Laboratorio di Neuronica
Neuronica
Il Neuronica Lab è un laboratorio di ricerca e sviluppo dedicato al test intensivo dei sistemi elettronici, al loro packaging e all’integrazione tra componenti hardware e sistemi complessi. Inserito in un contesto che connette ricerca accademica e applicazioni industriali, il laboratorio opera con l’obiettivo di progettare, sviluppare e validare soluzioni tecnologiche avanzate capaci di generare un impatto concreto, misurabile e sostenibile nei processi produttivi e nella società.
Le attività del laboratorio coprono l’intero ciclo di vita dei sistemi elettronici, dalla progettazione e prototipazione di circuiti stampati (PCB) fino alla loro caratterizzazione, validazione e integrazione in architetture intelligenti. In questo ambito, particolare attenzione è rivolta alla metrologia avanzata e alle metodologie di testing, fondamentali per garantire affidabilità, robustezza e prestazioni elevate anche in contesti applicativi complessi e critici.
Un elemento distintivo è la capacità di sviluppare Proof of Concept (PoC) funzionali, che consentono di validare rapidamente nuove soluzioni tecnologiche e accompagnarle lungo i livelli intermedi di maturità tecnologica, tipicamente compresi tra TRL 3 e TRL 7, dalla dimostrazione sperimentale del concetto fino alla validazione in ambiente rilevante e pre-industriale.
L’integrazione dell’intelligenza artificiale rappresenta un asse portante delle attività del Neuronica Lab. Il laboratorio sviluppa modelli di machine learning, reti neurali artificiali e tecniche di intelligenza artificiale generativa, con un focus su modelli interpretabili (Explainable AI) per applicazioni safety-critical, combinando prestazioni predittive, trasparenza e affidabilità.
Il laboratorio è inoltre attivo nello sviluppo di dispositivi innovativi basati su sensori per applicazioni industriali, meteorologiche, ambientali e medicali, con particolare attenzione alla telemedicina cardiaca e al monitoraggio remoto continuo dei parametri fisiologici. Parallelamente, progetta sistemi IoT per applicazioni industriali avanzate, integrando tecnologie di Edge AI e TinyML per l’elaborazione locale dei dati su dispositivi a risorse limitate, riducendo latenza, consumo energetico e dipendenza dal cloud.
Un ulteriore ambito di ricerca riguarda l’impiego dei gemelli digitali per il controllo in tempo reale dei processi industriali e per il monitoraggio in ambito sanitario, abilitando approcci predittivi e strategie decisionali basate su simulazione e ottimizzazione. Il laboratorio esplora inoltre metodologie avanzate di interazione uomo-macchina e sistemi di supporto alle decisioni, migliorando l’efficacia e l’affidabilità dei sistemi intelligenti in contesti complessi.
Particolare rilevanza è attribuita alle attività di trasferimento tecnologico, sviluppate attraverso forti collaborazioni di ricerca e sviluppo con aziende e industrie a livello nazionale e internazionale. Queste collaborazioni consentono di orientare le attività verso esigenze applicative reali, accelerare la validazione delle tecnologie e facilitarne l’adozione in contesti produttivi. In questo quadro, il laboratorio promuove la tutela della proprietà intellettuale mediante attività di brevettazione, favorendo la valorizzazione e lo sfruttamento industriale dei risultati della ricerca.
Grazie a un approccio multidisciplinare che integra elettronica, intelligenza artificiale e ingegneria dei sistemi, e attraverso lo sviluppo sistematico di Proof of Concept lungo i livelli TRL 3–7, il Neuronica Lab contribuisce allo sviluppo di tecnologie all’avanguardia e alla produzione di risultati scientifici di livello internazionale, promuovendo innovazione industriale e impatto socio-economico.
Le attività del laboratorio coprono l’intero ciclo di vita dei sistemi elettronici, dalla progettazione e prototipazione di circuiti stampati (PCB) fino alla loro caratterizzazione, validazione e integrazione in architetture intelligenti. In questo ambito, particolare attenzione è rivolta alla metrologia avanzata e alle metodologie di testing, fondamentali per garantire affidabilità, robustezza e prestazioni elevate anche in contesti applicativi complessi e critici.
