Come può un radar vedere il bruxismo senza toccarti?

Il bruxismo è quel fastidioso movimento di digrignare i denti, spesso durante il sonno, che può rovinare il riposo e i denti. Fino a poco tempo fa, per capire se qualcuno lo faceva si doveva ricorrere a sensori a contatto o a videocamere, soluzioni poco comode e talvolta invasive. Ora gli scienziati hanno provato a usare un radar a onde millimetriche, simile a quelli dei telefoni 5G, per “ascoltare” i micro‑movimenti della mascella. Analizzando l’eco del segnale, hanno individuato 11 caratteristiche tipiche del digrignare. Con queste informazioni hanno addestrato un modello di Random Forest, un algoritmo di intelligenza artificiale, che ha riconosciuto il bruxismo con il 96 % di accuratezza su un campione di test. I risultati mostrano precisione, richiamo e F1‑score tutti molto alti, dimostrando che il radar può distinguere il rumore del sonno da quello dei denti che si sfregano. Il vantaggio è evidente: nessun contatto, nessuna telecamera, quindi più privacy e meno fastidi. Gli autori puntano ora a rendere il sistema più robusto, capace di funzionare in ambienti diversi e di filtrare altri piccoli movimenti facciali. Se riusciranno, potremmo presto avere dispositivi indossabili o da comodino che avvertono in tempo reale quando il nostro corpo si mette a digrignare, aiutandoci a dormire meglio e a proteggere i denti.

Il radar a onde millimetriche opera nella banda 30‑300 GHz, emettendo impulsi di pochi picosecondi. Quando questi impulsi colpiscono la zona mandibolare, la loro eco subisce variazioni di fase e ampiezza proporzionali ai movimenti della superficie dentale. L'analisi spettrale di questi cambiamenti consente di estrarre parametri temporali (tempo di volo, jitter) e frequenziali (spettro di vibrazione). Gli 11 feature selezionati includono: ampiezza media dell'eco, deviazione standard, coefficiente di correlazione inter‑frame, energia nel range 10‑30 Hz (tipico del bruxismo), e metriche di entropia spettrale. Il modello Random Forest combina alberi decisionali che, tramite bagging, riducono l'overfitting e migliorano la generalizzazione. La validazione incrociata a 5‑fold ha mostrato una curva ROC con AUC = 0.98, indicando eccellente discriminazione. Tuttavia, il sistema è sensibile a micro‑movimenti non correlati (sbadigli, movimenti oculari). Per mitigare questi effetti, si stanno testando filtri adattivi basati su analisi indipendente delle componenti (ICA) e reti neurali convoluzionali per riconoscere pattern di rumore. Inoltre, la calibrazione personalizzata, usando un breve periodo di registrazione di riferimento, può migliorare la robustezza su popolazioni eterogenee. L'integrazione con dispositivi IoT consentirebbe la raccolta continua dei dati, aprendo la strada a studi longitudinali sul bruxismo e a interventi terapeutici basati su feedback in tempo reale.