4.4 Strumenti per l’identificazione delle attività
motorie
Negli ultimi anni uno dei settori sul quale si è concentrata maggiormente la ricerca scientifica, è lo sviluppo di strumenti utili all’identificazione automatica delle singole attività motorie. Questo è dovuto al loro impiego in molteplici settori, dal quello del benessere a quello sanitario. In ambito wellness o spor- tivo sono nati prodotti come i Google Glass, mini computer indossabili, o il rilevatore di attività Fitbit. Nel settore sanitario gli strumenti più utilizzati per l’“Activity Detection” sono il sistema stereofotogrammetrico e i disposi- tivi inerziali. Il primo, basato sull’uso di telecamere ad infrarossi, permette di identificare la posizione di specifici marker posti in zone caratteristiche del corpo umano. Benchè questa tecnica abbia un elevato grado di efficienza nel riconoscere le singole attività, il suo uso è limitato in laboratorio o in ambiente controllato. Questo è dovuto all’elevato costo ed ingombro del sistema, oltre che al suo non semplice utilizzo. I dispositivi indossabili sono un’ottima alter- nativa ai sistemi da laboratorio poichè economici, poco ingombranti e facili da utilizzare. Il loro funzionamento è basato su sensori inerziali in grado di cattu- rare il movimento del segmento corporeo su cui vengono posti. In letteratura esistono diversi esempi di utilizzo di sensori inerziali, in particolare dell’accele- rometro, come quello di Najafi [108], di Foerster [109] o di Kern [110], utilizzati per identificare sia attività statiche che dinamiche. Alcuni studi come quelli di Intille [111] o di Ermes [112], hanno ottenuto buoni risultati con l’impiego contemporaneo di più dispositivi. Questo approccio però non può essere utiliz- zato nella vita quotidiana a lungo termine, poichè la presenza di più dispositivi limita il movimento. Altri studi, come quello di Karantonis [113] o Sung [114], con l’utilizzo di un singolo dispositivo posto sul petto o sulla vita, hanno otte- nuto buoni risultati anche se non paragonabili con gli studi precedenti. Oltre alle tecniche di data-fusion, basate sull’elaborazione dei dati grezzi ac- quisiti dai sensori, ne esistono delle altre basate sull’utilizzo di classificatori. Queste ultime si basano sul concetto di apprendimento, ovvero da un insieme di dati noto a priori, vengono apprese delle caratteristiche, mediante le quali è possibile fare delle predizioni in maniera induttiva su dei nuovi dati presi in input. L’apprendimento si può dividere in due categorie:
• Apprendimento supervisionato, a sua volta divisibile in addestramento e predizione. L’addestramento è l’ottimizzazione di una serie di variabili, in base ad un set di dati di training di cui si conosce l’appartenenza ad una determinata classe. La predizione è la classificazione di un nuovo set di dati basandosi sulle informazioni raccolte dai dati di training.
• Apprendimento non supervisionato, classificazione di dati di input, in base alle loro similitudini, senza l’utilizzo di dati di training iniziali. Gli algoritmi sviluppati con questa tecnica hanno una complessità maggiore rispetto all’apprendimento supervisionato e richiedono un’ulteriore fase di validazione.
Nell’activity detection la classificazione mediante l’apprendimento supervisio- nato è basata su tre steps:
• Estrazione di features, per ogni attività nota, identifica a priori, vengono calcolate delle caratteristiche al fine di ottenere un vettore di caratteri- stiche di tutte le attività;
• Classificazione, generazione di un modello di classificazione basato sul vettore di caratteristiche precedentemente calcolato (ogni attività avrà associato un certo andamento delle caratteristiche);
• Predizione, generazione di un vettore di risposta per dati di cui non è nota la classificazione (si identifica a quale classe appartengono i nuovi dati presi in input).
