PROGETTAZIONE E SVILUPPO DI UNA INTERFACCIA DI ACQUISIZIONE ED ELABORAZIONE INTELLIGENTE DI SEGNALI BIOMETRICI PER L’ASSISTENZA MOTORIA DELLA MANO

Il recupero della funzionalità della mano rappresenta una priorità clinica per pazienti affetti da patologie neurologiche, come l'ictus, al fine di ripristinare l'autonomia nelle attività della vita quotidiana (ADL). In questo contesto, la robotica assistiva ha introdotto dispositivi indossabili, quali gli esoscheletri soft, capaci di erogare terapie personalizzate. Tuttavia, un aspetto critico risiede nello sviluppo di Interfacce Uomo-Macchina (HMI) in grado di interpretare in modo tempestivo ed affidabile l'intenzione motoria dell'utente. Il presente studio ha come obiettivo la progettazione, lo sviluppo e la validazione in vivo di un framework sperimentale per l'acquisizione e l'elaborazione multimodale di segnali biometrici (EMG e IMU), finalizzato al controllo in tempo reale di un esoscheletro pneumatico per l'arto superiore. La decodifica dell'intenzione motoria (apertura e chiusura della mano) durante task di reach-to-grasp è stata affrontata addestrando reti neurali convoluzionali monodimensionali (1D-CNN) subject-specific. Le predizioni neurali sono state tradotte in comandi fisici tramite un ambiente Simulink dotato di una Macchina a Stati Finiti (FSM) per governare l'attuazione in anello chiuso. La validazione sperimentale su soggetti sani ha dimostrato un'elevata affidabilità del sistema (Sensitivity media del 91.6%), con un ridotto tasso di attivazioni spurie (1.01 FP/min), confermando la solidità del controllo in scenari dinamici. L'analisi statistica ha inoltre evidenziato l'indipendenza delle prestazioni dalle dimensioni antropometriche della mano, confermando la scalabilità del design soft e la validità della normalizzazione algoritmica. Infine, uno studio di deprivazione sensoriale simulata (Ablation Study) ha dimostrato la resilienza dell'architettura: in assenza totale di segnale miografico, l'algoritmo ha sfruttato le sinergie motorie e la cinematica prossimale (IMU) come predittore del reaching, garantendo un'assistenza sub-ottimale ma funzionale (Sensitivity del 52.0%). I risultati confermano l'efficacia del paradigma di sensor fusion adottato e il forte potenziale traslazionale del framework verso applicazioni cliniche in pazienti con grave compromissione della muscolatura distale.