E se i tuoi smartwatch non fossero sincronizzati? Ecco cosa succede al cervello del tuo fitness tracker

Hai mai usato più dispositivi indossabili per monitorare l’attività fisica? Beh, se non sono perfettamente sincronizzati nel tempo, i risultati potrebbero essere fuori luogo. Un team di ricercatori ha testato questa idea con modelli di intelligenza artificiale addestrati a riconoscere movimenti umani usando più sensori contemporaneamente. Il problema? Una piccola differenza di tempo tra i dispositivi – anche meno di un secondo – può confondere i modelli. Attraverso esperimenti con reti neurali complesse, hanno scoperto che uno scostamento maggiore di 167 millisecondi inizia a influenzare negativamente le prestazioni. E se supera i 333 ms, il riconoscimento dell’attività quotidiana peggiora notevolmente. Anche durante l’uso reale, alcuni modelli come le LSTM si comportano meglio di altri quando i dati arrivano fuori sincrono. Questo studio aiuta a capire come migliorare la precisione dei sistemi multi-sensore, utili in ambiti come la riabilitazione, lo sport e l’interazione uomo-macchina. Insomma, la prossima volta che indossi più device, ricorda: il tempo è fondamentale!

Il fenomeno della desincronizzazione nei sistemi multi-sensore si basa su due componenti principali: l'offset temporale e lo skew del clock. L'offset è una differenza costante tra le marche temporali dei dispositivi, mentre lo skew rappresenta una variazione nel ritmo del clock. Questi errori vengono introdotti durante l’acquisizione dei dati e possono accumularsi nel tempo. Per simulare questi effetti, i ricercatori hanno utilizzato il resampling razionale, una tecnica che ricostruisce il segnale in base a una nuova frequenza di campionamento. Hanno testato tre architetture principali: MS-TCN (Multi-Stage Temporal Convolutional Network), LSTM (Long Short-Term Memory) e Transformer. Le MS-TCN sono state valutate per segmentazione sequenziale delle azioni, mentre le LSTM e i Transformer sono stati testati per compiti di classificazione temporale. I risultati mostrano che le LSTM mantengono una certa robustezza fino a 167 ms di offset, mentre le MS-TCN e i Transformer mostrano un calo netto oltre questa soglia. Questo implica che, per applicazioni critiche come la riabilitazione medica o il monitoraggio ergonomia, è essenziale garantire una sincronizzazione hardware precisa o applicare correzioni software post-acquisizione. Inoltre, l’uso di tecniche di allineamento temporale come il Dynamic Time Warping potrebbe mitigare parzialmente gli effetti negativi. Tuttavia, la soluzione più efficace rimane l’integrazione di orologi sincronizzati nei dispositivi stessi, sfruttando protocolli come NTP (Network Time Protocol) o tecnologie di sincronizzazione ultra-precise come il PTP (Precision Time Protocol).