Apprendimento Automatico & Deep Learning per la Gait Event Detection e le Ground Reaction Forces

La seguente trattazione propone un’analisi approfondita dei principali approcci alla rilevazione degli eventi del passo, esaminando sia i metodi algoritmici tradizionali basati su regole o modelli fisici, sia le tecniche di machine learning supervisionato (SVM, Random Forest, KNN) e le architetture avanzate di deep learning come LSTM, CNN e varianti bidirezionali quali le Bi-GRU. La discussione fornisce una panoramica equilibrata su efficacia, limiti, precisione ottenibile e applicabilità clinica delle diverse soluzioni. In seguito si approfondisce la predizione delle forze di reazione al suolo (GRF) tramite modelli data-driven, mostrando come dati cinematici provenienti da IMU o sistemi markerless possano essere trasformati in grandezze fisiche interpretabili. Vengono inoltre analizzate tecniche moderne come sensor fusion e data augmentation, insieme ai criteri di validazione necessari per confrontare le GRF stimate con quelle misurate da pedane di forza. Infine, viene illustrata l’integrazione delle GRF predette nelle pipeline di dinamica inversa e modellazione muscoloscheletrica, evidenziando il contributo dell’intelligenza artificiale nella ricostruzione dei momenti articolari e nella biomeccanica computazionale soggetto-specifica.