Validazione di algoritmi per la stima dei parametri spaziali del passo e activity recognition tramite solette smart

L’analisi del cammino riveste un ruolo fondamentale nel monitoraggio di diverse patologie, tra cui la Sclerosi Multipla (SM). La disabilità motoria rappresenta uno dei sintomi più comuni e invalidanti della malattia; per questo motivo, quantificare la compromissione dell’andatura è importante quando si valutano nuovi interventi per il trattamento della SM. Grazie allo sviluppo tecnologico degli ultimi anni, è possibile ottenere misure oggettive dell’andatura dei pazienti tramite l’utilizzo di sensori inerziali indossabili (IMU). Dai dati grezzi ottenuti dalle IMU è possibile estrarre i parametri spazio-temporali del passo, che risultano diversi nei controlli sani rispetto ai pazienti con SM e presentano un peggioramento con l'avanzare della malattia. Un’altra componente importante nel trattamento di diverse condizioni patologiche è il monitoraggio dell’attività quotidiana. Questo permette al medico di monitorare il livello di mobilità del paziente e quindi la sua indipendenza. Infine, il numero di passi giornalieri è un indicatore valido del comportamento di deambulazione nella vita di tutti i giorni. Questa tesi si inserisce in un lavoro di validazione dei parametri del passo misurabili tramite le solette smart di eSteps, start up che si occupa della disabilità motoria in pazienti con SM. Il lavoro ha due obiettivi principali nel contesto iniziale dell’utilizzo della strumentazione su soggetti sani: i) validazione di un algoritmo per l’estrazione di parametri cinematici del cammino quali, lunghezza del passo e velocità; ii) validazione di algoritmi di step detection e di activity recognition. I risultati ottenuti per i parametri spaziali del cammino mostrano un'accuratezza non ancora ottimale ma in linea con altri studi in letteratura. L'algoritmo per il calcolo dei passi giornalieri invece raggiunge un'accuratezza molto elevata (99%). Infine, la rete per il riconoscimento delle attività mostra un'accuratezza del 96% testandola con il dataset pubblico UMAFall.