Blood Alcohol Level Classification Using a Non-Invasive Approach Based on Photoplethysmographic and Bioimpedance Signals Analysis

Il consumo di alcol rappresenta da secoli una delle abitudini più diffuse nelle società di tutto il mondo, e continua ad essere una pratica sociale caratterizzata da un consumo globale significativo. Nonostante siano noti gli effetti inibitori a livello psico-fisico dovuti all’intossicazione acuta da etanolo, il numero annuale di incidenti stradali legati alla guida in stato di ebbrezza rappresenta un serio campanello d’allarme. Diventa quindi fondamentale disporre di strumenti pratici e metodologie accurate per la misura della concentrazione di alcol nel sangue (BAC), in ambito di monitoraggio personale e sicurezza stradale. Tra le tecniche attualmente diffuse, quelle invasive come la gascromatografia, offrono un’elevata accuratezza, ma richiedono costi e tempi elevati per la preparazione del setup di acquisizione ed elaborazione del campione biologico. Strumenti meno invasivi come l’etilometro a soffio, offrono una maggiore praticità ed immediatezza dei risultati. Tuttavia, sono calibrati su un rapporto fisso di 2100:1 tra la concentrazione di alcol nel sangue e quella nell’aria espirata. Nella realtà dei fatti, questo rapporto potrebbe variare per ogni individuo. Negli ultimi anni, l’analisi di segnali fisiologici tramite tecniche di machine learning e deep learning ha mostrato un grande potenziale per stimare la concentrazione di etanolo nel sangue in modo rapido e non invasivo, offrendo al contempo una soluzione più agevole rispetto all'etilometro tradizionale. Attraverso questo lavoro di tesi, è stato sviluppato un metodo non invasivo per la classificazione del BAC, attraverso l'analisi combinata di segnali fotopletismografici e di bioimpedenza. Data l’assenza di dataset pubblici disponibili, è stato necessario definire ed attuare una campagna sperimentale per la raccolta di segnali fotopletismografici e di bioimpedenza correlati alla variazione del BAC. Ogni soggetto ha partecipato a cinque sessioni di acquisizione: una in condizione di sobrietà e quattro successive all’assunzione di bevande alcoliche. La quantità di alcol da ingerire è stata calcolata individualmente in base a sesso, altezza e peso corporeo, in modo da ottenere variazioni controllate e comparabili del tasso alcolemico. Tutti i segnali acquisiti sono stati etichettati con il valore di BAC misurato tramite etilometro a soffio, utilizzato come riferimento. La raccolta dati ha permesso di ottenere un dataset ampio e vario sia in termini di valori di BAC di riferimento sia in termini di eterogeneità delle caratteristiche fisiche dei soggetti. I segnali sono stati analizzati ed elaborati in modo tale da estrarre feature rilevanti con cui allenare i modelli di machine learning al fine di classificare correttamente i dati di test. Sono stati inoltre considerati i segnali nella loro dimensione temporale allo scopo di addestrare reti neurali profonde in grado di apprendere le informazioni locali e temporali correlate al BAC. Dopo la fase di training, i modelli sono stati testati su dati indipendenti, ottenendo risultati promettenti che evidenziano il potenziale applicativo del sistema proposto. In questa direzione, un’applicazione futura potrebbe riguardare l'integrazione di tale sistema nell'abitacolo del veicolo, attraverso l’utilizzo di sensori integrati nei sistemi di accensione; ciò impedirebbe la guida del veicolo in caso di BAC elevato.