sviluppo e validazione di un modello neurale per la stima di cambi di direzione

The analysis of changes of direction (COD) is fundamental in fields such as sports biomechanics and rehabilitation. Although inertial and magnetic measurement units (MIMUs) offer the possibility to monitor movement in ecological settings, traditional analysis methods struggle to handle the high variability of motor gestures. This study aims to overcome these limitations by developing and validating a machine learning model for the automatic and accurate estimation of turning angles from data collected by a single MIMU sensor placed at the interscapular level. To achieve this goal, a study was conducted on 12 volunteers who performed a predefined path containing 26 changes of direction with known angles. Data acquired via the K-AI Wearable Device were processed to extract statistical features from 2-second time windows. A two-stage pipeline was implemented: a RandomForest classifier to discriminate windows containing a COD from those of nearly straight motion, followed by a Multi-layer Perceptron (MLP) regressor to estimate the angle, activated only on samples classified as COD. Results on the test set demonstrated the high effectiveness of the approach. The classifier achieved a weighted F1-score of 0.96, showing high precision and sensitivity. The combined pipeline obtained a coefficient of determination (R²) of 0.944 and a Mean Absolute Error (MAE) of 3.83° in angle estimation. This model significantly outperformed a single-stage approach based solely on regression, which showed severe signs of overfitting. Error analysis revealed that the main inaccuracies stemmed from rare false positives in the first stage, rather than weaknesses in the regressor. In conclusion, the study validates a robust and effective hybrid pipeline, demonstrating that decomposing the problem into classification and regression is a winning strategy for estimating COD angles from inertial data. This promising approach opens up future applications in sports performance monitoring and rehabilitation.

L'analisi dei cambi di direzione (COD) è fondamentale in ambiti come la biomeccanica spor tiva e la riabilitazione. Sebbene le unità di misura inerziali e magnetiche (MIMU) offrano la possibilità di monitorare il movimento in contesti ecologici, i metodi di analisi tradizionali faticano a gestire l'elevata variabilità del gesto motorio. Questo studio si propone di superare tali limiti attraverso lo sviluppo e la validazione di un modello di machine learning per la stima automatica e accurata degli angoli di svolta a partire dai dati di un singolo sensore MIMU posizionato a livello interscapolare. Per raggiungere questo obiettivo, è stato condotto uno studio su 12 volontari che hanno eseguito un percorso predefinito contenente 26 cambi di direzione con angoli noti. I dati acquisiti tramite il dispositivo K-AI Wearable Device sono stati elaborati per estrarre feature statistiche da finestre temporali di 2 s. È stata implemen tata una pipeline a due stadi: un classificatore RandomForest per discriminare le finestre contenenti un COD da quelle di moto quasi rettilineo, seguito da un regressore Multi-layer Perceptron (MLP) per la stima dell'angolo, attivato solo sui campioni classificati come COD.I risultati sul set di test hanno dimostrato l'elevata efficacia dell'approccio. Il classificatore ha raggiunto un F1-score ponderato di 0,96, mostrando alta precisione e sensibilità. La pipeline combinata ha ottenuto un coefficiente di determinazione (R2) di 0,944 e un Errore Assoluto Medio (MAE) di 3,83° nella stima degli angoli. Questo modello ha superato significativa mente un approccio a stadio singolo basato sulla sola regressione, che mostrava gravi segni di overfitting. L'analisi degli errori ha rivelato che le imprecisioni maggiori derivano dai rari falsi positivi del primo stadio, piuttosto che da una debolezza del regressore. In conclusione, lo studio valida una pipeline ibrida robusta ed efficace, dimostrando che la scomposizione del problema in classificazione e regressione è una strategia vincente per la stima degli angoli di COD da dati inerziali. Questo approccio promettente apre a future applicazioni nel monitoraggio della performance sportiva e in ambito riabilitativo.