Come fa un braccialetto a distinguere luce naturale da quella artificiale?

Immagina di indossare un braccialetto che, oltre a tenere il tempo, legge la luce intorno a te. Grazie a piccoli spettrometri integrati, questi dispositivi catturano lo spettro luminoso – cioè la “firma” di colori e lunghezze d'onda – proprio come un arcobaleno in miniatura. Un team di ricercatori ha creato una catena di analisi per trasformare quei dati in informazioni utili: prima scelgono la parte di spettro più rilevante, poi la convertono in logaritmo base 10 e la normalizzano, evitando di confondere la semplice intensità con la qualità della luce. Successivamente, raggruppano i valori ogni ora usando il medoid, un valore rappresentativo, e aggiungono un trucco matematico: codificano l'ora con seno e coseno per far capire al modello quando è giorno o notte. Il risultato è un classificatore a rete neurale (MLP) che, testato su 26 persone per più di una settimana, riconosce la luce naturale con un'accuratezza dell'88% e un AUC di 0,938. Invece, distinguere interno da esterno è più difficile, perché gli spettri si sovrappongono e i dati sono sbilanciati, con un AUC intorno a 0,75. Questo dimostra che i semplici limiti di illuminanza non bastano: serve un'analisi spettrale‑temporale più sofisticata. Il codice è stato pubblicato su GitHub e Zenodo, così altri ricercatori possono testare, migliorare e confrontare nuovi metodi. In futuro, questi braccialetti potrebbero aiutare a capire quanto tempo passiamo alla luce del sole, con impatti sulla salute, sul ritmo circadiano e sull'ambiente.

Il pipeline proposto parte da una selezione di dominio spettrale, tipicamente limitata a 400‑700 nm, dove la maggior parte delle variazioni biologicamente rilevanti avviene. La trasformazione log‑base‑10 riduce la varianza dinamica, rendendo più stabile l’apprendimento del modello. La normalizzazione L2, calcolata escludendo l’intensità totale, evita che il classificatore si basi solo su valori di illuminanza, focalizzandosi invece sulla forma spettrale. L’aggregazione medoid a livello orario riduce il rumore temporale, scegliendo il campione più centrale rispetto alla distribuzione oraria, piuttosto che una media che potrebbe essere distorta da outlier. L’encoding sinusoidale dell’ora (sin θ, cos θ) preserva la periodicità del ciclo di 24 h, consentendo al MLP di apprendere pattern ricorrenti legati al contesto diurna/notturna. Il modello MLP, con due o tre hidden layer e funzioni di attivazione ReLU, è addestrato con cross‑entropy loss e ottimizzato tramite Adam. La validazione cross‑subject garantisce che il modello generalizzi a nuovi individui, evitando overfitting a specifici pattern di movimento o abitudini. I risultati mostrano un AUC di 0,938 per la classificazione naturale‑artificiale, indicando una separazione quasi perfetta delle curve ROC. Tuttavia, la classificazione indoor‑outdoor resta limitata a causa della forte sovrapposizione spettrale (es. lampade a LED con temperature di colore simili a quelle del cielo nuvoloso) e della disparità di classe (meno campioni outdoor). Per migliorare, si suggerisce l’integrazione di sensori di posizione GPS o di accelerometri per fornire contesto aggiuntivo, nonché l’uso di tecniche di oversampling (SMOTE) per bilanciare le classi. Inoltre, l’adozione di architetture più profonde, come reti convoluzionali 1‑D applicate al vettore spettrale, potrebbe catturare pattern locali più sottili, potenzialmente elevando l’AUC indoor‑outdoor oltre 0,80. La pubblicazione del codice su GitHub (licenza MIT) e dei dataset su Zenodo (CC‑BY) permette la replicabilità e l’estensione della pipeline da parte della comunità scientifica, favorendo lo sviluppo di standard aperti per la misurazione della luce indossabile.