Valutazione dell’attività mioelettrica durante compiti di Action Observation e Mental Imagery

La seguente tesi mira ad esplorare l'attività mioelettrica durante compiti di Action Observation (AO) e Mental Imagery (MI), confrontandola con lo stato di riposo (REST). L'obiettivo è verificare se il coinvolgimento in attività mentali, come l'osservazione di un compito motorio o l'immaginazione di sé stessi nell'atto di compierlo, generi un'attività mioelettrica significativa e distinta rispetto a quella registrata durante il riposo. Sebbene la letteratura concordi nel suggerire che le aree cerebrali attive durante l'esecuzione effettiva del movimento siano coinvolte anche in questi due compiti senza che il movimento venga eseguito, non vi è consenso unanime riguardo alla risposta periferica. Tramite l'elettromiografia di superficie (EMG), è stata monitorata l'attività dei muscoli opponente del pollice, flessore radiale del carpo e bicipite brachiale in otto partecipanti sani. Per evidenziare attività mioelettrica significativa durante le attività di AO e MI sono state svolte due tipologie di analisi: elaborazione dei segnali sia nel dominio del tempo, della frequenza e tramite lo scalogramma è stato possibile visualizzare l’occorrenza temporale delle frequenze e la loro evoluzione; successivamente sono stati estratti dieci parametri dagli stessi segnali, in finestre temporali di 200 ms con sovrapposizione del 75%, che hanno permesso la classificazione delle diverse attività tramite i seguenti algoritmi di classificazione, KNN, Tree e Narrow Neural Network. L'analisi dei dati ha incluso l'utilizzo del metodo della media, utilizzato principalmente nello studio del segnale EEG, il quale ha permesso di aggregare i segnali EMG dei tre muscoli in un unico segnale rappresentativo, preservando le informazioni dei segnali di partenza. Questo è confermato dalla mancanza di differenze significative nelle accuratezze durante il testing dei classificatori KNN, Narrow Neural Network e Tree, valutati sulle feature estratte dai segnali filtrati dei tre muscoli e da quelle ottenute dal segnale derivato dal metodo della media. I classificatori hanno mostrato accuratezze elevate nel distinguere le due attività di AO e MI dalla condizione del REST, nello specifico 85% del Narrow Neural Network nel confronto MI-REST, 82% del Narrow Neural Network nel confronto AO-REST e 77% nel confronto ternario AO-MI-REST, confermando la presenza di attivazione muscolare durante le attività di osservazione e immaginazione. Questo lavoro evidenzia inoltre come l'integrazione di AO e MI, supportata da tecniche di elaborazione come il metodo della media, che permette di ridurre il peso computazionale senza perdita di informazioni, possa contribuire allo sviluppo di approcci riabilitativi non invasivi e migliorare le prestazioni motorie.