Exploiting inertial sensing for human motion analysis and motor dynamics recognition

La crescente richiesta di monitoraggi continui, poco invasivi e a distanza del movimento umano sta orientando la biomeccanica verso l’uso di sensori indossabili, in particolare le unità di misura inerziali (IMU/MIMU). Sebbene i sistemi di motion capture da laboratorio restino il riferimento più accurato, costi elevati, complessità e volume di misura limitato ne impediscono l’uso prolungato e in contesti reali. I sensori inerziali rappresentano quindi un’alternativa promettente, pur introducendo sfide metodologiche come l’allineamento sensore–anatomia, la deriva del segnale e l’interpretazione dei dati in vita quotidiana, soprattutto in popolazioni con deficit motori. In questo contesto, questa tesi approfondisce le basi metodologiche, le strategie computazionali e le applicazioni pratiche dei sistemi basati su MIMU per l’analisi del movimento umano, concentrandosi su tre aree: riconoscimento delle attività (HAR), stima della cinematica degli arti inferiori e valutazione della stabilità dinamica tramite il margine di stabilità (MoS). L’obiettivo è sviluppare soluzioni indossabili accurate, robuste e clinicamente utili per il monitoraggio quotidiano. Il tema dell’HAR è stato investigato tramite due approcci: uno basato su algoritmi di machine learning “shallow” e uno su modelli di deep learning. Entrambi mostrano che una singola MIMU al polso può riconoscere gesti clinicamente rilevanti come bere o assumere una pillola. Configurazioni sensoriali essenziali hanno comunque prodotto elevata accuratezza. Caratteristiche ben ingegnerizzate hanno permesso ai modelli più semplici di raggiungere prestazioni comparabili a reti più complesse, mentre architetture ibride di deep learning hanno ulteriormente migliorato accuratezza e robustezza usando direttamente i segnali grezzi. È stato inoltre valutato il contributo informativo delle diverse tipologie di segnale. La tesi analizza anche la stima della cinematica degli arti inferiori per la valutazione del cammino e la riabilitazione. È stato sviluppato un nuovo metodo di identificazione degli assi anatomici, basato su movimenti funzionali e minimizzazione ai minimi quadrati degli assi elicoidali istantanei, per allineare il frame del sensore a quello anatomico e ottenere stime articolari significative e clinicamente coerenti. È stata inoltre valutata la possibilità di ridurre i movimenti richiesti nella fase di calibrazione senza compromettere l’accuratezza nel piano sagittale, analizzando anche le stime nei piani frontale e trasverso. La validazione è stata estesa oltre il cammino lineare, includendo compiti funzionali come la svolta e il Timed Up and Go, confermando l’applicabilità della metodologia a movimenti complessi e reali. Infine, la stabilità dinamica è stata esaminata tramite la stima del MoS utilizzando solo tre sensori inerziali. Un metodo completamente basato su MIMU per questa misura è ancora poco esplorato, e questo lavoro contribuisce a definirne la fattibilità come tecnica non invasiva per quantificare la stabilità dinamica, un indicatore cruciale del rischio di caduta, soprattutto negli anziani e nei soggetti fragili. Sebbene preliminari, i risultati mostrano un buon accordo tra misure inerziali e marker-based sia in soggetti sani sia in persone con Parkinson, evidenziando il potenziale dell’approccio e il ruolo diagnostico dei compiti di svolta. Nel complesso, questi contributi gettano le basi per tecnologie indossabili di nuova generazione a supporto della diagnosi precoce, della riabilitazione personalizzata e del monitoraggio a lungo termine della funzione motoria in contesti reali.