Wearable Sensors and Artificial Intelligence Approaches to Advance Type 1 Diabetes Management

Wearable technologies are enabling a shift from episodic, clinic-based assessments to continuous, real-time physiology monitoring. Within this landscape, diabetes stands out for its need to balance glucose tightly through ongoing measurement and therapy adjustment using hybrid closed-loop systems that integrate continuous glucose monitoring with algorithm-guided insulin delivery. While these systems have advanced glycaemic management, their effectiveness remains constrained by sensor accuracy, user-managed meal boluses, and external influences such as stress and physical activity. The thesis develops a clinician-in-the-loop approach that fuses longitudinal CGM traces and patient history to generate an individualised glycemic profile for therapy personalisation. Pediatric use cases are emphasised through a reproducible pipeline for glucose data interpretation, validated on independent clinical datasets. Recognizing stress as a key determinant of glycaemic variability, the work investigates measurable biomarkers (e.g., PPG, electrodermal activity, heart-rate dynamics). It proposes computationally efficient pipelines for denoising and segmenting signals corrupted by motion, including lightweight neural networks for real-time artefact segmentation in PPG. To contextualize physiology, a real-time activity-recognition module based on inertial sensors is implemented on embedded AI platforms, demonstrating reliable, low-latency inference under resource constraints. Beyond algorithms, the thesis addresses how sensor placement and device conception shape data quality and usability. Multi-site acquisitions quantify trade-offs between signal fidelity, comfort, and adherence, informing guidelines for practical deployment. Finally, a wearable system architecture is outlined that integrates CGM, PPG, and IMU sensing with low-power analogue front-ends, wireless communication, and power management, alongside electromechanical considerations such as biocompatibility, enclosure design, and robustness. Overall, the work bridges raw, real-world data and actionable, patient-specific insulin therapy optimisation, advancing a pathway from sensing to clinical decision support that is transparent, safe, and deployable.

Le tecnologie indossabili stanno abilitando un passaggio dalle valutazioni episodiche in ambiente clinico al monitoraggio continuo e in tempo reale. In questo contesto, il diabete si distingue per la necessità di mantenere un controllo stretto della glicemia attraverso misure continuative e un aggiustamento dinamico della terapia mediante sistemi ibridi a ciclo chiuso, che integrano il monitoraggio continuo del glucosio con la somministrazione di insulina guidata da algoritmi. Sebbene tali sistemi abbiano migliorato la gestione glicemica, la loro efficacia rimane limitata dalla precisione dei sensori, dalla necessità di boli prandiali gestiti dall’utente e da fattori esterni quali stress e attività fisica. La tesi sviluppa un approccio clinician-in-the-loop che combina tracciati CGM longitudinali e storia clinica del paziente per generare un profilo glicemico individualizzato, a supporto della personalizzazione della terapia insulinica. Vengono enfatizzati gli scenari pediatrici, attraverso una pipeline riproducibile per l’interpretazione dei dati glicemici, validata su dataset clinici indipendenti. Riconoscendo lo stress come determinante chiave della variabilità glicemica, il lavoro esplora biomarcatori misurabili (ad esempio PPG, attività elettrodermica, dinamiche della frequenza cardiaca) e propone pipeline computazionalmente efficienti per la denoising e la segmentazione di segnali contaminati dal movimento, includendo reti neurali leggere per la segmentazione in tempo reale degli artefatti nel PPG. Per contestualizzare l’andamento fisiologico, viene implementato un modulo di riconoscimento dell’attività in tempo reale, basato su sensori inerziali ed eseguito su piattaforme di intelligenza artificiale embedded, che dimostra inferenza affidabile e a bassa latenza in condizioni di risorse limitate. Oltre agli algoritmi, la tesi analizza come il posizionamento dei sensori e la progettazione del dispositivo influenzino la qualità dei dati e l’usabilità. Acquisizioni multi-sito quantificano i compromessi tra fedeltà del segnale, comfort e aderenza, fornendo linee guida per una implementazione pratica. Infine, viene delineata un’architettura di sistema indossabile che integra CGM, PPG e IMU con front-end analogici a basso consumo, comunicazione wireless e gestione dell’energia, affiancata a considerazioni elettromeccaniche quali biocompatibilità, progettazione dell’involucro e robustezza. Nel complesso, il lavoro colma il divario tra dati grezzi raccolti nel mondo reale e un’ottimizzazione della terapia insulinica specifica per il paziente, delineando un percorso dal sensing al supporto decisionale clinico che sia trasparente, sicuro e concretamente implementabile.