Approcci di Machine Learning per il Monitoraggio della Malattia da Decompressione nei Subacquei.

Decompression sickness (DCS) is a physiological disorder that can affect divers when they ascend rapidly from depth or stay underwater for an extended period, leading to the formation of gas bubbles in the body. Accurate monitoring of divers and assessing the risk of DCS are crucial for preventing serious health consequences. In this thesis, we explore the application of machine learning approaches to improve DCS monitoring in divers. We begin by analyzing a wide range of physiological parameters, such as various indicators of body mass, as well as post-dive feedback, such as thermal comfort level or workload during the dive. Using machine learning techniques, we develop predictive models that can identify patterns associated with DCS and estimate individual risk of developing this condition. Additionally, we examine the role of environmental variables, such as depth, dive duration, and ascent profiles, in the model's decision-making process. Implementing a machine learning-based monitoring system offers significant advantages over traditional methods of assessing DCS risk. Trained models can provide recommendations to divers and diving operators, enabling them to make informed decisions to minimize the risk of DCS. Furthermore, the collected data can be used to improve the understanding of the pathology itself and identify new risk factors. Based on the obtained results, this research demonstrates the potential of using machine learning approaches in DCS monitoring for divers. The findings can be utilized to develop more effective tools and decision support systems to ensure diver safety and promote better dive management.

La malattia da decompressione (DCS) è un disturbo fisiologico che può colpire i subacquei quando emergono rapidamente dalla profondità o quando vi restano per un periodo troppo prolungato, causando la formazione di bolle di gas nel corpo. Il monitoraggio accurato dei subacquei e la valutazione del rischio di DCS sono di fondamentale importanza per prevenire gravi conseguenze per la salute. In questa tesi, esploriamo l'applicazione di approcci di machine learning per migliorare il monitoraggio della DCS nei subacquei. Iniziamo analizzando una vasta gamma di parametri fisiologici, come vari indicatori di massa corporea, oltre che a feedback post immersione, ad esempio il livello di comfort termico o di carico di lavoro durante la stessa. Utilizzando tecniche di machine learning, sviluppiamo modelli predittivi che possono identificare i pattern associati alla DCS e stimare il rischio individuale di sviluppare questa malattia. Inoltre, esaminiamo il ruolo delle variabili ambientali, come la profondità, la durata dell'immersione e i profili di risalita, nel processo decisionale del modello. L'implementazione di un sistema di monitoraggio basato su machine learning offre vantaggi significativi rispetto ai metodi tradizionali di valutazione del rischio di DCS. I modelli addestrati possono fornire raccomandazioni ai subacquei e agli operatori di immersione, consentendo loro di prendere decisioni informate per minimizzare il rischio di DCS. Inoltre, i dati raccolti possono essere utilizzati per migliorare la comprensione della patologia stessa e per identificare nuovi fattori di rischio. Sulla base dei risultati ottenuti, questa ricerca dimostra il potenziale dell'uso di approcci di machine learning nel monitoraggio della DCS nei subacquei. I risultati possono essere utilizzati per sviluppare strumenti e sistemi di supporto decisionale più efficaci per garantire la sicurezza dei subacquei e promuovere una migliore gestione delle immersioni.