Sviluppo di algoritmi per rilevare la perdita di equilibrio causata da uno scivolamento

Il rischio di caduta rappresenta uno dei principali problemi per la sanità pubblica, essendo tra le maggiori cause di disabilità e mortalità nei soggetti anziani. Il crescente numero delle persone a rischio di caduta, associato alle conseguenze in termini di salute delle vittime e costi per la società, ha spinto molti gruppi di ricerca a sviluppare diverse strategie di assistenza. I ricercatori dell’Istituto di BioRobotica della Scuola Superiore Sant’Anna hanno recentemente dimostrato l’efficacia di una strategia attiva che promuove il recupero dell’equilibrio, a seguito di uno scivolamento antero-posteriore, grazie all’impiego di un esoscheletro di bacino. In particolare, questo dispositivo è in grado di rilevare l’eventuale perdita di equilibrio e di coadiuvare l’utilizzatore durante la fase di recupero. L’approccio proposto è stato testato sia con anziani sani che con amputati trans-femorali, dimostrando che l’assistenza fornita dal dispositivo è efficace [1]. Questo lavoro di tesi è incardinato nelle attività appena descritte e si propone di generalizzare la risposta dell’algoritmo di rilevamento della perdita dell’equilibrio (detection) per perturbazioni di diversa natura (scivolamenti multidirezionali) e usando diversi tipi di segnali (escursioni angolari dell’arto inferiore e accelerazioni di segmenti corporei). Per raggiungere questi obiettivi è stata analizzata la reazione di 15 individui sottoposti a scivolamenti somministrati durante il cammino, in direzione antero-posteriore (AP), medio-laterale (ML) e in una combinazione delle precedenti risultante in una perturbazione diagonale (D). Tutte le perturbazioni venivano somministrate da una piattaforma meccatronica in grado di emulare uno scivolamento mediante il movimento di due tappeti controllati indipendentemente [4]. I dati cinematici, registrati durante le sessioni sperimentali mediante sistemi stereo-fotogrammetrici, sono stati utilizzati per stimare le seguenti variabili: angoli di flesso-estensione di anca, ginocchio e caviglia, sia dell’arto perturbato che di quello controlaterale; accelerazioni del centro di massa (COM) e dei due talloni. Tali variabili sono state usate come ingressi per l’algoritmo di detection. L’algoritmo di detection è composto da due moduli: (1) un set di oscillatori adattivi (OA), che sono uno strumento matematico in grado di apprendere le principali caratteristiche matematiche di un segnale periodico e di generare una stima filtrata del segnale monitorato senza introdurre ritardi; e (2) un semplice algoritmo a soglia che analizza il segnale errore (definito come differenza fra il segnale di ingresso e quello di uscita degli OA) attraverso una finestra temporale mobile (W) che scorre per tutta la lunghezza del segnale; se l’errore supera la soglia (s) per r istanti consecutivi, allora la perdita di equilibrio è stata identificata. Quindi, dalla discrepanza tra la cinematica reale della camminata e quella predetta dagli OA è possibile rilevare tempestivamente la perdita di equilibrio caratterizzata da un brusco movimento posturale. Le performance dell’algoritmo sono state ottimizzate esplorando il comportamento dinamico degli OA in un ampio dominio di valori per il Guadagno di Fase (ν) e di Ampiezza (η), e modificando diversi parametri dell’algoritmo a soglia (W, r e s). Infine per ogni tipo di perturbazione (AP, ML e D) e segnale in ingresso (escursioni angolari e accelerazioni) sono stati identificati i set di parametri migliori che minimizzavano il tempo di rilevazione e il numero di falsi allarmi (definiti come rilevazioni errate della perturbazione). I risultati ottenuti dal processo di ottimizzazione mostrano le seguenti migliori strategie: (i) utilizzando gli angoli di flesso estensione dell’anca, le perturbazioni AP sono state identificate in 348 ± 48 ms con FA = 7%; (ii) utilizzando come segnali di ingresso le accelerazioni del COM, le perturbazioni D sono state identificate in 256 ± 162 ms con FA = 0%; (iii) utilizzando l’accelerazione del tallone, le perturbazioni ML sono state rilevate in 324 ± 143 ms con FA = 0%. L’algoritmo non è in grado di rilevare in maniera accurata le perturbazioni AP (FA>30%), quando ha in ingresso le accelerazioni, e quelle ML (FA>50%) quando usa in ingresso le escursioni angolari. Altre combinazioni dei parametri dell’algoritmo e dei segnali in ingresso forniscono dei tempi di rilevazione accettabili (circa 400 ms) con un numero di FA < 10%. In conclusione, l’algoritmo di rilevazione della caduta, se opportunamente regolato (tuning) è in grado di identificare in maniera accurata (FA