Analisi multimodale del Freezing Of Gait nella malattia di Parkinson: uno studio preliminare = Multimodal analysis of Freezing of Gait in Parkinson's disease: a preliminary study

Il Parkinson è la seconda malattia neurodegenerativa più comune che si sviluppa soprattutto con l’avanzare dell’età: colpisce infatti circa il 3% degli individui sopra i 65 anni in tutto il mondo. Negli stadi più avanzati, uno dei sintomi più debilitanti e pericolosi è il congelamento dell’andatura (FOG – Freezing Of Gait) definito come una “breve ed episodica assenza, o marcata riduzione, della progressione in avanti del passo nonostante l'intenzione di camminare”. Il FOG aumenta il rischio di cadute e riduce drasticamente la qualità della vita dei pazienti e dei rispettivi caregivers. Questo studio propone l'analisi di tale fenomeno attraverso algoritmi di Machine Learning in un’ottica multimodale, andando ad indagare la presenza di features significative nel dominio del tempo e della frequenza, provenienti dall’attività cerebrale, dal movimento e dalla conduttanza cutanea, con l'obiettivo di migliorare le performance di riconoscimento. A tal fine, si implementa una classificazione binaria che sia grado di discriminare gli episodi FOG da quelli non-FOG; inoltre, si indaga la presenza di pattern associati ad una fase pre-FOG, fattore importante per future implementazioni real-time che siano in grado di avvisare il soggetto prima dell’on-set dell’episodio e di intervenire per tempo tramite la somministrazione di particolari stimoli, al fine di evitarlo. La classificazione viene effettuata sia con un algoritmo di tipo user-independent e validazione di tipo Leave-One-Subject-Out che con un algoritmo di tipo user-dependent e una validazione di tipo Leave-One-Task-Out. Da questa analisi, è emerso che i segnali di accelerometro e giroscopio, posizionati nel muscolo tibiale, forniscono delle informazioni significative nella classificazione user-independent; questo è in linea con altri studi, i quali focalizzano l’analisi e la previsione del fenomeno utilizzando dei sensori indossabili posizionati sugli arti inferiori e/o nella parte bassa della schiena. Contrariamente, le informazioni provenienti dal sensore inerziale posizionato sul polso e dall’attività cerebrale non hanno evidenziato dei pattern comuni, ma delle features user-dipendenti. Quanto ottenuto nel caso del polso è in accordo con il fatto che, durante il FOG, non tutti i pazienti possono presentare lo stesso trend nel movimento delle braccia e pertanto le features calcolate possono non essere ugualmente informative per tutti i soggetti. Infine, l’analisi del segnale di conduttanza cutanea non ha permesso di ottenere alcun indice significativo nonostante ci si aspettasse, anche in questo caso, una risposta soggetto-dipendente. Questo può essere riconducibile alla scarsa qualità e rumorosità del segnale grezzo di partenza, molto difficile da acquisire durante i test in laboratorio in cui i pazienti sono soggetti ad uno status di stress aggiuntivo. In conclusione, tale studio, seppur preliminare, dimostra l'importanza di avere a disposizione Dataset multimodali che offrano la possibilità di analizzare il fenomeno da più punti di vista, aiutando nella sua comprensione. In un’ottica futura di implementazione real-time, visto l’emergere della tecnologia indossabile, utilizzabile in tale contesto, l’analisi di un Dataset più ampio sarebbe utile per incrementare la robustezza degli algoritmi implementati.