Sviluppo di un algoritmo di deep learning per la segmentazione dei tratti rettilinei e non-rettilinei durante il cammino a partire dai soli segnali sEMG = Development of a deep learning algorithm for the segmentation of straight walking and turning based on sEMG signals

In analisi del cammino, i protocolli sperimentali che richiedono al soggetto di camminare lungo un percorso non tracciato permettono di riprodurre condizioni di cammino simili a quelle della vita quotidiana. Tipicamente, il soggetto cammina avanti e indietro in rettilineo, invertendo la propria direzione in prossimità di ciascuna delle due estremità del rettilineo. Tale percorso, di fatto, è costituito dalla successione alternata di un tratto rettilineo ed un tratto non-rettilineo. Quest’ultimo coincide con la traiettoria “a U” del cambio di direzione a 180°. Lo studio del segnale elettromiografico di superficie (sEMG), acquisito durante l’esecuzione di protocolli di analisi del cammino, incontra l’esigenza di distinguere i brani di segnale acquisiti nel percorrere i tratti rettilinei da quelli acquisiti nel percorrere i tratti non-rettilinei. Il problema, ed obiettivo, della presente tesi è segmentare i segnali sEMG, per il riconoscimento delle due tipologie di tratti percorsi, in modo automatico e senza l’ausilio di ulteriori segnali (ad esempio, basografici e goniometrici). La tesi sviluppa tale problema di segmentazione automatica in termini di problema di classificazione binaria. Di fatto, l’obiettivo proposto è etichettare il singolo campione del segnale sEMG con la corrispettiva classe di appartenenza: classe dei tratti rettilinei oppure classe dei tratti non-rettilinei. A tal fine, il metodo adottato si basa su un algoritmo di deep learning: la rete neurale Bidirectional Long Short-Term Memory (BiLSTM). Il dataset è costituito dai segnali sEMG di 12 muscoli del tronco e di un arto inferiore, acquisiti da una popolazione di composizione mista, sana (9 soggetti giovani e 13 soggetti adulti) e patologica (20 soggetti affetti dal morbo di Parkinson). L’applicabilità delle reti neurali BiLSTM al problema in esame è analizzata mediante un dataset di 26 trials, eseguiti dai soggetti sani. Il metodo viene esplorato in termini di confronto tra due approcci di classificazione, il Sequence-to-Label (STL) ed il Sequence-to-Sequence (STS). Complessivamente, sono implementati 160 modelli BiLSTM in modo parallelo tra i due approcci. Alla selezione del modello migliore segue la sua ottimizzazione. Il classificatore viene ottimizzato, innanzitutto, valutando alcune variazioni della sua architettura. Poi, il dataset viene ampliato con 5 ulteriori trials di soggetti sani e 20 di pazienti parkinsoniani. Su tale dataset di 51 trials, mediante la 10-fold cross-validation, viene esaminata la robustezza delle prestazioni del modello e, successivamente, la loro dipendenza dalla numerosità di canali sEMG considerati. In seguito, a partire dal classificatore ottimizzato, viene definito ed ottimizzato l’algoritmo finale. Tale algoritmo fornisce accuracy media (± deviazione standard) pari al 77.8% ± 13.1%, sul dataset complessivo dei 51 trials, e pari al 76.1% ± 10.9%, su un ulteriore dataset di 10 trials (5 di soggetti sani e 5 di pazienti parkinsoniani), non compresi tra i 51. I due valori di accuracy indicati sono confrontabili. Lo sono anche i risultati medi (± deviazione standard) di altre metriche di classificazione considerate. Concludendo, l’algoritmo sviluppato fornisce risultati mediamente ripetibili e si configura come una prima soluzione robusta al problema. Sviluppi futuri potrebbero indirizzarsi verso la validazione dell'algoritmo su soggetti con locomozione compromessa da altre patologie e verso la sua ulteriore ottimizzazione.