Le caratteristiche, nel dominio del tempo, usate in letteratura per identificare le attività sono la magnitudo del segnale [115], la media, la deviazione stan- dard e le correlazioni tra i campioni dei tre assi [116]. Invece nel dominio della frequenza viene calcolata la trasformata di Fourier [117] o la trasformata Wa- velet [118]. I tipi di classificatori esistenti sono il “Decision Tree”, il “k-nearest neighbors” (k-NN), il “Navie Bayes”, le “Support Vector Machine” (SVM), le “Reti Neurali” e la “Linear Discriminant Analysis” (LDA). Il decision tree è una tecnica di classificazione ad albero, dove ogni nodo rappresenta un test effettuato sui dati in ingresso. Il soddisfacimento o meno della condizione por- ta a percorrere un ramo piuttosto che un altro, andando così a verificare una successiva condizione. Dopo aver testato n condizioni si arriverà all’ultimo no- do dell’albero, la foglia, ovvero l’assegnazione di una classe ai dati in ingresso testati. Le SVM permettono di ricavare una funzione di decisione che, me- diante addestramento su un certo set di training, permette di separare tutte le features in n regioni, ognuna associata ad una classe. Si deve trovare la funzione in grado di massimizzare la distanza tra i vettori di ogni classe. Il classificatore naive bayes viene utilizzato quando all’interno di una classe le caratteristiche sono indipendenti le une dalle altre. Esso richiede di conoscere a priori le probabilità condizionali delle classi. Nella sua fase di predizione, le features dei nuovi dati vengono classificate secondo la più grande probabilità di appartenenza ad una classe piuttosto che ad un’altra. Il k-NN è un algoritmo utilizzato per classificare dati, basandosi sulla vicinanza delle loro caratteristi- che con quelle di dati noti a priori e classificati. Lo spazio è diviso in n regioni
4.4 Strumenti per l’identificazione delle attività motorie in base alle posizioni dei dati di training e per considerare i vicini più vicini al dato in input considerato, si calcolano le distanze tra i punti. La classe viene scelta in base alla molteplicità della distanza minima tra le caratteristiche dei dati in input e quelle di training. Le distanze che possono essere considerate sono:
• Distanza Euclidea, misura la distanza tra due punti nel piano Euclideo; • Distanza di Minkowsky, distanza Euclidea elevata ad un generico espo-
nente λ;
• Distanza matrice quadrata, distanza tra i punti e una matrice quadrata simmetrica da loro generata;
• Distanza di Chebychev, massima distanza delle features tra due punti. La rete neurale è un modello matematico formato da “neuroni” artificiali che formano un gruppo di interconnessioni di informazioni. Le reti neurali sono sistemi adattativi che cambiano comportamento in base a delle informazioni interne o esterne e possono essere divise in tre livelli:
• Livello di ingresso (I), vengono ricevute le informazioni e adattate al livello dei neuroni di calcolo;
• Livello nascosto (H), è il livello di calcolo e può essere composto da più sottolivelli;
• Livello di uscita (O), vengono ottenute le informazioni di risposta dai neuroni e i risultati vengono forniti in uscita al sistema.
L’LDA è un metodo di classificazione che suppone che ogni classe generi dei dati diversi basati su diverse distribuzioni gaussiane. Esso comprende una fase di allenamento, stimando i dati di distribuzione gaussiana per ogni classe e pre- dizione, andando a trovare la classe con minor costo di errori di classificazione. In letteratura i miglior risultati di classificazione di attività sono stati raggiunti con l’uso dell’SVM [118] e del k-NN [119].
4.4.1 Sistemi di rilevazione della MP
Nello studio della MP e dei sintomi ad essa correlati i dispositivi più utilizzati sono la Kinect, il sistema Stereofotogrammetrico, l’elettromiografia, la piatta- forma di forza e i sistemi inerziali. La Kinect composta da una telecamera RGB, una di profondità con proiettore ad infrarossi, una monocroma CMOS e 4 microfoni per l’audio, permette l’interazione con la console senza controllore, ma mediante movimenti del corpo, comandi vocali o interazione con oggetti presenti nell’ambiente circostante. Lo svantaggio di questa strumentazione è il
costo non molto economico.
La stereofotogrammetria, costituita da due o più telecamere nel visibile o infra- rosso, è in grado di determinare la posizione di più marker messi sulla cute del soggetto rispetto ad un sistema di riferimento prescelto. L’elaborazione delle immagini acquisite dalle telecamere è un’operazione molto laboriosa, poichè in- clude fasi di sogliatura, individuazione dei marker, calibrazione e ricostruzione. Nonostante la sua elevata affidabilità è una strumentazione molto costosa ed utilizzabile solo in laboratorio.
L’elettromiografia di superficie è una tecnica che permette di verificare l’atti- vità muscolare mediante l’applicazione di elettrodi sulla cute del paziente, in prossimità dei muscoli da analizzare. I dati acquisiti da prove di cammino del paziente parkinsoniano vengono confrontati con quelli acquisiti su soggetti sani, al fine di valutare il cambiamento dell’attività muscolare in presenza della MP. Anche l’uso di questa strumentazione può esser effettuato solo in ambulatorio e in presenza di personale esperto, a causa del costo della strumentazione e della lunga fase di analisi e confronto dei risultati.
La piattaforma di forza permette di valutare i cambiamenti posturali e le pro- blematiche di equilibrio del soggetto in esame. Questa tecnica permette di analizzare sintomi della malattia come le torsioni del busto o la perdita di equilibrio. In genere è poco utilizzata a causa del suo eccessivo costo.
I dispositivi indossabili sono dei sistemi miniaturizzati, che grazie all’uso di accelerometro, giroscopio, magnetometro e barometro, permettono di acquisi- re informazioni sul movimento dell’arto sopra il quale vengono posti. Il loro grande utilizzo è legato alla loro economicità, portabilità, non invasività e fa- cilità di utilizzo. I principali sintomi analizzati mediante sistemi inerziali sono il tremore, il freezing e le fluttuazioni motorie.