Valutazione Comparativa di Algoritmi di Machine Learning per l’Analisi Temporale e Multimodale per la Classificazione di Processi Riabilitativi in Telemedicina

La telemedicina e la riabilitazione sono processi che stanno diventando e diventeranno sempre più connessi fra loro. Tantissimi episodi di terapia vengono svolti dal paziente in casa e, dunque, vi è un impellente bisogno di creare nuovi metodi per aiutare chi è in cura a raggiungere i migliori risultati possibili in un ambiente domestico senza l'utilizzo di sensori. Grazie ai dati forniti dall'Istituto Ortopedico Rizzoli ho creato due dataset, uno basato su video di pazienti che eseguono 5 diversi esercizi fisici con i relativi score e l'altro formato dai dati demografici di questi soggetti. L'obiettivo della tesi è classificare le ripetizioni automaticamente con 5 diversi punteggi sviluppando due tipi di reti neurali: quelle specializzate su dati di serie temporali che adoperano l'architettura InceptionTime; quelle tabulari che, sfruttando i dati demografici forniti dai medici, sono state utilizzate anche come reti multimodali. A questo punto lo studio si domanda se e quanto i dati demografici possano aiutare nel miglioramento della classificazione, confrontando i risultati anche con un modello di machine learning tradizionale: il Random Forest. Le reti neurali hanno ottenuto performance altissime, in particolar modo quelle allenate sulle serie temporali, risultando estremamente utili per un utilizzo concreto. Viene dimostrato inoltre come, i dati demografici forniti, non siano stati utili ai fini della classificazione.