Analisi del movimento umano attraverso l'uso di sensori inerziali.

La rilevazione di malattie croniche, in particolare quelle che influenzano la mobilità come il morbo di Parkinson, presenta sfide significative nella diagnosi e nella gestione a causa della loro natura progressiva. Comprendere la correlazione tra l'attività fisica (PA) e la progressione delle malattie croniche è cruciale per sviluppare strategie di trattamento efficaci. Impegnarsi in attività fisiche fornisce preziose informazioni sulle routine quotidiane degli individui, le condizioni di salute, le abitudini e il benessere mentale. Il monitoraggio continuo delle attività motorie è essenziale per la rilevazione precoce, il tracciamento della progressione della malattia e la guida degli interventi terapeutici. I sistemi tradizionali di cattura del movimento ottico (OMC), considerati lo standard di riferimento per l'analisi del movimento, offrono alta precisione ma sono costosi, richiedono configurazioni complesse e sono limitati ad ambienti controllati. Queste limitazioni ne restringono l'applicabilità in contesti reali. Dati questi vincoli, questo progetto di tesi esplora il potenziale delle Unità di Misura Inerziali (IMU) come alternativa più accessibile, scalabile e pratica per il Riconoscimento delle Attività Umane (HAR) e la gestione delle malattie croniche. Gli IMU, che includono accelerometri e giroscopi, sono sensori indossabili capaci di rilevare e classificare accuratamente i movimenti umani in ambienti naturali per periodi prolungati. Questo approccio consente la raccolta continua di dati nel mondo reale, fondamentale per migliorare il monitoraggio delle condizioni croniche e migliorare i risultati dei pazienti attraverso interventi tempestivi. La ricerca sviluppa e convalida un sistema HAR , concentrandosi sull'identificazione di diversi schemi di movimento utilizzando sensori IMU Delsys. Lo studio esamina la relazione tra l'attività fisica quotidiana e la progressione delle malattie croniche, con particolare attenzione alla rilevazione di attività correlate a queste condizioni. Un protocollo sperimentale è stato implementato su 7 soggetti sani per stabilire una linea di base per la rilevazione delle attività rilevanti per le applicazioni cliniche previste. Questo protocollo ha anche facilitato la cattura simultanea dei dati di movimento da sensori IMU ed EMG, permettendo un'analisi complessiva delle loro prestazioni. Gli IMU sono state collocate strategicamente su diverse parti del corpo, come il polso, la coscia e la tasca, per determinare il posizionamento ottimale dei sensori per la rilevazione delle attività, garantendo al contempo il comfort del paziente. Diversi modelli di apprendimento automatico sono stati valutati per la loro capacità di classificare le diverse attività fisiche, con il modello di rete neurale Multilayer Perceptron (MLP) identificato come il modello più efficace, offrendo un equilibrio tra precisione ed efficienza computazionale. Le prestazioni del sistema hanno prodotto risultati soddisfacenti, indicando che le IMU possono raggiungere livelli di alta precisione per quasi tutte le posizioni. In conclusione, questa ricerca dimostra che gli IMU, combinate con algoritmi avanzati di apprendimento automatico, offrono un'alternativa valida ed economica ai tradizionali sistemi OMC per l'analisi del movimento umano.