Sviluppo di una rete neurale artificiale per il riconoscimento degli intervalli di attivazione muscolare nei segnali EMG di superficie e confronto con lo stato dell'arte. = Development of an Artificial Neural Network for muscle activity detection from surface EMG signals and comparison with the state of the art.

È riconosciuto che l’elettromiografia sia uno strumento utile per la caratterizzazione del sistema neuromuscolare. In particolare, l’elettromiografia di superficie, dato il suo carattere non invasivo, può essere sfruttata per valutare l’attività muscolare anche in condizioni dinamiche, come il cammino. Lo scopo di questo lavoro di tesi è quello di individuare un metodo di riconoscimento robusto dell’attività muscolare, pensato per avere applicazione nell’analisi del cammino. A tal proposito, il lavoro si è basato sul confronto fra tre algoritmi differenti: uno tradizionale basato su operatore energetico Teager-Kaiser, che prevede l’imposizione di una soglia, un detettore statistico a doppia soglia ed uno basato su tecniche di machine learning, completamente ideato in questa tesi. Per lo sviluppo di quest’ultimo, si è implementata una Artificial Neural Network di tipo Perceptron, ad un layer nascosto, che viene allenata sulla base di 15 features estratte dai segnali sEMG a riconoscere l’attività muscolare. Per valutare la funzionalità dell’approccio, l’algoritmo è stato testato inizialmente su un dataset di segnali sintetici, simulati con SNR differenti. Successivamente, si è effettuato il passaggio ad un dataset di segnali reali relativi ad analisi del cammino, appartenenti a 26 soggetti (8 sani e 18 pazienti affetti da differenti patologie). Nel caso reale, come gold standard per l’estrazione delle features, sono state utilizzate le segmentazioni manuali dei segnali effettuate da parte di 3 operatori. Al termine, le prestazioni dei diversi metodi analizzati sono state valutate attraverso parametri specifici, scelti per effettuare il confronto. In particolare, si è valutata la bontà della classificazione dei segnali in termini di precision, recall e F1_score e la similarità tra le finestre di attivazione ottenute e i relativi gold standard attraverso il coefficiente di Dice. Nel caso dei segnali sintetici sono stati valutati anche il bias temporale nelle attivazioni muscolari individuate, la relativa deviazione standard e il numero di transizioni errate. I risultati mostrano che nel caso dei segnali sintetici, a bassi valori di SNR, le prestazioni migliori sono raggiunte dal metodo basato su ANN, per tutti i parametri considerati. A queste seguono quelle del TKEO ed infine del detettore statistico. Man mano che l’SNR aumenta, le prestazioni dei 3 metodi diventano confrontabili, anche se l’ANN resta vincente in tutti i parametri, fatta eccezione per la precision. Nel caso dei segnali reali invece, non c’è un metodo che si distingue particolarmente dagli altri; le prestazioni degli algoritmi basati su TKEO e ANN risultano confrontabili, mentre quelle del detettore statistico sono inferiori. In conclusione i 3 metodi di detezione dell’attività muscolare esaminati risultano tutti in grado di fornire buone prestazioni per il loro obiettivo, sebbene il detettore statistico, in media, si sia dimostrato il metodo con performance peggiori. Tuttavia, va considerato che il metodo basato su TKEO è in realtà semi-automatico, in quanto richiede la conoscenza a priori di un tratto di segnale contenente solo rumore di fondo, per poter definire la soglia. Il detettore statistico è automatico, ma richiede in ingresso il valore dell’SNR e della potenza di rumore del segnale EMG, che devono essere estratti attraverso un altro algoritmo. L’approccio basato su rete neurale invece, oltre ad essere automatico, non necessita di alcun parametro in ingresso.