Protocollo semplificato per lo studio cinematico dell'arto superiore: individuazione di indici di normalita nel movimento di "reaching"

L'esigenza di poter usufruire in clinica di uno strumento per l'analisi cinematica dell'arto superiore altamente attendibile che fornisca dati clinicamente validi e facili da interpretare e rapidamente applicabile dal personale medico competente, ha posto le basi per la realizzazione del modello che in questa tesi viene proposto. L'obiettivo è stato definire un metodo di misura per l'analisi delle traiettorie dell'arto superiore basato su un modello di markerizzazione che sia clinicamente attuabile e descriva la catena completa dell'estremità superiore interessata nel gesto di “reaching” indipendentemente dalla patologia.

Acquisizione di segnali EEG durante compiti di reaching e decodifica mediante rete neurale convoluzionale

La decodifica dei segnali elettroencefalografici (EEG) consiste nell’analisi del segnale per classificare le azioni o lo stato cognitivo di un soggetto. Questi studi possono permettere di comprendere meglio i correlati neurali alla base del movimento, oltre che avere un’applicazione pratica nelle Brain Computer Interfaces. In questo ambito, di rilievo sono le reti neurali convoluzionali (Convolutional Neural Networks, CNNs), che grazie alle loro elevate performance stanno acquisendo importanza nella decodifica del segnale EEG. In questo elaborato di tesi è stata addestrata una CNN precedentemente proposta in letteratura, EEGNet, per classificare i segnali EEG acquisiti durante movimenti di reaching del braccio dominante, sulla base della posizione del target da raggiungere. I dati sono stati acquisiti su dieci soggetti grazie al protocollo sviluppato in questo lavoro, in cui 5 led disposti su una semicirconferenza rappresentano i target del movimento e l’accensione casuale di un led identifica il target da raggiungere in ciascuna prova. I segnali EEG acquisiti sono stati quindi ricampionati, filtrati e suddivisi in epoche di due secondi attorno all’inizio di ciascun movimento, rimuovendo gli artefatti oculari mediante ICA. La rete è stata valutata in tre task di classificazione, uno a cinque classi (una posizione target per classe) e due a tre classi (raggruppando più posizioni target per classe). Per ogni task, la rete è stata addestrata in cross-validazione utilizzando un approccio within-subject. Con questo approccio sono state addestrate e validate 15 CNNs diverse per ogni soggetto. Infine, è stato calcolato l’F1 score per ciascun task di classificazione, mediando i risultati sui soggetti, per valutare quantitativamente le performance della CNN che sono risultati migliori nel classificare target disposti a destra e a sinistra.

Analisi elettromiografica dei muscoli di arto superiore durante esercizi di reaching

Il presente lavoro di tesi si basa sull’analisi di segnali elettromiografici bipolari superficiali (sEMG) riguardanti movimenti di grasping e di reaching. L’elaborato fa parte del progetto Neurograsp, il cui obiettivo è correlare l’attività muscolare con le zone di attivazione corticale durante movimenti di arto superiore eseguiti da soggetti sani. I soggetti partecipanti eseguono dei movimenti per raggiungere una tra 5 posizioni target differenti, equidistanziate lungo un semicerchio posto davanti al soggetto, e successivamente tornare alla posizione iniziale. Ogni movimento viene ripetuto 10 volte, il target viene deciso in maniera random all’interno dell’acquisizione e ogni acquisizione è effettuata 6 volte. Ogni posizione è identificata da un led e la loro accensione permette di comunicare al soggetto quale posizione raggiungere e quando iniziare il movimento. I segnali di sEMG bipolare sono stati rilevati sui seguenti muscoli dell’arto superiore dominante: bicipite brachiale, tricipite brachiale, estensore del polso e flessore del polso. Queste informazioni sono state utilizzate per analizzare le attività muscolari durante i movimenti, nello specifico per identificare un apprendimento motorio da parte del singolo soggetto. In particolare, si vuole mettere a punto un protocollo di elaborazione dati al fine di valutare se c’è stato un effettivo miglioramento dei movimenti avanzando nelle acquisizioni e se è possibile individuare un pattern comune nell’esecuzione del movimento a una direzione specifica. Nel contesto Neurograsp, le informazioni ricavate da questo studio di tesi, forniscono indicazioni sull’utilità di andare ad individuare risposte di aree corticali relative all’apprendimento muscolare.

Analisi dell'attività muscolare del deltoide nel movimento di reaching tramite elettromiografia ad alta densità e monopoli simulati

La seguente tesi è stata sviluppata all’interno del progetto Neurograsp il cui obiettivo è individuare una correlazione tra l’attività muscolare e l’attivazione delle diverse aree corticali. Sono state impiegate diverse tecniche per acquisire segnali dal soggetto durante il task motorio da lui eseguito e questa tesi è incentrata sull’analisi dei dati acquisiti tramite Elettromiografia ad alta densità. I segnali elaborati sono quelli relativi all’attività muscolare di deltoide anteriore e posteriore, muscoli essenziali per il movimento di reaching. Il seguente lavoro è incentrato sull’elaborazione dei dati grezzi dall’HD-EMG e sulla loro rappresentazione con lo scopo di trarre conclusioni riguardo i pattern dell’attività muscolare e l’apprendimento motorio. In definitiva l’analisi qui descritta mira a descrivere nel contesto del progetto Neurograsp come si comportano i deltoidi riportando in dettaglio esempi dei risultati più significativi.

