Metodo innovativo e non invasivo per la predizione della concentrazione del lattato nel sangue basato su deep learning = Innovative and Non-Invasive Method for Blood Lactate Concentration Prediction Based on Deep Learning

Il monitoraggio della concentrazione di lattato sta diventando sempre più un tema di grande interesse, soprattutto in ambito sportivo, riuscendo a delineare soglie specifiche di allenamento e fornendo spunti per una programmazione degli esercizi specifica per ogni atleta. Tuttavia, le tecniche di misurazione attualmente disponi bili continuano ad essere invasive, richiedendo il prelievo di campioni di sangue e restituendo una singola misura per ognuno di questi. Questo lavoro di tesi si inserisce in tale contesto e mira a dimostrare la correlazione tra segnali fisiologici acquisiti mediante un sensore non invasivo e concentrazioni note di lattato nel sangue ([Lac]blood). L’idea di base è che diverse concentrazioni di lattato siano correlate alle compo nenti continue dei segnali analizzati. L’obiettivo finale è lo sviluppo di un sensore in grado di fornire informazioni relative alle concentrazioni di lattato in modo continuo, utilizzabile durante allenamenti, competizioni o nella vita quotidiana, senza bisogno di nessun prelievo sul soggetto. I segnali scelti per l’analisi sono il segnale fotopletismografico (PPG) e il seg nale di bioimpedenza (BIA). Entrambi sono stati acquisiti mediante una scheda progettata dall’azienda STMicroelectronics, dotata di un’ottica per la rilevazione del PPG e di collegamenti per gli elettrodi necessari alla misurazione della BIA. Durante il progetto è stata condotta una campagna di acquisizione dati, nec essaria in quanto non erano disponibili dataset preesistenti. Questo lavoro ha permesso di costruire un dataset che è stato successivamente utilizzato per l’analisi. In particolare, sono stati valutati due metodi per l’estrazione delle caratteristiche (features): uno manuale e uno automatico tramite reti neurali convoluzionali (CNN). Successivamente, è stata analizzata l’effettiva correlazione tra i segnali acquisiti e i valori noti di lattato, con una valutazione delle performance dei due approcci. A causa del ridotto numero di pazienti nel dataset, una cross-validazione con metodo Leave-One-Patient-Out (LOPO) è stata utilizzata per simulare una condizione relativa alla numerosità del dataset più adatta al problema. Alle fine dello studio si sono osservati ottimi risultati per entrambi i metodi di estrazione delle features, con delle performance migliori per il caso dell’estrazione tramite CNN. Questo dimostra una correlazione tra segnali e valori noti, fornendo un punto di partenza e spunti utili per l’affinamento della tecnica.