Classificazione della Fatica Tramite Segnale ECG-HRV: Modello SVM e Validazione Rispetto a Parametri Metabolici = Classification of Fatigue Using ECG-HRV Signals: SVM Model and Validation Compared to Metabolic Parameters

La valutazione oggettiva della fatica in contesti di monitoraggio continuo rappresenta una sfida aperta. Questo studio propone un approccio basato su segnali elettrocardiografici (ECG) acquisiti tramite dispositivi indossabili, finalizzato a stimare e classificare automaticamente diversi livelli di intensità della fatica. L'attività sperimentale è stata condotta su undici soggetti mediante un protocollo ciclistico sub-massimale ispirato al test di Ekblom-Bak, articolato in tre fasi di crescente intensità (riposo, fatica moderata, fatica elevata). Durante le prove sono stati acquisiti simultaneamente i segnali ECG con dispositivo MotemaSens (OT Bioelettronica), la frequenza cardiaca attraverso fascia Garmin HRM-Dual, i dati metabolici di riferimento tramite il sistema Cosmed K5 e la potenza erogata dal cicloergometro (Technogym). La stima del consumo di ossigeno è stata ottenuta mediante un modello predittivo derivato dalla frequenza cardiaca e dalla potenza erogata. Il confronto con i valori misurati dal Cosmed K5 ha mostrato una buona concordanza; infatti, otto su dieci soggetti hanno presentato un errore relativo medio intorno al 10%, rientrando nei limiti accettati per la validazione di test sub-massimali, mentre un partecipante è risultato outlier per anomalie nella risposta cardiaca. A partire da tale confronto, sono state definite le etichette di riferimento dei tre stati di fatica (riposo, media fatica, alta fatica), utilizzate come variabile target per l'addestramento del classificatore basato sui parametri di variabilità cardiaca. Dai tracciati ECG, preprocessati e filtrati in tempo reale, sono stati estratti dieci parametri di variabilità della frequenza cardiaca (HRV), appartenenti ai domini temporale e non lineare. Tali features sono state impiegate per addestrare un classificatore Support Vector Machine (SVM) con kernel radiale (RBF) e normalizzazione robusta, validato mediante cross-validazione Leave-One-Out. Le prestazioni del modello sono state valutate tramite le metriche di precisione, richiamo, F1-score e balanced accuracy. Il classificatore ha raggiunto una balanced accuracy complessiva dell'81,8%, mostrando una chiara distinzione tra le tre condizioni e un numero limitato di errori concentrati tra classi contigue di intensità. È stato inoltre introdotto un Indice di Intensità, calcolato come differenza tra la probabilità di appartenenza alle classi di alta fatica e di riposo, che si è dimostrato coerente con l'aumento progressivo dello sforzo percepito. I risultati dimostrano la fattibilità di un approccio basato esclusivamente su parametri ECG e HRV per la stima della fatica, aprendo la strada a future applicazioni in ambito sportivo, ergonomico e clinico, nell'ottica di sistemi indossabili per il monitoraggio continuo e personalizzato del carico fisiologico.