Tecniche di embedded machine learning per l'analisi dello stato delle api tramite segnali audio

L'ipotesi generale è che le variazioni nei suoni prodotti dalle api possano fornire indizi significativi sulle loro condizioni fisiologiche e sul benessere dell'alveare. Le motivazioni che hanno guidato questo lavoro sono legate alla necessità di approcci sostenibili e non invasivi per il monitoraggio della biodiversità. L'oggetto specifico di questa ricerca è lo sviluppo di un sistema embedded che utilizza tecniche di machine learning per l'analisi dei segnali audio, mirato a classificare le condizioni delle api in diversi stati di salute. Il quadro teorico di riferimento si basa su studi precedenti nel campo dell'analisi del segnale acustico e il riconoscimento dei pattern audio, l'elaborazione dei segnali e delle tecniche di apprendimento automatico. Il metodo di ricerca adottato prevede la raccolta di dati audio da vari alveari attraverso microfoni posizionati strategicamente. Questi segnali sono poi preprocessati e analizzati mediante algoritmi di machine learning per estrarre caratteristiche significative e costruire modelli predittivi affidabili.