ANALISI DELLE PRESTAZIONI DI UN SENSORE INERZIALE CON RIFERIMENTO AI CAMBI DI DIREZIONE

Human movement analysis is a field of growing interest in biomedical, rehabilitation and sports applications. In particular, the study of changes in direction during walking can provide useful information about motor ability, postural control and the quality of movement execution. The aim of this work is to develop a methodology for the automatic recognition of turning angles from signals acquired using a wearable inertial and magnetic sensor positioned on the subject’s back. The signals were subjected to a pre-processing phase, including resampling, filtering and segmentation into time windows, and were subsequently used to train supervised machine learning models for the multiclass classification of turning angles. The final dataset consists of 4520 time windows, divided into training and test sets using a stratified split of 80% and 20%, respectively. Several classifiers were compared, including Random Forest, Extra Trees, Support Vector Machine with RBF kernel and Multi-Layer Perceptron Classifier. The results show high classification performance, with a maximum accuracy of 96.24% achieved by the Extra Trees classifier and a maximum balanced accuracy of 89.70% achieved by the SVM model with RBF kernel. These results confirm the validity of the proposed approach and show that the combined use of inertial and magnetic signals, together with machine learning techniques, can represent an effective strategy for the automatic analysis of changes in direction using wearable sensors.

L’analisi del movimento umano rappresenta un ambito di crescente interesse in campo biomedico, riabilitativo e sportivo. In particolare, lo studio dei cambi di direzione durante il cammino può fornire informazioni utili sulla capacità motoria del soggetto, sul controllo posturale e sulla qualità dell’esecuzione del movimento. L’obiettivo del presente lavoro è sviluppare una metodologia per il riconoscimento automatico dell’angolo di svolta a partire da segnali acquisiti mediante un sensore inerziale e magnetometrico indossabile, posizionato sulla schiena del soggetto. I segnali sono stati sottoposti a una fase di pre-processing, comprendente ricampionamento, filtraggio e segmentazione in finestre temporali, e successivamente utilizzati per addestrare modelli di machine learning supervisionato per la classificazione multiclasse degli angoli di svolta. Il dataset finale è costituito da 4520 finestre temporali, suddivise in training set e test set secondo una ripartizione stratificata pari all’80% e al 20%. Sono stati confrontati diversi classificatori, tra cui Random Forest, Extra Trees, Support Vector Machine con kernel RBF e Multi-Layer Perceptron Classifier. I risultati ottenuti mostrano prestazioni elevate, con un’accuratezza massima pari al 96,24% ottenuta dal classificatore Extra Trees e una balanced accuracy massima pari all’89,70% ottenuta dal modello SVM con kernel RBF. Tali risultati confermano la validità dell’approccio proposto e mostrano che l’utilizzo combinato di segnali inerziali e magnetometrici, associato a tecniche di machine learning, può rappresentare una strategia efficace per l’analisi automatica dei cambi di direzione mediante sensori indossabili.