Deep Learning per analisi di dati di riabilitazione propriocettiva e posturale = Deep Learning for the analysis of postural and proprioceptive rehabilitation data

Lo studio della propriocezione ricopre un ruolo fondamentale in ambito sportivo e riabilitativo. Questa tesi è stata svolta in collaborazione con il dott. Riva, presidente della società internazionale di propriocezione e postura, che ha sviluppato e perfezionato negli anni un sistema di allenamento della propriocezione. Il lavoro di tesi ha avuto lo scopo di creare una rete di Deep Learning capace di predire lo score di propriocezione di un paziente a partire da una serie di esercizi di allenamento. Tale score ci permette di definire una sequenza di esercizi personalizzata in grado di migliorare effettivamente le performance di propriocezione. Per la realizzazione della rete, sono stati utilizzati i dati di 37 pazienti che hanno svolto mediamente 389 esercizi ciascuno nel corso di decine di sessioni di allenamento ad alta frequenza. I dati raccolti si suddividono in una componente qualitativa che descrive la tipologia di esercizio e una quantitativa dove sono presenti i segnali dei sensori utilizzati (una tavoletta oscillante e un accelerometro). In particolare, lo studio si è concentrato, in un primo momento, nell’analisi della tipologia degli esercizi facendo una statistica completa dei dati raccolti, dalla frequenza degli esercizi svolti alla definizione di sessione di allenamento, per poi passare alla classificazione degli stessi. I dati relativi alle serie temporali dei segnali sono stati elaborati al fine di costruire un dataset da porre in input alla rete. La costruzione della rete è stata svolta mediante l’utilizzo di un dataset di prova con caratteristiche simili a quelle oggetto di analisi della tesi. Ciò ha permesso la creazione di una rete di benchmark da utilizzare come metro di giudizio delle performance in un problema sia regressivo che di classificazione. La peculiarità della rete risiede nell’inserimento di un layer di Attention che permette di migliorare l’analisi del problema delle serie temporali, pesando gli input in modo diverso e funzionale al proprio livello informativo.