Il telemonitoraggio di soggetti fragili: applicazioni dell’analisi del passo all’interno di ambienti intelligenti = Remote Monitoring of Vulnerable Individuals: Applications of Gait Analysis in Smart Environments

L'analisi del cammino è un importante strumento per valutare la salute del paziente e diagnosticare patologie motorio/cognitive, utilizzata principalmente in ospedali e cliniche specializzate. Negli ultimi anni, specie con la pandemia Covid-19, l'idea di monitorare i pazienti a distanza tramite sensori indossabili, minimamente invasivi si è diffusa maggiormente. Questo approccio offre la possibilità di seguire quotidianamente e a lungo termine la mobilità di soggetti fragili, come anziani, bambini con sindrome dolorosa cronica e pazienti affetti da sclerosi multipla, riducendo la necessità di recarsi nella struttura ospedaliera. Inoltre, implementando piattaforme cloud, i dati registrati diventano accessibili al personale medico, facilitando il follow-up post-dimissione e offrendo un quadro clinico più completo. I sistemi di telemonitoraggio dunque permettono di migliorare la qualità di vita del paziente e consentono anche uno snellimento organizzativo ed economico per il sistema sanitario, rendendolo più efficiente. La tesi si inserisce in questo contesto e mira a esplorare l'uso di sensori per l'analisi del passo, con un approccio di telemonitoraggio, in un ambiente che simuli quello domestico, facendo acquisizioni su soggetti sani. Questo studio rappresenta il punto di partenza per ulteriori sviluppi in cui le medesime tecnologie di monitoraggio verranno applicate su pazienti affetti da patologie. La ricerca è stata condotta presso l'Istituto Italiano di Tecnologia (IIT) di Genova, all'interno del progetto europeo Raise Spoke 2, che mira proprio a sviluppare dispositivi per il supporto al paziente anche da remoto. Durante la tesi, sono stati esaminati i sensori pavimento sensorizzato e solette sensorizzate, per comprendere il loro funzionamento e i dati raccolti e sono stati sviluppati algoritmi in Matlab per estrarre parametri che caratterizzano la camminata. Il pavimento sensorizzato ha permesso di rilevare parametri spaziali e spazio-temporali come la lunghezza del passo, l'ampiezza, la velocità e la cadenza, mentre le solette sensorizzate hanno permesso di identificare le fasi di appoggio e pendolamento attraverso i dati di pressione plantare. In particolare, per il riconoscimento delle fasi della camminata, sono stati implementati e confrontati due modelli di intelligenza artificiale: l'algoritmo ANFIS, basato su logica fuzzy, e l'algoritmo YOLO, che sfrutta tecniche di deep learning per la classificazione di immagini. I risultati ottenuti sono stati confrontati con quelli di un sistema di motion capture Vicon e di pedane di forza, considerati come gold standard. In futuro, gli algoritmi saranno testati su pazienti negli Ospedali Galliera e Gaslini, in spazi predisposti per nuove analisi. Lavorando in questa prospettiva, un altro obiettivo fondamentale sarà facilitare il dialogo ingegneristico e medico, rendendo i dati raccolti facilmente consultabili dal personale clinico: verranno dunque sviluppate interfacce grafiche per visualizzare in tempo reale i parametri della camminata. Questo lavoro è stato finanziato dall'Unione Europea - NextGenerationEU e dal Ministero dell'Università e della Ricerca (MUR), Piano Nazionale di Ripresa e Resilienza (PNRR), Missione 4, Componente 2, Investimento 1.5, progetto "RAISE - Robotics and AI for Socio-economic Empowerment" (ECS00000035).