. In molte zone industriali, il rumore può superare gli 85 dB, un livello considerato dannoso per l'udito umano se l'esposizione è prolungata. L'obiettivo del nostro sistema è monitorare costantemente i livelli sonori e inviare avvisi rapidi ai lavoratori quando viene superata questa soglia.

SmartLocAI

Il progetto Solar Production Forecast nasce dall’esigenza di sviluppare un modello in grado di prevedere l’energia prodotta da un impianto fotovoltaico, offrendo agli utenti un supporto per una gestione più efficiente e consapevole dei consumi energetici. L'obiettivo è ottimizzare i costi legati all’utilizzo della rete elettrica, privilegiando l’uso di una fonte rinnovabile. Poiché la radiazione solare varia nel tempo in funzione delle condizioni meteorologiche, la produzione di energia fotovoltaica risulta discontinua e soggetta a fluttuazioni non sempre prevedibili. Per affrontare questa variabilità, il progetto impiega un modello ensemble composto da Support Vector Regression (SVR), Random Forest, Ridge Regression e Kernel Ridge Regression. A supporto di questi algoritmi, vengono applicate ulteriori tecniche avanzate di machine learning e data mining per migliorare l’accuratezza delle previsioni. I dati utilizzati vengono raccolti da open-meteo.com e da un impianto situato nella città di Lecce. Le previsioni sono presentate in modo chiaro e intuitivo attraverso una dashboard user-friendly, che consente agli utenti di interpretare facilmente i dati senza la necessità di consultare documentazione aggiuntiva.