Artificial Intelligence for Data Analysis and Signal Processing

L'intelligenza artificiale, o AI, comprende attualmente una grande varietà di campi, da concetti come il ragionamento logico e la percezione, a obiettivi specifici come la risoluzione di giochi complessi, l'elaborazione del linguaggio, la dimostrazione di teoremi matematici e la diagnosi di malattie. È chiaro che sistemi con un'intelligenza a livello umano (o anche superiore) avrebbero un enorme impatto sulla nostra vita quotidiana e sul futuro corso dell'evoluzione, come si sta già osservando sotto numerosi aspetti. In questa tesi vengono proposte tecniche di AI applicate a diversi scenari, sia clinici che reali, con particolare interesse a metodi di deep learning. In particolare, è stato sviluppato un sistema di identificazione dell'andatura umana basato sull'analisi di segnali inerziali, che porta a errori di classificazione inferiori allo 0,15%. Sono state inoltre studiate avanzate architetture di deep learning per affrontare il problema della rilevazione della fibrillazione atriale, analizzando segnali elettrocardiografici rumorosi e di breve durata. I risultati mostrano un netto miglioramento fornito da metodi di representation learning rispetto ad un approccio knowledge-based. Un'altra importante sfida clinica, sia per il paziente che per i sistemi automatici di avvertimento, è quella di rilevare con ragionevole anticipo i segnali che portano a situazioni rischiose, consentendo al paziente di prendere decisioni terapeutiche sulla base di informazioni future. Questo problema è stato specificamente contestualizzato nella previsione di episodi ipo/iperglicemici critici, analizzando segnali acquisiti da dispositivi di monitoraggio continuo del glucosio ed effettuando un'analisi comparativa tra i metodi di maggior successo per la previsione di eventi glicemici. In questa tesi vengono inoltre mostrati i vantaggi degli algoritmi di apprendimento automatico per il rilevamento di anomalie nel traffico veicolare, attraverso l'uso di un approccio bayesiano, e per l'ottimizzazione dell'esperienza utente durante la visione di un flusso video, implementando un motore di adattamento intelligente per i client di video streaming. La soluzione proposta esplora la promettente integrazione tra metodi di deep learning e schemi di apprendimento con rinforzo, mostrando i suoi vantaggi rispetto ad altri approcci allo stato dell'arte. La grande capacità di trasferimento delle conoscenze dei metodi di intelligenza artificiale, e i vantaggi dei sistemi di apprendimento automatico, evincono da questa ricerca, rappresentando il filo conduttore tra i campi di ricerca presentati.