Un elemento distintivo è la capacità di sviluppare Proof of Concept (PoC) funzionali, che consentono di validare rapidamente nuove soluzioni tecnologiche e accompagnarle lungo i livelli intermedi di maturità tecnologica, tipicamente compresi tra TRL 3 e TRL 7, dalla dimostrazione sperimentale del concetto fino alla validazione in ambiente rilevante e pre-industriale.
L’integrazione dell’intelligenza artificiale rappresenta un asse portante delle attività del Neuronica Lab. Il laboratorio sviluppa modelli di machine learning, reti neurali artificiali e tecniche di intelligenza artificiale generativa, con un focus su modelli interpretabili (Explainable AI) per applicazioni safety-critical, combinando prestazioni predittive, trasparenza e affidabilità.
Il laboratorio è inoltre attivo nello sviluppo di dispositivi innovativi basati su sensori per applicazioni industriali, meteorologiche, ambientali e medicali, con particolare attenzione alla telemedicina cardiaca e al monitoraggio remoto continuo dei parametri fisiologici. Parallelamente, progetta sistemi IoT per applicazioni industriali avanzate, integrando tecnologie di Edge AI e TinyML per l’elaborazione locale dei dati su dispositivi a risorse limitate, riducendo latenza, consumo energetico e dipendenza dal cloud.
Un ulteriore ambito di ricerca riguarda l’impiego dei gemelli digitali per il controllo in tempo reale dei processi industriali e per il monitoraggio in ambito sanitario, abilitando approcci predittivi e strategie decisionali basate su simulazione e ottimizzazione. Il laboratorio esplora inoltre metodologie avanzate di interazione uomo-macchina e sistemi di supporto alle decisioni, migliorando l’efficacia e l’affidabilità dei sistemi intelligenti in contesti complessi.
Particolare rilevanza è attribuita alle attività di trasferimento tecnologico, sviluppate attraverso forti collaborazioni di ricerca e sviluppo con aziende e industrie a livello nazionale e internazionale. Queste collaborazioni consentono di orientare le attività verso esigenze applicative reali, accelerare la validazione delle tecnologie e facilitarne l’adozione in contesti produttivi. In questo quadro, il laboratorio promuove la tutela della proprietà intellettuale mediante attività di brevettazione, favorendo la valorizzazione e lo sfruttamento industriale dei risultati della ricerca.
Grazie a un approccio multidisciplinare che integra elettronica, intelligenza artificiale e ingegneria dei sistemi, e attraverso lo sviluppo sistematico di Proof of Concept lungo i livelli TRL 3–7, il Neuronica Lab contribuisce allo sviluppo di tecnologie all’avanguardia e alla produzione di risultati scientifici di livello internazionale, promuovendo innovazione industriale e impatto socio-economico.
-
Responsabili scientifici
-
Team di ricerca
Area di ricerca
Linee di ricerca
- Progettazione e sviluppo di dispositivi basati su sensori, per la telemedicina e la cardiologia, e per applicazioni meteorologiche ed ambientali
- Progettazione e sviluppo di sistemi IoT (Internet of Things) per applicazioni industriali
- Embedded & Distributed Intelligence (IoT, Edge, TinyML)
- Metrologia e intelligenza artificiale generativa
- progettazione e testing di sistemi elettronici e circuiti stampati (PCB)
- Reti neurali artificiali, Machine learning, Intelligenza artificiale
- Ingegneria dei dati, fusione dei dati e intelligenza artificiale incentrata sui dati per sistemi di sensori
- Edge AI e TinyML per implementazioni con risorse limitate
- Digital Twin per il controllo industriale in tempo reale e il monitoraggio sanitario
- Elettronica a basso consumo energetico e sistemi di intelligenza artificiale sostenibili
- Explainable AI per sistemi critici per la sicurezza
- Interazione uomo-macchina e supporto alle decisioni
- Rilevamento delle anomalie e sistemi di sicurezza basati sull'intelligenza artificiale
- Rapid prototyping e sviluppo di Proof of concepts (PoC)
- Validazione, verifica e certificazione di sistemi basati sull'intelligenza artificiale.
