Studio di algoritmi di Machine Learning per l'analisi di segnali SEMG in pazienti parkinsoniani

La malattia di Parkinson è una condizione neurodegenerativa che colpisce milioni di persone in tutto il mondo. I sintomi si presentano a livello del sistema nervoso in forma di tremori, rigidità muscolare e difficoltà nei movimenti quotidiani, che incidono sulla qualità della vita di chi ne è affetto. Ad oggi, la pratica medica comune prevede la diagnosi e il monitoraggio della malattia principalmente attraverso osservazioni cliniche dei pazienti, accompagnate dall’utilizzo di scale di valutazione predefinite, che possono però essere soggettive e non sufficienti per cogliere i dettagli più minimi delle alterazioni motorie. Negli ultimi anni, strumenti come l’elettromiografia (EMG) e, in particolare, quella di superficie (sEMG), permettono di registrare l’attività muscolare in modo semplice e non invasivo, fornendo dati precisi su come il Parkinson influisce sul controllo motorio dei pazienti. Inoltre, grazie all’utilizzo dell’intelligenza artificiale (IA) e delle tecniche di machine learning (ML) e deep learning (DL), questi dati possono essere ampliati e analizzati in modo sempre più accurato e significativo, per la realizzazione di modelli in grado di classificare e rilevare la malattia di Parkinson. Diversi studi, infatti, hanno dimostrato che questi algoritmi possono aiutare a identificare la malattia in fase precoce, a valutarne la gravità dei sintomi, e persino a monitorare nel tempo l’evoluzione della condizione del paziente. L'obiettivo di questa tesi consiste nel fornire un'analisi sistematica e critica dello stato dell'arte relativo all'applicazione di tecniche e algoritmi di ML e DL ai segnali sEMG ottenuti da soggetti parkinsoniani. La ricerca si è concentrata sull'identificazione e la comparazione delle diverse tecniche di pre-processing del segnale, di estrazione delle feature e delle architetture maggiormente impiegate. I risultati della revisione evidenziano l'efficacia dei modelli di DL nel discriminare pazienti PD e soggetti sani, raggiungendo un'accuratezza in media superiore al 90%. Nonostante i progressi, però, emergono numerose sfide nella standardizzazione dei protocolli di acquisizione e nella generalizzazione dei modelli a set di dati diversi. In conclusione, questo studio cerca di identificare le pratiche più utilizzate nella selezione dell'algoritmo e, inoltre, delinea la pipeline tipica che permette di trasformare i modelli di IA applicati a sEMG in strumenti utili e di supporto per il personale clinico