Analisi delle transizioni posturali nella malattia di Parkinson utilizzando sensori inerziali indossabili. = Analysis of postural transitions in Parkinson's disease using wearable inertial sensors.

La malattia di Parkinson è una patologia neurodegenerativa causata dalla morte dei neuroni dopaminergici e che colpisce principalmente gli anziani. Tale patologia si manifesta con una serie di sintomi che possono essere di tipo motorio e non motorio, che possono compromettere la qualità della vita quotidiana. Per valutare la progressione dei sintomi vengono utilizzate delle scale di valutazione (come la scala UPDRS), assegnando un punteggio in base alla gravità della malattia; tuttavia, queste scale sono soggettive e non permettono di ottenere dei risultati affidabili e questo ha un impatto negativo sulla diagnosi. L’utilizzo di sensori indossabili ha permesso di ottenere una valutazione più oggettiva e più accurata grazie anche al machine learning. Lo scopo di questo studio è quello di estrarre delle feature e utilizzarle per valutare la gravità della malattia attraverso dei modelli di machine learning. Il dataset comprende 26 pazienti con diagnosi certa di malattia di Parkinson. L’acquisizione dei segnali è stata effettuata tramite un accelerometro triassiale e un giroscopio triassiale integrati in uno smartphone posizionato nella parte bassa della schiena del soggetto durante l’esecuzione delle inversioni di marcia e delle transizioni posturali. Dai segnali sono state estratte delle feature nei due domini, tempo e frequenza, basandosi su una ricerca bibliografica e sull’osservazione dei segnali. Successivamente è stata effettuata la selezione delle feature più rilevanti al fine della valutazione e, sulla base di queste feature, sono stati allenati diversi modelli di machine learning. I modelli sono stati allenati e testati per la regressione supervisionata basata sul punteggio UPDRS sia considerando le attività singolarmente sia combinando i loro dati. Le prestazioni sono state valutate mediante l’errore quadratico medio, l'errore assoluto medio e il coefficiente di correlazione di Pearson. Confrontando le prestazioni ottenute, è stato scelto il modello di regressione che meglio permette di predire il punteggio UPDRS. I risultati indicano che combinando le varie attività le prestazioni risultano in media migliori nel predire il punteggio UPDRS rispetto a considerarle singolarmente.