Analisi delle attivazioni muscolari di atleti a seguito di ricostruzione del Legamento Crociato Anteriore tramite un algoritmo automatico basato su Deep Learning = Analysis of muscle activations in athletes following Anterior Cruciate Ligament reconstruction through an automatic algorithm based on Deep Learning

Le lesioni del legamento crociato anteriore (Anterior Cruciate Ligament, ACL) sono tra le più comuni e gravi lesioni del ginocchio che tipicamente si verificano durante la partecipazione sportiva. L’ACL è cruciale per garantire la stabilità articolare del ginocchio, rappresentando il principale vincolo statico contro la traslazione tibiale anteriore. L’intervento chirurgico di ricostruzione dell’ACL (ACLr) è l’attuale standard di cura per gli atleti attivi; tuttavia, anomalie nel controllo neuromuscolare possono persistere, le quali sono fortemente correlate con il rischio di lesioni secondarie dell’ACL. L’elettromiografia di superficie (sEMG) è una tecnica non invasiva che permette di valutare le tempistiche, l’intensità e la sincronizzazione delle contrazioni muscolari durante lo svolgimento di attività note per sollecitare l’ACL, quali esercizi di salto monopodalico. L’obiettivo della presente tesi è l’analisi delle attivazioni muscolari di atleti dopo ACLr e di atleti illesi, tramite l’estrazione di specifici parametri temporali a partire dai segnali sEMG di quattro muscoli stabilizzatori dell’articolazione di ginocchio. Per effettuare il suddetto studio, un algoritmo di Deep Learning è stato utilizzato per riconoscere automaticamente gli intervalli di attivazione muscolare. A tale fine, i segnali sEMG dei muscoli Vasto Laterale, Vasto Mediale, Semitendinoso e Bicipite Femorale di ventinove atleti, undici dei quali hanno subito ACLr, sono stati acquisiti presso l’Università degli Studi di Roma “Foro Italico” durante lo svolgimento di due esercizi di salto monopodalico. Inizialmente è stata valutata la capacità dell’algoritmo di Deep Learning proposto di riconoscere le attivazioni muscolari durante compiti dinamici. Successivamente, quattordici parametri temporali sono stati estratti a partire dagli intervalli di attivazione muscolare a ridosso del contatto iniziale del piede con il terreno (Initial Contact, IC) o dall’inviluppo lineare del segnale sEMG. Infine, opportune analisi statistiche sono state implementate per identificare eventuali differenze nel controllo neuromuscolare tra atleti infortunati ed atleti di controllo e tra lato affetto e non affetto degli atleti con ACLr. I risultati ottenuti hanno permesso di stabilire che l’algoritmo di Deep Learning proposto è uno strumento efficace nell’identificare automaticamente gli intervalli di attivazione muscolare durante esercizi di salto (accuratezza: 85,90±0,60%; F1-score: 88,71±0,54%; errore di pre-attivazione: 25,85±1,63 ms). Inoltre, sebbene tutti gli atleti dopo ACLr abbiano seguito un percorso riabilitativo, essi hanno mostrato un differente controllo neuromuscolare degli arti inferiori rispetto alla popolazione di controllo. In particolare, una maggiore pre-attivazione muscolare rispetto all’IC è stata riscontrata negli atleti con ACLr rispetto ai controlli (ACLr: -167±7 ms (media±SE); controlli: -136±4 ms). In aggiunta, i partecipanti con ACLr hanno esibito una maggiore asimmetria tra gli arti nella pre-attivazione muscolare, una maggiore co-contrazione dei muscoli posteriori della coscia e, infine, una maggiore asimmetria tra gli arti nella co-contrazione dei muscoli laterali, prima dell’atterraggio, rispetto ai controlli. Un algoritmo automatico, che si avvale del Deep Learning, potrebbe essere utilizzato per supportare il processo decisionale clinico nello sviluppo di un protocollo riabilitativo ottimale, al fine di minimizzare il rischio di re-infortunio dell’ACL e, pertanto, garantire un ritorno allo sport sicuro.