Artificial Intelligence for Data Analysis and Signal Processing

Artificial intelligence, or AI, currently encompasses a huge variety of fields, from areas such as logical reasoning and perception, to specific tasks such as game playing, language processing, theorem proving, and diagnosing diseases. It is clear that systems with human-level intelligence (or even better) would have a huge impact on our everyday lives and on the future course of evolution, as it is already happening in many ways. In this research AI techniques have been introduced and applied in several clinical and real world scenarios, with particular focus on deep learning methods. A human gait identification system based on the analysis of inertial signals has been developed, leading to misclassification rates smaller than 0.15%. Advanced deep learning architectures have been also investigated to tackle the problem of atrial fibrillation detection from short length and noisy electrocardiographic signals. The results show a clear improvement provided by representation learning over a knowledge-based approach. Another important clinical challenge, both for the patient and on-board automatic alarm systems, is to detect with reasonable advance the patterns leading to risky situations, allowing the patient to take therapeutic decisions on the basis of future instead of current information. This problem has been specifically addressed for the prediction of critical hypo/hyperglycemic episodes from continuous glucose monitoring devices, carrying out a comparative analysis among the most successful methods for glucose event prediction. This dissertation also shows evidence of the benefits of learning algorithms for vehicular traffic anomaly detection, through the use of a statistical Bayesian framework, and for the optimization of video streaming user experience, implementing an intelligent adaptation engine for video streaming clients. The proposed solution explores the promising field of deep learning methods integrated with reinforcement learning schema, showing its benefits against other state of the art approaches. The great knowledge transfer capability of artificial intelligence methods and the benefits of representation learning systems stand out from this research, representing the common thread among all the presented research fields.

L'intelligenza artificiale, o AI, comprende attualmente una grande varietà di campi, da concetti come il ragionamento logico e la percezione, a obiettivi specifici come la risoluzione di giochi complessi, l'elaborazione del linguaggio, la dimostrazione di teoremi matematici e la diagnosi di malattie. È chiaro che sistemi con un'intelligenza a livello umano (o anche superiore) avrebbero un enorme impatto sulla nostra vita quotidiana e sul futuro corso dell'evoluzione, come si sta già osservando sotto numerosi aspetti. In questa tesi vengono proposte tecniche di AI applicate a diversi scenari, sia clinici che reali, con particolare interesse a metodi di deep learning. In particolare, è stato sviluppato un sistema di identificazione dell'andatura umana basato sull'analisi di segnali inerziali, che porta a errori di classificazione inferiori allo 0,15%. Sono state inoltre studiate avanzate architetture di deep learning per affrontare il problema della rilevazione della fibrillazione atriale, analizzando segnali elettrocardiografici rumorosi e di breve durata. I risultati mostrano un netto miglioramento fornito da metodi di representation learning rispetto ad un approccio knowledge-based. Un'altra importante sfida clinica, sia per il paziente che per i sistemi automatici di avvertimento, è quella di rilevare con ragionevole anticipo i segnali che portano a situazioni rischiose, consentendo al paziente di prendere decisioni terapeutiche sulla base di informazioni future. Questo problema è stato specificamente contestualizzato nella previsione di episodi ipo/iperglicemici critici, analizzando segnali acquisiti da dispositivi di monitoraggio continuo del glucosio ed effettuando un'analisi comparativa tra i metodi di maggior successo per la previsione di eventi glicemici. In questa tesi vengono inoltre mostrati i vantaggi degli algoritmi di apprendimento automatico per il rilevamento di anomalie nel traffico veicolare, attraverso l'uso di un approccio bayesiano, e per l'ottimizzazione dell'esperienza utente durante la visione di un flusso video, implementando un motore di adattamento intelligente per i client di video streaming. La soluzione proposta esplora la promettente integrazione tra metodi di deep learning e schemi di apprendimento con rinforzo, mostrando i suoi vantaggi rispetto ad altri approcci allo stato dell'arte. La grande capacità di trasferimento delle conoscenze dei metodi di intelligenza artificiale, e i vantaggi dei sistemi di apprendimento automatico, evincono da questa ricerca, rappresentando il filo conduttore tra i campi di ricerca presentati.