RICONOSCIMENTO DELLA CAMMINATA PATOLOGICA BASATO SU DEEP LEARNING E SENSORI INERZIALI

This work is aimed to evaluate Deep Learning models addressing pathological gait recognition through inertial measurement unit (IMU) data. More in detail, five IMUs were placed on the human pelvises, wrists, and sternum in order to acquire raw kinematic data about the motor execution. Afterwards, inertial data are given as input to different custom DL models for learning motor patterns and classifying the human locomotion. The performance of this architecture proved the potential of the proposed workflow to recognize actual pathological gaits (hemiplegic, Parkinsonian, ataxic and equine walking) by exploiting simulated abnormal patterns.

Il lavoro di tesi ha lo scopo di valutare i modelli di Deep Learning per il riconoscimento di andature patologiche attraverso i dati dei sensori IMU. In dettaglio, cinque sensori sono stati posizionati sul bacino, sui polsi e sullo sterno di ogni soggetto per acquisire dati cinematici grezzi sull'esecuzione motoria. In seguito, i dati inerziali vengono forniti come input a diversi modelli DL per l'apprendimento di modelli motori e la classificazione della locomozione umana. Le prestazioni di questa architettura hanno dimostrato il potenziale del flusso di lavoro proposto per il riconoscimento di andature patologiche reali (camminata emiplegica, Parkinsoniana, atassica ed equina) simulate da soggetti sani.