Perché i modelli non lineari rivoluzionano il monitoraggio fisiologico?

I dispositivi indossabili, come i braccialetti Empatica E4, registrano segnali come la conduttanza cutanea, la temperatura e i movimenti. Questi dati cambiano in modo complesso quando siamo concentrati, stressati o in attività fisica. I ricercatori hanno confrontato modelli lineari e non lineari su tre dataset pubblici. I risultati mostrano che i modelli non lineari raggiungono un'accuratezza tra 0,89 e 0,98 e un ROC‑AUC fino a 0,99, mentre i modelli lineari restano sotto 0,73. Anche quando si prova a prevedere su persone mai viste prima (Leave‑One‑Subject‑Out), i modelli non lineari mantengono una buona capacità di generalizzazione. Analizzando le singole fonti, la combinazione di EDA, temperatura e accelerometro è la più informativa. Gli autori hanno usato SHAP per capire quali caratteristiche guidano le decisioni, trovando pattern fisiologici coerenti con stress, carico cognitivo e sforzo fisico. In pratica, il comportamento dei nostri corpi è intrinsecamente non lineare, quindi gli algoritmi più sofisticati riescono a catturare meglio le sfumature. Questo studio fornisce un benchmark unificato per sviluppare sistemi di monitoraggio più affidabili, utili in ambito sanitario, sportivo e educativo.

I segnali fisiologici raccolti dai sensori indossabili sono tipicamente non stazionari e presentano dipendenze temporali e non lineari. La conduttanza cutanea (EDA) riflette l’attività delle ghiandole sudoripare, controllata dal sistema nervoso simpatico, e varia in risposta a stimoli emotivi o cognitivi. La temperatura cutanea, invece, è influenzata da vasodilatazione e termoregolazione, processi che dipendono sia da fattori interni (metabolismo) sia da condizioni ambientali. L'accelerometro (ACC) fornisce dati di movimento tridimensionale, utili per distinguere attività statiche da dinamiche. Nei modelli lineari, la relazione tra queste variabili e lo stato fisiologico è approssimata da combinazioni lineari di feature, limitando la capacità di catturare interazioni complesse. I modelli non lineari, come le reti neurali profonde, gli alberi di decisione gradient-boosted e le SVM con kernel RBF, possono apprendere funzioni di mappatura altamente non lineari, consentendo di modellare effetti di soglia, sinergie tra segnali e dinamiche temporali. L'approccio Leave‑One‑Subject‑Out (LOSO) evidenzia la variabilità inter‑individuale: differenze nella risposta sudoripara, nella termoregolazione e nei pattern di movimento richiedono modelli capaci di generalizzare oltre il soggetto di addestramento. L'analisi di ablation dimostra che la rimozione di EDA o ACC riduce drasticamente le metriche di performance, confermando il ruolo cruciale della fusione multimodale. L'interpretabilità tramite SHAP permette di visualizzare l'importanza locale di ogni feature, rivelando, ad esempio, che picchi di EDA combinati con accelerazioni brevi sono indicatori di stress acuto, mentre variazioni lente di temperatura associati a movimenti continui segnalano esercizio moderato. Questi risultati suggeriscono che future piattaforme di monitoraggio dovrebbero integrare pipeline di preprocessing adattive, normalizzazione soggetto‑specifica e modelli non lineari robusti per migliorare la precisione e la trasferibilità in contesti reali.