EMGesture: Trasformare i Caricabatterie Wireless Qi in Sensori di Gesti Senza Contatto

2.1. Acquisizione & Pre-elaborazione del Segnale EM

Il segnale principale è il campo elettromagnetico generato dalla bobina di trasmissione di potenza del caricabatterie, che opera a frequenze intorno ai 100-205 kHz per lo standard Qi. Quando la mano di un utente esegue un gesto vicino al caricabatterie, agisce come un mezzo conduttivo, perturbando questo campo. Queste perturbazioni vengono catturate come dati di tensione in serie temporale.

La pre-elaborazione prevede:

• Filtraggio del Rumore: Applicazione di filtri passa-banda per isolare la banda di frequenza Qi rilevante dal rumore ambientale.
• Normalizzazione: Scalatura dei segnali per tenere conto di diversi abbinamenti dispositivo/caricabatterie e livelli di potenza di base.
• Segmentazione: Isolamento della finestra del segnale corrispondente a una singola istanza di gesto.

2.2. Estrazione delle Caratteristiche & Classificazione dei Gesti

Il segnale pre-elaborato viene analizzato per estrarre caratteristiche discriminative. Data la natura sequenziale dei gesti, le caratteristiche sono probabilmente tratte sia dal dominio del tempo che da quello della frequenza:

• Dominio del tempo: Ampiezza del segnale, tasso di attraversamento dello zero, energia.
• Dominio della frequenza: Centroide spettrale, larghezza di banda, Coefficienti Cepstrali a Frequenza Mel (MFCC) adattati per segnali EM.
• Tempo-Frequenza: Caratteristiche dalla Trasformata di Fourier a Tempo Breve (STFT) o dalle trasformate wavelet per catturare pattern evolutivi.

Un robusto modello di machine learning (ad esempio, una Support Vector Machine (SVM), una Random Forest o una rete neurale leggera come una 1D-CNN o una LSTM) viene addestrato su queste caratteristiche per classificare i gesti (ad esempio, scorrimento a sinistra/destra, tocco, cerchio). La robustezza del modello è fondamentale per gestire la variabilità tra utenti e hardware.

3.1. Accuratezza di Riconoscimento & Prestazioni

Gli autori hanno condotto esperimenti completi con 30 partecipanti, 10 diversi dispositivi mobili e 5 caricabatterie Qi. Il sistema ha dimostrato una notevole accuratezza di riconoscimento superiore al 97% per un set definito di gesti (ad esempio, scorrimenti direzionali, cerchi, tocchi). Questa elevata accuratezza è stata mantenuta attraverso diverse combinazioni dispositivo-caricabatterie, dimostrando la generalizzabilità dell'approccio.

Descrizione Grafico (Inferita): Un grafico a barre multiple mostra probabilmente le percentuali di accuratezza (asse y) per diversi tipi di gesto (asse x) come Scorrimento a Sinistra, Scorrimento a Destra, Cerchio, Tocco e Spinta. Ogni barra è suddivisa per mostrare le prestazioni in diverse condizioni di test (ad esempio, Utente 1-10, Dispositivo A-E). Una sovrapposizione a linea indica l'accuratezza media complessiva che si mantiene costantemente al di sopra del 97%.

3.2. Studio Utenti & Valutazione dell'Usabilità

Oltre all'accuratezza, sono stati condotti studi sugli utenti per valutarne la praticità. I partecipanti hanno riportato:

• Elevata Convenienza: Sfruttare un dispositivo esistente e onnipresente (il caricabatterie) ha eliminato la necessità di sensori aggiuntivi.
• Forte Percezione della Privacy: A differenza delle telecamere, il sistema non acquisisce dati visivi o biometrici, solo perturbazioni EM astratte.
• Facilità d'Uso: I gesti sono risultati intuitivi e facili da eseguire in contesti come una scrivania o un comodino.

Lo studio posiziona EMGesture non solo come tecnicamente fattibile, ma anche come accettabile dagli utenti.

4.1. Fondamenti Matematici & Elaborazione del Segnale

La perturbazione del campo EM da parte di un oggetto conduttivo (la mano) può essere modellata attraverso cambiamenti nell'induttanza mutua e nelle correnti parassite indotte. Il segnale ricevuto $s(t)$ può essere considerato come:

$s(t) = A(t) \cdot \sin(2\pi f_c t + \phi(t)) + n(t)$

dove $A(t)$ è l'ampiezza variabile nel tempo, $f_c$ è la frequenza portante (~110-205 kHz), $\phi(t)$ è la fase e $n(t)$ è il rumore. I gesti modulano $A(t)$ e $\phi(t)$. L'estrazione delle caratteristiche spesso comporta il calcolo dell'inviluppo del segnale $E(t)$:

$E(t) = |s(t) + j \cdot \mathcal{H}\{s(t)\}|$

dove $\mathcal{H}\{\cdot\}$ è la trasformata di Hilbert, utilizzata per ottenere il segnale analitico per il rilevamento dell'inviluppo.

4.2. Framework di Analisi: Un Caso di Studio Senza Codice

Scenario: Controllare una lampada da scrivania intelligente (acceso/spento, aumentare/diminuire intensità) utilizzando gesti sopra il suo piano di ricarica wireless integrato.

1. Flusso del Segnale: L'utente esegue un gesto a "cerchio". Il movimento della mano altera il campo EM locale della bobina di ricarica.
2. Pipeline dei Dati: Un ADC sulla scheda di controllo del caricabatterie campiona la corrente/feedback di tensione della bobina (dati già monitorati per il controllo della ricarica).
3. Creazione del Vettore di Caratteristiche: La finestra campionata di 500ms viene elaborata. Un modello 1D-CNN estrae caratteristiche spazio-temporali: ad esempio, un picco nella potenza spettrale a bassa frequenza seguito da un pattern di ampiezza ciclico.
4. Classificazione & Azione: Il modello abbina il vettore di caratteristiche alla classe "cerchio" con una confidenza del 98%. Il sistema traduce questo nel comando: "Cicla tra le temperature di colore della lampada".
5. Controllo di Robustezza: Il sistema ignora perturbazioni minori (come il posizionamento di un telefono sul piano) verificando se il pattern del segnale corrisponde alla firma di un dispositivo in carica noto prima di abilitare la modalità gestuale.

Questo framework evidenzia l'integrazione senza soluzione di continuità del rilevamento in una funzione esistente.