Identificazione degli eventi temporali da misure inerziali nel movimento di reaching

Background L’identificazione degli eventi temporali permette nell’analisi del movimento di valutare la qualità del gesto motorio e si offre in aiuto alla formulazione di diagnosi cliniche, valutazioni di un percorso riabilitativo e in ambito ortopedico per la creazione di protesi. L’uso sempre più diffuso dei sensori inerziali nell’analisi del movimento ha portato alla nascita di numerosi algoritmi per identificare gli eventi temporali; tuttavia, molti di questi sono stati sviluppati per la ricerca dei gate event sull’analisi del cammino, mentre non sono molti quelli dedicati allo studio dell’arto superiore, dove il reaching è il task motorio più studiato. Obiettivo tesi Proporre un metodo per l’identificazione degli eventi temporali su movimento di reaching con l’uso di soli sensori inerziali. Metodo All’interno del progetto Neurograsp, che è uno studio di analisi del movimento di reaching condotto presso il Dipartimento di Ingegneria dell’Energia Elettrica e dell’Informazione Guglielmo Marconi sono stati considerati i dati relativi alla stereofotogrammetria e ai sensori inerziali. L’analisi ha riguardato tre soggetti sani destrorsi. È stato considerato il sistema di stereofotogrammetria come gold standard con cui si sono rilevati gli eventi temporali ricercati del task motorio e successivamente si è implementato un metodo per identificare gli stessi eventi temporali tramite l’uso dei soli sensori inerziali. L’analisi è terminata con il confronto dei risultati. Risultati Si sono effettuate le analisi dei risultati in termini di classificazione dei times individuati dall’algoritmo come corretti, falsi positivi o falsi negativi e sulla quantificazione dell’errore assoluto sui valori identificati correttamente.

“Event-Related Spectral Perturbations” nel segnale EEG durante un compito di reaching

Questo elaborato ha analizzato le Event Related Spectral Perturbation (ERSP), cioè le variazioni nella potenza del segnale in corrispondenza di una frequenza o una banda di frequenze, suddivisi in Event Related Synchronization (ERS) nel caso di incremento di potenza e Event Related Desynchronization (ERD) nel caso di decremento di potenza, relative a movimenti di reaching eseguiti con l’arto superiore. In particolare, sono state prese in considerazione le potenze nel ritmo alpha (8-12 Hz) e ritmo beta (12-30 Hz), in quanto ritmi associati alla preparazione ed esecuzione del movimento. I segnali EEG analizzati (60 canali) sono relativi a 14 soggetti a cui è stato chiesto di compiere movimenti di reaching verso una posizione target, secondo una tempistica definita dall’accensione di uno stimolo visivo informativo (CUE, corrispondente al led nella posizione target) e un secondo stimolo visivo imperativo (GO) che dà il via libera all’esecuzione del movimento verso il target. Sono codificate 5 posizioni discrete, a 0°, 45°, 90°, 135° e 180°, su una semicirconferenza il cui centro rappresenta il punto di partenza e ritorno, chiamato base. I segnali preventivamente preprocessati, sono stati decomposti tramite trasformata wavelet ed elaborati con la tecnica dell’averaging, con lo scopo di evidenziare ERS e ERD in banda alpha e beta associati a eventi visivi e motori. È stata presentata l’evoluzione nel tempo della distribuzione topologica delle ERSP a livello dello scalpo e sono state svolte analisi suddividendo i dati secondo la direzione (destra, centro, sinistra) del target e secondo la profondità (vicino, medio, lontano) del target. I risultati mostrano una desincronizzazione (ERD) nella fase di preparazione del movimento (immediatamente prima dello stimolo GO), sia in banda alpha che beta e suggeriscono una modulazione dell’ERD in funzione della direzione/profondità del target.

Il segnale EEG in un compito di ’center-out reaching’: analisi e decodifica a livello di scalpo e di corteccia

Nellâ analisi del segnale EEG, sono di particolare interesse i potenziali evento correlato (ERP), che descrivono la risposta cerebrale in seguito alla presentazione di stimoli o eventi esterni o interni. Questi potenziali non sono immediatamente visibili sul tracciato EEG grezzo, ed è necessario, oltre ad unâ��accurata fase di preprocessing, mediare (averaging) i segnali di molti trial ripetuti per visualizzare tali risposte nel tempo. Questo studio ha posto l' attenzione sugli ERP visuomotori generati in un compito di center-out reaching, che prevede il raggiungimento di uno tra cinque target, ognuno associato ad un LED, mediante il braccio dominante, con una tempistica scandita dalla presentazione di due stimoli visivi: lo stimolo preparatorio ¸ (che indica il target) e lo stimolo imperativo (che dà il via libera al movimento). I segnali ERP, ottenuti mediante la tecnica dellâ averaging, sono stati analizzati sia a livello di scalpo, considerando i segnali di elettrodo, sia a livello di corteccia, dopo risoluzione del problema inverso, e considerando rappresentazioni prima a livello di singoli dipoli corticali e quindi di intere regioni corticali (ROI). Inoltre, è stata applicato un metodo di deep learning (rete neurale convoluzionale) per decodificare il segnale EEG a livello di singolo trial, ovvero classificare il target coinvolto nello specifico trial. La decodifica è stata applicata sia ai segnali di scalpo sia ai segnali delle ROI corticali. Complessivamente i risultati mostrano ERP ben visibili a livello di scalpo e legati sia a processing visivo che motorio. Gli ERP a livello di ROI corticali sono più rumorosi e sembrano cogliere meno processing motorio rispetto al visivo, presumibilmente anche in conseguenza di alcune scelte metodologiche nella ricostruzione di segnali di ROI. In linea con questo, le performance di decodifica sono migliori a livello di scalpo che di ROI corticali.