Le persone anziane, soprattutto quelle che vivono in casa da sole, rappresentano una categoria fortemente esposta a problematiche derivanti da incidenti domestici.

Per soccorrere tali soggetti in caso di emergenza si fa spesso ricorso alla videosorveglianza a distanza. Meglio se collegata a una centrale operativa.

Discorso simile può esser fatto anche per un ambiente lavorativo nel quale si vuole garantire l’incolumità dei lavoratori/delle lavoratrici. Ciò perché la possibilità di monitorare un ambiente domestico in maniera costante può ridurre le conseguenze del verificarsi di eventi di pericolo o situazioni critiche. Negli ultimi anni, tuttavia, vi è una crescente sensibilità verso questioni legate alla privacy che limita l’impiego di sistema di videosorveglianza.
Per limitare l’eccessiva invasività di un sistema di videosorveglianza, proponiamo un sistema di monitoraggio ambientale basato sull’analisi sonora che non richiede un controllo a distanza e riesce comunque a garantire la sicurezza delle attività svolte all’interno di un ambiente.

Il sistema si compone di una serie di microfoni, disposti nell’ambiente domestico o lavorativo in modo ben visibile e tale da non creare problemi di privacy. Il segnale audio, registrato da questi microfoni, è inviato a un apparato centrale collocato all’interno dell’abitazione o dell’azienda stessa ed è basato su un modello di intelligenza artificiale per l’analisi dei rischi. Il segnale audio è processato in tempo reale senza l’intervento umano e immediatamente distrutto. In questo modo, è possibile garantire un alto livello di protezione aggiuntivo grazie alla capacità di riconoscere l’insorgenza di situazioni anomale (anche potenzialmente pericolose) e rispettare la privacy della persona o del lavoratore/della lavoratrice.

Il prototipo presentato è il risultato di una linea di ricerca che consiste nello studio di modelli di intelligenza artificiale a supporto della sicurezza delle persone e degli operatori/delle operatrici sul posto di lavoro. L’approccio è particolarmente interessante perché è basato su un apprendimento di tipo non supervisionato. Non è dunque necessario disporre di un dataset etichettato (normalmente difficile da reperire). Sarà sufficiente lasciare il modello in ascolto, per un periodo di tempo sufficientemente lungo, nell’ambiente che si desidera monitorare. Lo stream audio acquisito servirà per addestrare il modello. Dopo questa fase, il modello potrà essere utilizzato per rilevare le anomalie.

• codiceHEALTH10
• luogoCubo5C - StandA
• destinatariTutti, tranne scuole primarie
• catalogo
  eventi