Search

User location and tracking information are increasingly used for contact tracing and social community detection. In-door positioning and indoor navigation systems are reaching good performances in several realistic scenarios. After an evaluation exclusively done through simulations, nowadays, these systems are trying to reach robust performances and good accuracy in heterogeneous environments. Problems are manifold as each environment presents a structure that strongly affects inertial sensors and radio signal propagation. Generally, systems showing the best performances rely on an extended knowledge of the indoor map. Moreover, they implement a model for pedestrian dynamics in terms of e.g step length, stride and the behaviour of the target users. Experimental results obtained during realistic indoor competitions, clearly show that performances drop when such systems are used in unseen scenarios in which an external user test the proposed solution. In fact, many parameters that are generally calibrated and set to maximize the performances might not work as expected. In this paper, we highlight which best practices should be applied for model calibration in smartphone-based indoor positioning systems. We describe a reference system based on a particle filter, and we show the most relevant parameters and the main factors that are generally in common with all similar systems in the literature. We also present the Run-Once tool for reaching optimal parameters, highlighting those best practices that should be applied to indoor positioning systems to maximize their performances and improve their robustness.

In questo documento viene posta particolare attenzione alla malattia dello scompenso cardiaco che è una delle maggiori cause di mortalità e disabilità nella popolazione anziana oltre ad essere la prima causa di ricovero. Sono analizzate le soluzioni di monitoraggio domestico attualmente disponibili e i requisiti tecnici da soddisfare per poter raccogliere e analizzare i dati fisiologici nell'ambiente di vita e riconoscere situazioni di insorgenza o peggioramento di patologie nell'anziano.

Questo documento riporta l'analisi relativa alla progettazione del framework di integrazione delle funzionalità, come previsto dal progetto ChAALenge. In particolare, vengono in questa sede analizzate le tecnologie per lo sviluppo del middleware di comunicazione e le modalità di interfacciamento con le soluzioni sensoristiche individuate.

Il deliverable ha come obiettivo la definizione di un percorso intraprendibile per lo sviluppo di un modello predittivo, efficace ed efficiente, basato sul paradigma machine learning, sviluppato in funzione del dominio applicativo in esame e dei dati a disposizione. Una parte verrà dedicata all'introduzione degli aspetti principali legati alle strategie di individuazione di anomalie in serie temporali multi-variate tramite il suddetto modello predittivo.