Towards a comprehensive model for cognitive performance prediction: a machine learning-based approach

As wearable technology advances, the ability to derive meaningful, data-driven insights into cognitive performance and mental well-being has significantly expanded. This thesis presents a pilot study that integrates multimodal data, including nutrition, sleep, physical activity, and real-time physiological monitoring, to track and predict cognitive performance, encompassing memory, reasoning, attention, reading, and learning capabilities. A predictive framework was developed using machine learning and deep learning models, with explainable AI techniques such as SHAP and Occlusion Sensitivity applied to enhance interpretability. Additionally, counterfactual analysis was leveraged to generate actionable recommendations for cognitive performance optimization, providing insights into personalized lifestyle modifications. By detailing the data collection pipeline, preprocessing strategies, and experimental outcomes, this work represents the first study in the state of the art to correlate lifestyle and physiological data with cognitive performance while accounting for individual cognitive baselines. The findings lay the foundation for real-time, personalized cognitive enhancement strategies based on wearable sensor data.

Con l’evoluzione della tecnologia indossabile, la capacità di ottenere informazioni significative e basate sui dati in merito a prestazioni cognitive e benessere mentale è notevolmente aumentata. Questa tesi presenta pertanto uno studio pilota che integra dati multimodali, inclusi quelli relativi a nutrizione, sonno, attività fisica e monitoraggio fisiologico in tempo reale, per tracciare e prevedere le prestazioni cognitive stesse, che comprendono memoria, ragionamento, attenzione, lettura e capacità di apprendimento. Nel contesto di questo studio pilota, è stato sviluppato un framework predittivo basato su modelli di machine learning e deep learning, con l’applicazione di tecniche di explainable AI come SHAP e Occlusion Sensitivity per migliorare l’interpretabilità dei modelli stessi. Inoltre, è stata implementata un’analisi controfattuale per generare raccomandazioni personalizzate volte a ottimizzare le prestazioni cognitive, fornendo suggerimenti pratici su modifiche attuabili nello stile di vita. Attraverso la descrizione della pipeline di raccolta dati, delle strategie di pre-elaborazione e dei risultati sperimentali, questo lavoro rappresenta il primo studio nello stato dell’arte a correlare dati fisiologici e di stile di vita alle prestazioni cognitive, tenendo conto delle differenze cognitive individuali. I risultati ottenuti gettano quindi le basi per lo sviluppo di strategie personalizzate di miglioramento cognitivo in tempo reale basate sui dati provenienti dai dispositivi indossabili stessi.