polito.it
Politecnico di Torino (logo)

Sviluppo di un algoritmo di deep learning per la segmentazione dei tratti rettilinei e non-rettilinei durante il cammino a partire dai soli segnali sEMG = Development of a deep learning algorithm for the segmentation of straight walking and turning based on sEMG signals

Ilaria Bellomo

Sviluppo di un algoritmo di deep learning per la segmentazione dei tratti rettilinei e non-rettilinei durante il cammino a partire dai soli segnali sEMG = Development of a deep learning algorithm for the segmentation of straight walking and turning based on sEMG signals.

Rel. Valentina Agostini, Marco Ghislieri. Politecnico di Torino, Corso di laurea magistrale in Ingegneria Biomedica, 2020

[img] PDF (Tesi_di_laurea) - Tesi
Restricted to: Repository staff only until 21 October 2021 (embargo date).
Licenza: Creative Commons Attribution Non-commercial No Derivatives.

Download (6MB)
Abstract:

In analisi del cammino, i protocolli sperimentali che richiedono al soggetto di camminare lungo un percorso non tracciato permettono di riprodurre condizioni di cammino simili a quelle della vita quotidiana. Tipicamente, il soggetto cammina avanti e indietro in rettilineo, invertendo la propria direzione in prossimità di ciascuna delle due estremità del rettilineo. Tale percorso, di fatto, è costituito dalla successione alternata di un tratto rettilineo ed un tratto non-rettilineo. Quest’ultimo coincide con la traiettoria “a U” del cambio di direzione a 180°. Lo studio del segnale elettromiografico di superficie (sEMG), acquisito durante l’esecuzione di protocolli di analisi del cammino, incontra l’esigenza di distinguere i brani di segnale acquisiti nel percorrere i tratti rettilinei da quelli acquisiti nel percorrere i tratti non-rettilinei. Il problema, ed obiettivo, della presente tesi è segmentare i segnali sEMG, per il riconoscimento delle due tipologie di tratti percorsi, in modo automatico e senza l’ausilio di ulteriori segnali (ad esempio, basografici e goniometrici). La tesi sviluppa tale problema di segmentazione automatica in termini di problema di classificazione binaria. Di fatto, l’obiettivo proposto è etichettare il singolo campione del segnale sEMG con la corrispettiva classe di appartenenza: classe dei tratti rettilinei oppure classe dei tratti non-rettilinei. A tal fine, il metodo adottato si basa su un algoritmo di deep learning: la rete neurale Bidirectional Long Short-Term Memory (BiLSTM). Il dataset è costituito dai segnali sEMG di 12 muscoli del tronco e di un arto inferiore, acquisiti da una popolazione di composizione mista, sana (9 soggetti giovani e 13 soggetti adulti) e patologica (20 soggetti affetti dal morbo di Parkinson). L’applicabilità delle reti neurali BiLSTM al problema in esame è analizzata mediante un dataset di 26 trials, eseguiti dai soggetti sani. Il metodo viene esplorato in termini di confronto tra due approcci di classificazione, il Sequence-to-Label (STL) ed il Sequence-to-Sequence (STS). Complessivamente, sono implementati 160 modelli BiLSTM in modo parallelo tra i due approcci. Alla selezione del modello migliore segue la sua ottimizzazione. Il classificatore viene ottimizzato, innanzitutto, valutando alcune variazioni della sua architettura. Poi, il dataset viene ampliato con 5 ulteriori trials di soggetti sani e 20 di pazienti parkinsoniani. Su tale dataset di 51 trials, mediante la 10-fold cross-validation, viene esaminata la robustezza delle prestazioni del modello e, successivamente, la loro dipendenza dalla numerosità di canali sEMG considerati. In seguito, a partire dal classificatore ottimizzato, viene definito ed ottimizzato l’algoritmo finale. Tale algoritmo fornisce accuracy media (± deviazione standard) pari al 77.8% ± 13.1%, sul dataset complessivo dei 51 trials, e pari al 76.1% ± 10.9%, su un ulteriore dataset di 10 trials (5 di soggetti sani e 5 di pazienti parkinsoniani), non compresi tra i 51. I due valori di accuracy indicati sono confrontabili. Lo sono anche i risultati medi (± deviazione standard) di altre metriche di classificazione considerate. Concludendo, l’algoritmo sviluppato fornisce risultati mediamente ripetibili e si configura come una prima soluzione robusta al problema. Sviluppi futuri potrebbero indirizzarsi verso la validazione dell'algoritmo su soggetti con locomozione compromessa da altre patologie e verso la sua ulteriore ottimizzazione.

Relators: Valentina Agostini, Marco Ghislieri
Academic year: 2020/21
Publication type: Electronic
Number of Pages: 118
Subjects:
Corso di laurea: Corso di laurea magistrale in Ingegneria Biomedica
Classe di laurea: New organization > Master science > LM-21 - BIOMEDICAL ENGINEERING
Aziende collaboratrici: UNSPECIFIED
URI: http://webthesis.biblio.polito.it/id/eprint/15802
Modify record (reserved for operators) Modify record (reserved for operators)