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.

Metodi di deep learning per la decodifica di segnali neurali registrati dalla corteccia posteriore parietale di macaco

Le interfacce cervello-macchina (BMIs) permettono di guidare devices esterni utilizzando segnali neurali. Le BMIs rappresentano un’importante tecnologia per tentare di ripristinare funzioni perse in patologie che interrompono il canale di comunicazione tra cervello e corpo, come malattie neurodegenerative o lesioni spinali. Di importanza chiave per il corretto funzionamento di una BCI è la decodifica dei segnali neurali per trasformarli in segnali idonei per guidare devices esterni. Negli anni sono stati implementati diversi tipi di algoritmi. Tra questi gli algoritmi di machine learning imparano a riconoscere i pattern neurali di attivazione mappando con grande efficienza l’input, possibilmente l’attività dei neuroni, con l’output, ad esempio i comandi motori per guidare una possibile protesi. Tra gli algoritmi di machine learning ci si è focalizzati sulle deep neural networks (DNN). Un problema delle DNN è l’elevato tempo di training. Questo infatti prevede il calcolo dei parametri ottimali della rete per minimizzare l’errore di predizione. Per ridurre questo problema si possono utilizzare le reti neurali convolutive (CNN), reti caratterizzate da minori parametri di addestramento rispetto ad altri tipi di DNN con maggiori parametri come le reti neurali ricorrenti (RNN). In questo elaborato è esposto uno studio esplorante l’utilizzo innovativo di CNN per la decodifica dell’attività di neuroni registrati da macaco sveglio mentre svolgeva compiti motori. La CNN risultante ha consentito di ottenere risultati comparabili allo stato dell’arte con un minor numero di parametri addestrabili. Questa caratteristica in futuro potrebbe essere chiave per l’utilizzo di questo tipo di reti all’interno di BMIs grazie ai tempi di calcolo ridotti, consentendo in tempo reale la traduzione di un segnale neurale in segnali per muovere neuroprotesi.

Analisi morfologica e meccanica di strutture gerarchiche elettrofilate per la rigenerazione del tessuto tendineo e legamentoso

I tendini e i legamenti sono fondamentali per lo svolgimento dei movimenti e spesso sono soggetti a rotture o lesioni che rappresentano circa il 50% di tutto il sistema muscoloscheletrico. Il tessuto è poco cellularizzato per questo ad oggi non esistono dispositivi impiantabili, come protesi o innesti biologici in grado di riprodurre in maniera soddisfacente la struttura gerarchica e le proprietà meccaniche. Le tecniche attuali ossia quelle conservative e chirurgiche hanno significative limitazioni per questo i ricercatori stanno sviluppando strutture innovative, detti scaffold, per guidare le cellule nella rigenerazione del tessuto di interesse. Tra le varie tecnologie per produrre scaffold per i tendini e i legamenti, l’elettrofilatura è una delle più promettenti. Questa consente di produrre nanofibre dalle caratteristiche morfologiche e meccaniche simili alle fibrille di collagene di tendini e legamenti. Questo lavoro di tesi presenta la descrizione di procedure e metodi di produzione e caratterizzazione di strutture gerarchiche elettrofilate in acido poli-L-lattico e in acido poli-L-lattico e collagene. I bundles elettrofilati, in entrambi i materiali, sono in grado di replicare i fascicoli di collagene mentre gli scaffold gerarchici sono stati prodotti assemblando i bundles con una membrana elettrofilata, in grado di riprodurre fedelmente l’ epitenon/epiligament e l’endotenon/endoligament, riproducendo l’intera struttura gerarchica di tendini e legamenti. Gli scaffolds gerarchici sono stati prodotti assemblando i bundles con una membrana elettrofilata, in grado di riprodurre fedelmente l’epitenon/ epiligament e l’endotenon/endoligament. Tutte le strutture realizzate sono state analizzate e testate sia morfologicamente che meccanicamente per valutare la similitudine con i rispettivi tessuti biologici.