Competenze
Settori ERC
SDG
Keywords
Pubblicazioni da archivio istituzionale
Pubblicazioni da archivio istituzionale
-
Pasero, EROS GIAN ALESSANDRO; Raimondo, Giovanni; Ruffa, S. (In stampa)
MULP: a Multi-Layer Perceptron application to long-term, out-of-sample time series prediction.. In: INTERNATIONAL JOURNAL OF FORECASTING. ISSN 0169-2070 -
Delrio, Federico; Randazzo, Vincenzo; Cirrincione, Giansalvo; Pasero, Eros (2026)
Dual-Branch Fusion Neural Network Model: A Preliminary Demonstration of Absolute, Calibration-Free Blood Pressure Estimation from ECG and PPG Signals. In: Neural Networks: Overview of Current Theories and Applications / S.N., S.L., Springer Nature, pp. 41-50. ISBN: 9789819540716 -
Di Benedetto, Marco; Randazzo, Vincenzo; Lidozzi, Alessandro; Accetta, Angelo; Ghione, ... (2026)
Enhanced Neural Real-Time Digital Twin for Electrical Drives. In: APPLIED SCIENCES, vol. 16. ISSN 2076-3417 -
Melchiorre, Jonathan; Anerdi, Costanza; Randazzo, Vincenzo; Marano, Giuseppe C. (2026)
Enhancing the Accuracy of Concrete Mix Design Leveraging on Machine Learning Algorithms. In: Neural Networks: Overview of Current Theories and Applications / S.N., S.L., Springer Nature, pp. 211-221. ISBN: 9789819540716 -
Ghione, Giorgia; Mucha, Jan; Randazzo, Vincenzo; Di Nezio, Giulia; Di Benedetto, Marco; ... (2026)
Passive Parameters Identification of a Three-Phase AC–DC Converter via a GRU Network and Derivative Approximations. In: Neural Networks: Overview of Current Theories and Applications / S.N., S.L., Springer Nature, pp. 299-311. ISBN: 9789819540716 -
Caligari, Silvia; Randazzo, Vincenzo; Giustetto, Carla; Gaita, Fiorenzo; Pasero, Eros (2026)
Predictive Recognition of Brugada Syndrome Pattern in Digital Electrocardiograms Using Neural Networks. In: Neural Networks: Overview of Current Theories and Applications / S.N., S.L., Springer Nature, pp. 51-63. ISBN: 9789819540716 -
Anerdi, Costanza; Melchiorre, Jonathan; Randazzo, Vincenzo; Marano, Giuseppe C. (2025)
A Machine Learning-Based Approach for Evaluating Concrete Mix Design Properties. In: Advanced Neural Artificial Intelligence: Theories and Applications / S.N., S.L., Springer, pp. 235-244. ISBN: 9789819609932 -
Randazzo, Vincenzo; Casella, Alessandro; Caligari, Silvia; Gaita, Fiorenzo; Giustetto, ... (2025)
A Three-Class AI Model for Brugada Syndrome Detection to Improve Diagnostic Accuracy in ECG Analysis. In: 2025 IEEE Medical Measurements & Applications (MeMeA), Chania (Gre), 28-30 May 2025. ISSN 2837-5874. ISBN: 979-8-3315-2347-3 -
Randazzo, V.; Caligari, S.; Pasero, E.; Giustetto, C.; Saglietto, A.; Bertarello, W.; ... (2025)
A Vision Transformer Model for the Prediction of Fatal Arrhythmic Events in Patients with Brugada Syndrome. In: SENSORS, vol. 25. ISSN 1424-8220 -
Ghione, G.; Randazzo, V.; Pasero, E.; Badami, M. (2025)
Comparison of LSTM-Based Models for the 6-Hour-Ahead and Day-Ahead Forecasting of Photovoltaic Power Generation. In: Smart Innovation, Systems and Technologies / Esposito A., Faundez-Zanuy M., Morabito F. C., Pasero E., Cordasco G., Singapore, Springer Nature, pp. 45-54. ISBN: 9789819609932 -
Randazzo, Vincenzo; Reineri, Matteo; Pasero, Eros (2025)
