Valutazione della robustezza di modelli di classificazione per hand gesture recognition in presenza di contrazioni prolungate

Nell'ambito della ricerca moderna, il segnale elettromiografico (EMG) rappresenta uno degli strumenti più importanti nel settore diagnostico e riabilitativo grazie ai suoi numerosi vantaggi, assumendo un ruolo altamente significativo nel controllo delle protesi mioelettriche per soggetti con arti amputati. Tali dispositivi permettono di eseguire una serie di movimenti grazie a determinati algoritmi di classificazione, addestrati in fase di sviluppo con un insieme di features estratte dai segnali EMG. La presente tesi illustra come l’accuratezza, ottenuta dalla classificazione di quindici gesti inerenti a semplici movimenti delle dita della mano, possa variare quando i modelli di classificazione vengono addestrati, e successivamente testati, utilizzando porzioni differenti di segnale elettromiografico durante le quali la contrazione è stata mantenuta continuamente. Il monitoraggio di tali porzioni di segnale nella condizione di contrazione sostenuta aveva come obiettivo la valutazione dell’insorgenza della fatica muscolare. L’ipotesi del presente lavoro è stata quella di verificare se addestrando i modelli di classificazione con porzioni iniziali del segnale EMG, non caratterizzate da possibile insorgenza di fatica, si potessero raggiungere, testando i suddetti modelli in epoche differenti, prestazioni elevate in termini di accuratezza nel riconoscimento del gesto svolto o se, possibili componenti fatica-correlate fossero presenti nella fasi finali della contrazioni così da limitare le prestazioni dei modelli stessi. Lo studio è stato condotto utilizzando i segnali elettromiografici acquisiti su 8 soggetti durante l’esecuzione di un totale di 15 esercizi, ripetuti 3 volte da ciascun individuo, dove ogni gesto è stato mantenuto per l’intero periodo di acquisizione. Inizialmente, è stata effettuata un’analisi per poter valutare il possibile insorgere dell’affaticamento muscolare, attuando tale studio prima con i dati grezzi e poi filtrando i segnali. Quindi si è proceduto con la definizione e successiva valutazione di modelli machine learning per la classificazione effettuando un totale di quattro sessioni. I segnali sono stati suddivisi in quattro intervalli, distinguendo in questo modo quattro fasi differenti durante il mantenimento della contrazione e nelle prime tre sessioni i classificatori sono stati addestrati utilizzando i dati relativi ad una delle quattro finestre, per poi effettuare la fase di prova sui quattro periodi temporali ottenuti. Nell’ultima sessione, invece, i modelli sono stati addestrati con una sola feature del set proposto alla volta, utilizzando i dati ad inizio contrazione ed eseguendo, in seguito, il test con i segnali relativi al primo e l’ultimo intervallo. I valori di accuratezza ottenuti mostrano che, nonostante gli indicatori calcolati sembrino non rivelare univocamente la presenza di fatica muscolare, le contrazioni prolungate hanno un effetto significativo sulla classificazione, specialmente quando l’addestramento viene effettuato con il segnale relativo ad inizio movimento. Inoltre, alcune feature si sono dimostrate più robuste in termini di accuratezza ottenuta, mentre altre hanno registrato risultati altamente scarsi e inadeguati.