Valutazione automatica delle performance di movimenti riabilitativi con tecniche di machine learning

The automatic evaluation of rehabilitation exercises allows a numerical score to be assigned to patients' movements, which are captured via RGBD video. Initially, physicians and professionals prescribe and supervise rehabilitation exercises, but the literature shows that more than ninety percent of the rehabilitation process takes place without the presence of an expert. The application of machine learning methods in this context aims to support the autonomous phase of rehabilitation by analysing spatio-temporal information derived from input data to guide the patient towards improved performance. These methods offer continuous feedback on the quality of the exercises performed and provide targeted guidelines to improve the activation of the intended body parts. This study compares the performance of different machine learning models by evaluating them on the KIMORE dataset, with the aim of identifying the most effective ones in terms of performance and computational resources required. The results obtained show that the Short Term Graph Convolutional Neural Network with Long Short Term Memory and Support Vector Regression models present complementary characteristics: the former excel in the analysis of complex movements, while the latter are more suitable for contexts in which greater computational efficiency and simpler implementation are required.

La valutazione automatica degli esercizi di riabilitazione permette di assegnare un punteggio numerico ai movimenti dei pazienti, catturati tramite video RGBD. Inizialmente, i medici e i professionisti prescrivono e supervisionano gli esercizi riabilitativi, ma la letteratura evidenzia che oltre il novanta per cento del processo riabilitativo avviene senza la presenza di un esperto. L'applicazione di metodi di machine learning in questo contesto mira a supportare la fase autonoma della riabilitazione, analizzando le informazioni spazio-temporali derivate dai dati di input per guidare il paziente verso il miglioramento delle performance. Questi metodi offrono un feedback continuo sulla qualità degli esercizi svolti e forniscono direttive mirate per migliorare l’attivazione delle parti del corpo previste. Questo studio confronta le prestazioni di diversi modelli di machine learning, valutandoli sul dataset KIMORE, con l'obiettivo di identificare quelli più efficaci in termini di performance e risorse computazionali richieste. I risultati ottenuti mostrano che i modelli Short Term Graph Convolutional Neural Network con Long Short Term Memory e Support Vector Regression presentano caratteristiche complementari: i primi eccellono nell'analisi di movimenti complessi, mentre i secondi risultano più adatti a contesti in cui è necessaria una maggiore efficienza computazionale e una più semplice implementazione.