Abstract
La crescente potenza di calcolo e capacità di immagazzinamento dati della strumentazione acustica fa sì che si ponga sempre più attenzione verso i monitoraggi a lungo termine. Questa grande quantità di dati spiana la strada all'utilizzo di tecniche di machine learning. L'utilizzo di algoritmi sofisticati, principalmente basati su assunzioni statistiche, permette di ampliare le capacità di analisi dei tecnici acustici di contesti complessi. Il presente lavoro vuole proporre un metodo basato su tecniche di machine learning per separare, identificare e misurare diverse sorgenti sonore coesistenti in scenari reali monitorati tramite un fonometro. Sono presentati quattro casi studio in cui il metodo proposto è stato applicato. Due casi studio riguardano il monitoraggio di lezioni universitarie per separare il parlato dell'insegnante dal chiacchiericcio degli studenti. Questo permette di misurare il grado di attenzione degli studenti durante le lezioni. Altri due casi studio invece riguardano il monitoraggio di due uffici con più postazioni lavorative in cui sono state separate le sorgenti di rumore dal parlato dei lavoratori.