Quantificazione automatica dei General Movements da analisi video: una valutazione metodologica

I neonati prematuri sono a rischio di sviluppare paralisi cerbrali e motorie. L'analisi dei General Movements è un metodo efficace per diagnosticare precocemente l'insorgenza di tali patologie, ma richiede conoscenze specifiche ed esperienza da parte di clinici specializzati. Al fine di affiancarli in questo lavoro, stanno sviluppandosi tecniche di riconoscimento e quantificazione automatica di tali movimenti compiuti dal neonato, basati sul tracciamento del movimento bidimensionale o tridimensionale, a partire da analisi video. In letteratura, tuttavia, non è presente un'analisi metodologica di tali tecniche, soprattutto per quanto riguarda la caratterizzazione dell'errore introdotto. Questo lavoro, pertanto, mira a colmare questa lacuna,confrontando i due software di tracciamento del movimento bidimensionale più utilizzati in questo ambito (OpenPose e DeepLabCut_TM). In particolare sono stati confrontate le prestazioni in termini di tempo impiegato ed è stato valutato l'errore commesso sui risultati in uscita, con analisi nel dominio dei tempi e delle frequenze. Per quanto riguarda DeepLabCut, questo è un software basato su algoritmi di apprendimento profondo (deep learning), per cui, dopo aver implementato il modello da utilizzare, è stato addestrato con iterazioni di training progressive, valutando poi i risultati delle analisi video con il modello così addestrato, per stabilire una soglia di cicli di iterazioni necessarie per gli scopi precedentemente descritti. Sono state infine calcolate le metriche, a partire da tali dati, valutandole al variare del tipo di dato in ingresso (grezzo, filtrato, interpolato).