Intelligent event-driven orchestration for multimodal digital-twins: integrating environmental and physiological sensing in shared spaces

This thesis addresses the critical need to monitor and enhance human wellbeing in indoor environments, where people typically spend approximately 90% of their daily lives. While modern architecture often prioritizes energy efficiency, it frequently ignores the invisible link between indoor air quality and cognitive performance. Exposure to even moderate levels of CO2 and pollutants can lead to Sick Building Syndrome (SBS), impairing focus and increasing stress. Despite the widespread adoption of wearables and IoT sensing, current implementations treat these data streams independently, leading to significant temporal and spatial mismatches in shared spaces. This research proposes a backbone for a human-centric Digital Twin framework to solve the data fragmentation, temporal mismatches, and spatial mapping challenges inherent in multi-user shared spaces. The proposed framework utilizes an Intelligent Event-Driven Architecture with a scalable data pipeline that leverages Apache Kafka and MQTT for high-throughput, low-latency data ingestion from heterogeneous sources. The core of the system is the intelligent orchestrator, a consumer-producer component that manages "N-to-1" mapping (multiple users in one room) and performs backward synchronization to reconcile the "bursty" nature of wearable data with steady environmental streams. The system allows a synchronized virtual state that correlates physiological responses (heart rate, respiration) with ambient conditions (CO2, TVOC, temperature, humidity). The framework was validated through a stress classification proof of concept involving three participants monitored across multiple environments (home, lab, and library). Statistical analysis confirmed a correlation between high CO2 levels, uncomfortable temperatures, and increased physiological stress. Using tree-based classifiers like LightGBM, the system achieved a stress prediction accuracy of approximately 80%. In conclusion, this work provides a robust, hardware-agnostic infrastructure that transitions Digital Twins from reactive monitoring to predictive, context-aware platforms capable of future environmental actuation.

Questa tesi affronta la necessità di monitorare e migliorare il benessere umano negli ambienti interni, dove le persone trascorrono tipicamente circa il 90% della propria vita quotidiana. Sebbene l'architettura moderna dia spesso priorità all'efficienza energetica, essa ignora frequentemente il legame invisibile tra la qualità dell'aria interna e le prestazioni cognitive. L'esposizione anche a livelli moderati di CO2 e di inquinanti può portare alla Sick Building Syndrome (SBS), compromettendo la concentrazione e aumentando lo stress. Nonostante la diffusione di dispositivi indossabili e sensori IoT, le attuali implementazioni gestiscono questi flussi di dati in modo indipendente, causando significativi disallineamenti temporali e spaziali negli spazi condivisi. Questa ricerca propone una struttura portante per un framework di Digital Twin human-centric, al fine di risolvere i problemi di frammentazione dei dati, i disallineamenti temporali e le sfide di mappatura spaziale intrinseche negli ambienti multi-utente. Il framework proposto utilizza un'architettura intelligente guidata dagli eventi (Intelligent Event-Driven Architecture) con una pipeline di dati scalabile che sfrutta Apache Kafka e MQTT per l'ingestione di dati ad alto throughput e bassa latenza provenienti da fonti eterogenee. Il nucleo del sistema è l'orchestratore intelligente, un componente di tipo consumer-producer che gestisce la mappatura "N-a-1" (più utenti in una stanza) ed esegue una sincronizzazione retrospettiva (backward synchronization) per riconciliare la natura intermittente (bursty) dei dati dei dispositivi indossabili con i flussi ambientali continui. Il sistema consente di ottenere uno stato virtuale sincronizzato che correla le risposte fisiologiche (frequenza cardiaca, respirazione) con le condizioni ambientali (CO2, TVOC, temperatura, umidità). Il framework è stato validato attraverso una proof of concept di classificazione dello stress che ha coinvolto tre partecipanti monitorati in diversi ambienti (casa, laboratorio e biblioteca). L' analisi statistica ha confermato una correlazione tra alti livelli di CO2, temperature non confortevoli e aumento dello stress fisiologico. Utilizzando classificatori basati su alberi come LightGBM, il sistema ha raggiunto un'accuratezza di previsione dello stress di circa l'80%. In conclusione, questo lavoro fornisce un'infrastruttura robusta e indipendente dall'hardware (hardware-agnostic) che trasforma i Digital Twin da strumenti di monitoraggio reattivo a piattaforme predittive e sensibili al contesto, capaci in futuro di attuazione ambientale.