Design and development of a wearable device for real-time health monitoring and telemedicine. In: 2025 10th International Conference on Smart and Sustainable Technologies (SpliTech), Bol and Split (Cro), 16-20 June 2025, pp. 1-6. ISBN: 978-953-290-142-9 -
Caligari, S.; Randazzo, V.; Giustetto, C.; Gaita, F.; Pasero, E. (2025)
ECG Images Analysis for the Prediction of Fatal Arrhythmic Events in Patients with Brugada Syndrome Based on a Vision Transformer Model. In: Advanced Neural Artificial Intelligence: Theories and Applications / Esposito A., Faundez-Zanuy M., Morabito F. C., Pasero E., Cordasco G., Singapore, Springer, pp. 13-22. ISBN: 9789819609932 -
Randazzo, Vincenzo; Sento, Marco; Pasero, Eros (2025)
ECG6L: A Real Time Wireless Portable Six-Lead ECG. In: 2025 IEEE Medical Measurements & Applications (MeMeA), Chania (Gre), 28-30 May 2025, pp. 1-6. ISSN 2837-5874. ISBN: 979-8-3315-2347-3 -
Delrio, F.; De Vitis, V.; Caligari, S.; Randazzo, V.; Cirrincione, G.; Pasero, E. (2025)
Enhancing ECG Analysis with a Hybrid Deep Learning Approach: Automatic Detection of Significant Features. In: Smart Innovation, Systems and Technologies / Esposito A., Faundez-Zanuy M., Morabito F. C., Pasero E., Cordasco G., Singapore, Springer Nature, pp. 23-33. ISBN: 9789819609932 -
Melchiorre, Jonathan; Anerdi, Costanza; Randazzo, Vincenzo; Marano, Giuseppe Carlo (2025)
Improving Concrete Mix Design Predictions with Machine Learning Algorithms. In: International Joint Conference on Neural Networks (IJCNN), Roma (Italy), 30 June - 5 July 2025, pp. 1-7. ISSN 2161-4393. ISBN: 979-8-3315-1042-8 -
Ghione, Giorgia; Randazzo, Vincenzo; Pasero, Eros; Badami, Marco (2025)
Optimal Cogeneration Scheduling: A Comparison of Genetic and POMDP-Based Deep Reinforcement Learning Approaches. In: IEEE ACCESS, vol. 13, pp. 128562-128581. ISSN 2169-3536 -
Delrio, Federico; Randazzo, Vincenzo; Cirrincione, Giansalvo; Pasero, Eros (2025)
Physics Informed Neural Network for Continuous and Cuffless Arterial Blood Pressure. In: 2025 IEEE International Conference on Artificial Intelligence for Learning and Optimization (ICoAILO), Bali (Idn), 07-09 August 2025, pp. 143-148. ISBN: 979-8-3315-6928-0 -
Pasero, Eros; Casella, Alessandro; Randazzo, Vincenzo (2025)
Towards Explainable AI in Cardiac Diagnostic: Attention-Based Interpretation of Brugada Syndrome. In: ICoAILO 2025 International Conference on Artificial Intelligence For Learning and Optimization, Bali (Idn), 7-9 August 2025, pp. 1-6. ISBN: 979-8-3315-6927-3 -
Casella, Alessandro; Randazzo, Vincenzo; Pasero, Eros (2025)
Unsupervised Defect Detection in Automotive Quality Inspection with Convolutional Autoencoder. In: International Joint Conference on Neural Networks (IJCNN), Roma (Ita), 30 June - 5 July 2025, pp. 1-8. ISSN 2161-4393. ISBN: 979-8-3315-1042-8 -
Ghione, G.; Judge, M. A.; Badami, M.; Pasero, E.; Franzitta, V.; Cirrincione, G. (2024)
A Comparison of Univariate Methods for Day-Ahead Short-Term Load Forecasting. In: 22nd IEEE Mediterranean Electrotechnical Conference, MELECON 2024, Porto (Portugal), 25-27 June 2024, pp. 662-667. ISSN 2158-8481. ISBN: 979-8-3503-8702-5