IDENTIFICAZIONE DI SEGNALI ELETTROMIOGRAFICI IN ESPERIMENTI DI RIABILITAZIONE ROBOT-ASSISTITA

Stroke is one of the leading causes of disability worldwide, with a significant impact on patients’ quality of life. In this context, rehabilitation plays a fundamental role in functional recovery. The introduction of robotic rehabilitation has shown promising results compared to conventional therapies; however, to maximize its effectiveness, it is necessary to understand the muscle activation strategies adopted during movement execution. This work aims to analyze surface electromyographic (sEMG) signals acquired during a hand opening and closing motor task performed in both active and active-assisted modes using a robotic device. The objective of this master’s thesis is to characterize the dynamics of the sEMG signal and evaluate its discriminative capability across different muscle activation conditions. To this end, autoregressive models were used for temporal signal characterization, and a Support Vector Machine (SVM)-based classifier was employed for motor gesture recognition. The results highlight a higher regularity of sEMG signals in the active-assisted mode and show that classifier performance strongly depends on feature selection, being more robust when based on the temporal dynamics of the signal. Overall, this study highlights the potential of sEMG signal analysis as a tool for quantitative monitoring of neuromuscular control and for the development of support systems for robot-assisted rehabilitation.

L’ictus rappresenta una delle principali cause di disabilità a livello mondiale, con un impatto significativo sulla qualità di vita dei pazienti. In questo contesto, la riabilitazione riveste un ruolo fondamentale nel recupero funzionale. L’introduzione della robotica riabilitativa ha mostrato risultati promettenti rispetto alle terapie tradizionali; tuttavia, per massimizzarne l’efficacia è necessario comprendere le strategie di attivazione muscolare adottate durante l’esecuzione dei movimenti. Il presente lavoro si propone di analizzare segnali elettromiografici di superficie (sEMG) acquisiti durante l’esecuzione di un task motorio di apertura e chiusura della mano, eseguito in modalità attiva e attivo-assistita mediante un dispositivo robotico. L’obiettivo della presente tesi di laurea magistrale è caratterizzare la dinamica del segnale sEMG e valutarne la capacità discriminativa tra diverse condizioni di attivazione muscolare. A tal fine, sono stati utilizzati modelli autoregressivi per la descrizione temporale del segnale e un classificatore basato su Support Vector Machine (SVM) per il riconoscimento dei gesti motori. I risultati evidenziano una maggiore regolarità dei segnali sEMG nella modalità attivo-assistita e mostrano come le prestazioni del classificatore dipendano fortemente dalla scelta delle feature, risultando più robuste quando basate sulla dinamica temporale del segnale. Nel complesso, lo studio evidenzia il potenziale dell’analisi di segnali sEMG come strumento per il monitoraggio quantitativo del controllo neuromuscolare e per lo sviluppo di sistemi di supporto alla riabilitazione robot-assistita.