Gait analysis a partire da immagini RGB mediante tecniche di intelligenza artificiale

L’analisi del gait viene spesso condotta in ambito medico e sportivo per valutare le capacità funzionali durante i test di camminata. Molti approcci richiedono l’uso di dispositivi costosi e invasivi (i.e., indossabili), nonché necessitano di adeguate competenze per essere usati. Grazie ai recenti progressi tecnologici, mediante dispositivi di facile uso e accesso a tutti, come smartphone e videocamere, è possibile stimare la posa della persona a partire da immagini RGB. Questa tesi ha lo scopo di analizzare il gait della persona utilizzando le librerie Mediapipe e Yolo per la stima della posa umana e tecniche di Machine Learning per estrarre parametri del cammino senza l’uso di marcatori. A tal fine, si sono presi in esame video di adulti a cui è stato richiesto di camminare lungo un tragitto predefinito e i movimenti sono stati registrati mediante un sistema di Motion Capture Vicon preso come riferimento. Si sono inoltre applicati modelli di riconoscimento della fase del cammino basato sulla classificazione delle immagini RGB. Per misurare l’accuratezza del sistema sviluppato sono state valutate le prestazioni dei classificatori e si sono confrontati i dati antropometrici dei soggetti, rilevati durante la camminata dal sistema di Motion Capture Vicon, con quelli estratti dai due modelli di stima della posa Mediapipe e YOLO. Il sistema riesce a rilevare correttamente la fase del cammino con una precisione media del 83% in condizione di ambienti e soggetti variabili, mentre la stima della posa ottenuta da Mediapipe si discosta in media di 49mm dai dati ottenuti dai sensori moCap. Il modello di stima della posa YOLO mostra risultati simili a Mediapipe, confermando la robustezza dei due modelli nel rilevamento dei giunti in condizioni variabili.