Rilevare lo stress attraverso l’attività elettrica del cervello è un’operazione che tocca corde intime: i segnali EEG sono dati biometrici sensibili, la cui gestione richiede cautele estreme, specialmente in ambito clinico o aziendale. Mandarli in cloud per l’analisi automatica è spesso un azzardo normativo e di fiducia. Arriva oggi una proposta che punta a tenere tutto sul dispositivo: I²RiMA, una rete neurale che combina geometria Riemanniana e attenzione temporale, capace di identificare lo stress mentale con meno di 2 milioni di parametri.

La sfida della rilevazione cross-soggetto è nota: i pattern di stress variano da individuo a individuo e si distribuiscono su bande di frequenza specifiche. I metodi Riemanniani classici modellano la covarianza spaziale principalmente nel dominio del tempo, trascurando le oscillazioni neurali che codificano stati cognitivi complessi; i tokenizzatori temporali standard tendono invece a rompere la coerenza tra una finestra e l’altra. I²RiMA aggira entrambi i limiti. Costruisce matrici di covarianza spaziale per ogni punto di frequenza e le proietta nello spazio tangente delle matrici simmetriche definite positive, preservando la geometria dei canali e gli indizi discriminativi legati alle singole frequenze. Poi aggrega le componenti spettrali in cluster guidati dai dati, selezionando quelli informativi e riducendo la ridondanza, in modo da allinearsi naturalmente ai ritmi cerebrali. Infine, un modulo di attenzione intra-inter slice adatta dinamicamente il contesto locale e quello globale della sequenza temporale.

L’impronta computazionale è sorprendentemente contenuta: 1,60 milioni di parametri e 31,95 milioni di FLOPs per un’inference. Tradotto in pratica, significa che il modello può essere eseguito su CPU senza accelerazione hardware specializzata, su microcontrollori di fascia medio-alta o su dispositivi edge comuni. Niente GPU, niente server remoti. L’accuratezza bilanciata sale fino all’82,78% sui tre dataset considerati, superando cinque modelli di riferimento senza pagare dazio in termini di complessità.

Proprio la leggerezza dell’architettura apre scenari che vanno oltre la ricerca accademica. In un contesto di medicina del lavoro, per esempio, un bracciale EEG potrebbe analizzare il livello di stress in tempo reale e sul posto, senza trasmettere segnali all’esterno e senza infrastruttura cloud. In ambito enterprise, la conformità al GDPR e la sovranità dei dati diventano più semplici da dimostrare quando l’elaborazione resta confinata nel perimetro aziendale. Non è solo una questione di privacy: è una scelta architetturale che riduce la dipendenza da reti e servizi terzi, abbassa la latenza e semplifica il TCO dell’intero sistema.

Certo, il cammino dall’algoritmo al prodotto reale è ancora lungo. Servono validazioni su popolazioni più ampie e variabili, occorre integrare sensori affidabili e certificati, e l’affidabilità nel tempo deve essere testata sul campo. Tuttavia, I²RiMA mostra che il rigore geometrico e l’efficienza numerica possono convivere in un modello che, fin dalla progettazione, sembra pensato per l’inference locale. È un segnale – anzi, un intero spettro – che l’elaborazione on-device di dati biometrici non è più solo una bandiera ideologica, ma una possibilità concreta, misurata in pochi megabyte di memoria.