Analysis of Surface EMG in Fallers and Non-Fallers with Prediction of Balance Perturbation Direction

Falls are one of the leading causes of injury, especially in the older population, with high societal costs and a significant impact on quality of life. To mitigate this problem, Loss of Balance (LoB) events should be quickly detected and used to control assistive devices, such as exoskeletons, that help patients maintain balance and prevent the fall. This thesis aimed to analyze and compare surface EMG data from younger and older subjects, obtained during standing balance perturbations, and to predict the perturbation direction using machine learning models. The three groups of subjects - controls, fallers and non-fallers - stood on an controlled board placed on the floor that oscillated in four directions, while muscular activity was recorded with 17 sensors placed on lower limb and trunk muscles. After preprocessing, the EMG data were analyzed for group differences using non-parametric tests, while features extracted in the time and frequency domains were used to train Random Forest and Ensemble models to classify the four directions of perturbation. Results showed that younger adults mainly adopted an ankle strategy as balancing mechanism, while older adults exhibited increased activation of proximal muscles, indicating a shift of strategy towards the hip. Only the Peroneus Longus and Tibialis Anterior muscles resulted statistically significant in distinguishing younger from older adults, with no significant differences observed between fallers and non-fallers. Machine learning models achieved good accuracy in classifying baseline state, forward and backward directions, but performed poorly in distinguishing medio-lateral perturbations. These findings demonstrate age-related changes in balancing responses and provide a foundation for machine learning-based perturbation direction classification. While the perturbation onset can be effectively detected, further refinements are needed to develop a robust real-time perturbation recognition framework.

Le cadute rappresentano una delle principali cause di infortunio, in particolare nella popolazione anziana, con costi economici elevati per la società e un impatto significativo sulla qualità della vita. Per affrontare questo problema, è fondamentale rilevare rapidamente le perdite di equilibrio e sfruttarle per il controllo di dispositivi di assistenza, come esoscheletri, che possono aiutare i pazienti a mantenere l'equilibrio e prevenire l'impatto al suolo. L'obiettivo di questa tesi è stato analizzare e confrontare l'elettromiogramma di superficie (sEMG) di soggetti giovani e anziani durante perturbazioni dell'equilibrio in posizione eretta, e predire la direzione della perturbazione attraverso l'applicazione di modelli di Machine Learning. Tre gruppi di soggetti - controls, fallers e non-fallers - hanno partecipato all'esperimento rimanendo in piedi su una piattaforma meccanica posta a terra che oscillava nelle 4 direzioni, mentre l'attività muscolare veniva registrata mediante 17 sensori posizionati su muscoli degli arti inferiori e del tronco. Dopo l'elaborazione del segnale, i dati EMG sono stati analizzati per identificare le differenze tra i gruppi tramite test statistici non parametrici. In parallelo, alcune caratteristiche del segnale nel tempo e in frequenza sono state estratte ed utilizzate per allenare dei modelli Random Forest ed Ensemble, per classificare le 4 direzioni di perturbazione. I risultati hanno mostrato che i soggetti più giovani adottavano prevalentemente una strategia di caviglia come meccanismo per mantenere l'equilibro, mentre i soggetti anziani presentavano un'attività più elevata nei muscoli prossimali, evidenziando uno spostamento verso strategie basate sull'anca. Solamente i muscoli Peroneus Longus e Tibialis Anterior sono risultati significativi nella divisione tra soggetti giovani e anziani, mentre non sono state osservate differenze rilevanti tra fallers e non-fallers. I modelli di Machine Learning hanno ottenuto buone prestazioni nella classificazione di baseline e perturbazioni antero-posteriori, ma minore accuratezza nella distinzione di quelle medio-laterali. Questo studio ha quindi evidenziato la presenza di cambiamenti legati all'età nelle risposte posturali e ha fornito una base per la classificazione delle direzioni mediante approcci di Machine Learning. Sebbene l'insorgenza della perturbazione possa essere efficacemente rilevata, sono necessari ulteriori sviluppi per realizzare un sistema di riconoscimento delle direzioni robusto e applicabile in tempo reale.