Algoritmi basati sull’intelligenza artificiale per l’identificazione del cammino in curva in soggetti sani e patologici = Artificial Intelligence-based approaches for the identification of curved gait in healthy and pathological subjects

Spesso, nell’analisi del cammino, è richiesto al soggetto di eseguire un percorso caratterizzato dalla successione di tratti rettilinei e curvilinei. Per l’identificazione delle suddette fasi, l’operatore inserisce manualmente dei marker, ricorrendo alla visione di riprese video, una procedura onerosa dal punto di vista del tempo impiegato. In tale scenario, la presente tesi si propone di sviluppare algoritmi per la segmentazione automatica di eventi rettilinei e di curva all’interno di un protocollo di analisi del cammino e di estendere l’applicabilità del modello anche a contesti clinici, riducendo al massimo la strumentazione necessaria. Il dataset a disposizione include i segnali basografici e goniometrici acquisiti da una popolazione di individui sani (18 soggetti) e patologici (14 soggetti affetti da morbo di Parkinson). Sono stati sviluppati due diversi approcci di classificazione: k-means clustering e Multi-Layer Perceptron (MLP). Per il k-means, si è ricorso all’utilizzo in parallelo di due classificatori, uno per la gamba destra ed uno per la gamba sinistra, che prendono in input cinque features estratte rispettivamente dai passi destri e sinistri. La fase di post-processing prevede la conversione dei due output ‘by cycle’ in output ‘by sample’ ed il successivo merge tra i due lati. Per il MLP, invece, è stato sviluppato un approccio ‘by sample’, dando in ingresso al classificatore una matrice ottenuta dalla segmentazione dei segnali in finestre temporali con overlap. Sono stati implementati numerosi modelli MLP, variandone l’architettura con il tuning dei parametri e tra questi è stato selezionato quello migliore, costituito da un solo hidden layer. In base ai risultati della cross-validazione e dell’analisi statistica, entrambi gli approcci hanno evidenziato risultati buoni in termini di accuratezza e F1-score. L’accuratezza media sul test set è del 91.1 ± 1.9 % per il k-means e del 85.1 ± 11.2 % per il MLP; i valori di F1-score sono rispettivamente del 80.0 ± 5.4 % e del 86.8 ± 8.5 %. Il tempo computazionale medio per la classificazione rettilineo/curva è di 19.3 ± 0.9 ms per il k-means e di 11.8 ± 1.1 ms per il MLP. Facendo un bilancio tra prestazioni, tempo computazionale e complessità del modello, emerge che il MLP rispetta maggiormente gli obiettivi di partenza del presente lavoro di tesi. Tale approccio, ancora aperto a miglioramenti futuri, si distingue infatti per essere un modello semplice di machine learning, di veloce implementazione ed adattabile a differenti contesti e popolazioni.