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
Federica Russo
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.
Rel. Marco Ghislieri, Valentina Agostini. Politecnico di Torino, Corso di laurea magistrale in Ingegneria Biomedica, 2024
Abstract
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
Tipo di pubblicazione
URI
 |
Modifica (riservato agli operatori) |
