Un ampio set di dati IMU per valutare le disposizioni dei sensori nel riconoscimento dell’attività umana e dell’intensità

Perché al tuo fitness tracker importa dove lo indossi

Orologi fitness e contapassi promettono di monitorare tutto, dalla passeggiata quotidiana all’allenamento in palestra. Ma sotto quei cinturini eleganti si nasconde una domanda di progettazione sorprendentemente complessa: dove sul corpo dovremmo posizionare i sensori perché rilevino abbastanza movimento senza trasformarci in robot cablati? Questo studio presenta un nuovo e ricco set di dati che aiuta i ricercatori a rispondere esattamente a questa domanda, mostrando come diverse disposizioni indossabili riescano a rilevare cosa stiamo facendo e quanto intensamente ci stiamo sforzando.

Molti tracker, un grande punto cieco

Il riconoscimento dell’attività umana è la tecnologia che permette ai dispositivi di dedurre se stai seduto, camminando, correndo o andando in bicicletta in base ai dati di movimento. Anche le telecamere possono farlo, ma i sensori indossati sul corpo sono migliori per un uso prolungato e rispettoso della privacy in casa, in ambito clinico e nella vita di tutti i giorni. Tuttavia, la maggior parte dei dataset esistenti per questa ricerca posiziona solo pochi sensori su parti selezionate del corpo — per esempio uno smartphone in tasca o una singola fascia al polso. Questa visione limitata rende difficile studiare un compromesso importante: quanti sensori, e dove, sono davvero necessari per riconoscere con precisione le attività e la loro intensità, rimanendo al contempo comodi e pratici da indossare?

Costruire una mappa del movimento a tutto corpo

Per colmare questa lacuna, i ricercatori hanno raccolto dati di movimento da 30 giovani adulti sani mentre eseguivano 12 attività comuni, tra cui sdraiarsi, sedersi, stare in piedi, varie velocità di camminata, salire le scale, andare in bicicletta, correre, saltare e remare. Ogni persona indossava 17 piccole unità di movimento distribuite dalla testa ai piedi: su testa, parte superiore della schiena, parte bassa della schiena, spalle, braccia, polsi, cosce, tibie e piedi. Queste unità hanno registrato come ogni segmento corporeo si muoveva nelle tre dimensioni, 60 volte al secondo, in un sistema di coordinate globale coerente. Il team ha inoltre annotato misure corporee di base, come altezza e lunghezze degli arti, e ha etichettato con cura sia il tipo di attività sia il livello di sforzo, da sedentario a vigoroso, basandosi su tabelle standard di spesa energetica.

Dal movimento grezzo a schemi riconoscibili

Una volta raccolti i dati, i segnali sono stati suddivisi in brevi finestre temporali sovrapposte che vanno da mezzo secondo a 10 secondi. Per i modelli di machine learning tradizionali, il team ha distillato ogni finestra in insiemi di caratteristiche artigianali che descrivono il comportamento dei segnali nel dominio del tempo e della frequenza, come medie, variabilità e ritmi dominanti. Hanno poi addestrato quattro modelli ampiamente utilizzati — due approcci classici e due reti di deep learning — su due compiti: distinguere le 12 attività e raggrupparle in quattro livelli di sforzo. Tutti gli addestramenti e i test sono stati eseguiti in modo soggetto-wise: i dati di ogni persona sono apparsi in un solo ruolo, garantendo che i modelli apprendessero schemi generali piuttosto che memorizzare lo stile di movimento di un individuo.

Ciò che conta davvero: tempo e posizionamento

I risultati mostrano che, con caratteristiche scelte con cura, i modelli classici possono riconoscere le attività con circa il 96–97% di accuratezza e i livelli di sforzo in modo ancora più affidabile. I modelli di deep learning addestrati direttamente sui segnali grezzi si comportano quasi altrettanto bene, specialmente su finestre temporali più corte. In tutte le metodologie, finestre di circa 2–5 secondi offrono il miglior equilibrio tra risposta rapida e classificazione affidabile: abbastanza lunghe da catturare il ritmo di una camminata o della vogata, ma abbastanza corte da essere utili per un feedback in tempo reale. Osservando il posizionamento dei sensori, i risultati sono sorprendenti. Una disposizione focalizzata sulla parte inferiore del corpo — anchere, cosce, tibie e piedi — spesso eguaglia o addirittura supera le prestazioni di una copertura a tutto corpo, in particolare nel giudicare l’intensità. Un set minimo di tre sensori su parte bassa della schiena, coscia e tibia supera comunque il 90% di accuratezza, mentre le configurazioni con un solo sensore, specialmente al polso, ottengono prestazioni nettamente inferiori.

Progettare dispositivi indossabili più intelligenti e snelli

Questo nuovo dataset suggerisce che più sensori non sono sempre meglio: per i movimenti quotidiani dominati dalle gambe, un cluster compatto e ben scelto di sensori può competere con sistemi molto più complessi. Questa intuizione può guidare la progettazione di futuri dispositivi indossabili più leggeri, economici e facili da usare, ma comunque capaci di monitorare in modo affidabile sia cosa fanno le persone sia quanto intensamente lavorano. Rendendo l’intero dataset e il codice pubblicamente disponibili, gli autori offrono un banco di prova per perfezionare le disposizioni dei sensori, esplorare nuovi algoritmi e, infine, estendere questi strumenti agli anziani, ai pazienti e a contesti reali più variegati.

Citazione: Feng, M., Zhang, Q. & Fang, H. A comprehensive IMU dataset for evaluating sensor layouts in human activity and intensity recognition. Sci Data 13, 317 (2026). https://doi.org/10.1038/s41597-026-06710-9

Parole chiave: sensori indossabili, riconoscimento dell’attività umana, unità di misura inerziali, posizionamento dei sensori, intensità dell’attività fisica