Stima dell'attivazione muscolare durante il cammino tramite approccio machine learning

Il consenso in letteratura è minimo sulle metodiche da utilizzare per l'individuazione dell'attivazione nei segnali EMG. Questa tesi propone un approccio basato su tecniche machine learning per il riconoscimento degli istanti di transizione da rumore a segnale, corrispondente alle attivazioni muscolari. Il metodo proposto si compone di una fase di pre-processamento del segnale, in cui tre diverse tipologie di processamento sono state valutate (scalogramma, inviluppo lineare e root mean square value) e di una fase di apprendimento supervisionato, basata su reti neurali, in grado di individuare le transizioni (on/off). Gli esperimenti sono stati effettuati su un dataset di 1040 segnali generati sinteticamente che sono stati utilizzati per formare un trainset di 500 segnali e un testset di 540. Il metodo proposto è stato confrontato con l'algoritmo double threshold dimostrando di avere performance generalmente superiori, suggerendo quindi un'effettiva applicabilità del metodo.