STUDIO E SVILUPPO DI RETI NEURALI PER IL RICONOSCIMENTO DELLE ATTIVITA' IN SOGGETTI PARKINSONIANI

La presente tesi si occupa dello sviluppo di un sistema automatico per il riconosci mento e la classificazione delle attività motorie in soggetti affetti dal morbo di Par kinson, mediante l’utilizzo di una rete neurale convoluzionale (CNN) implemen tata interamente in ambiente MATLAB. L’obiettivo principale è applicare tec niche di intelligenza artificiale per identificare comportamenti e stati motori a partire da segnali accelerometrici raccolti tramite sensori indossabili. Il lavoro si inserisce nel contesto del Human Activity Recognition (HAR), disci plina che mira alla classificazione automatica delle attività umane attraverso dati biometrici e che riveste oggi un ruolo chiave nel monitoraggio clinico continuo dei pazienti con disturbi del movimento. Il dataset utilizzato è il PD-BioStampRC21, raccolto su 34 soggetti (17 pazienti con Parkinson e 17 di controllo), monitorati attraverso cinque sensori BioStamp RC applicati su tronco e arti, durante una visita clinica e in ambienti reali per due giorni. I dati raccolti comprendono anno tazioni delle attività motorie (camminata, postura statica), valutazioni UPDRS e informazioni clinico-demografiche. I dati triassiali dei sensori inerziali sono sta ti sottoposti ad un opportuno preprocessing, che ha incluso la normalizzazione, la segmentazione in finestre temporali scorrevoli, l’assegnazione delle etichette tramite annotazioni manuali e il bilanciamento delle classi. Il modello CNN, otti mizzato per l’analisi di segnali multicanale, ha raggiunto un’accuratezza del 90% nella classificazione delle attività motorie. Rispetto ad altre architetture di Deep Learning, le CNN si sono dimostrate particolarmente efficaci nell’elaborazione dei dati raccolti da sensori, grazie alla loro capacità di estrarre pattern spaziali e temporali in modo diretto e con ridotta complessità computazionale. Integrando sensori wearable e Deep Learning, il lavoro contribuisce alla realizzazione di stru menti automatizzati, oggettivi e personalizzabili per il monitoraggio remoto della malattia di Parkinson, con conseguenze positive in ambito clinico, terapeutico e assistenziale. Dunque il sistema proposto rappresenta un passo avanti nell’integrazione tra in telligenza artificiale e monitoraggio clinico, permettendo non solo di migliorare l’oggettività delle valutazioni, ma di riconoscere automaticamente le alterazioni motorie consentendo al personale sanitario di intervenire in modo più tempesti vo e mirato. Comprendere l’impatto di tali alterazioni sulla progressione della malattia è essenziale per ottimizzare i trattamenti, supportare la riabilitazione e migliorare la qualità della vita dei pazienti.