AI based motion analysis for diagnosis and rehabilitation

This thesis analyzes the dynamic relationship between gait analysis, machine learning, and motion tracking technologies, and their pivotal roles in rehabilitation and pathology diagnosis. It unfolds in two primary areas: the development and validation of a virtual assistant for home-based rehabilitation, and the introduction of a novel approach for pathology identification that combines posture and gait analysis with clinical biomarkers. In the context of rehabilitation, the thesis presents 2Vita-B Physical, a specialized software developed for home-based rehabilitation, leverages the advanced features of Microsoft Azure Kinect DK. An extensive study involving 51 participants demonstrated the high usability of the system and an accuracy of up to 84% in automatically evaluating the correctness of a rehabilitation exercise. This 2Vita-B Physical system not only enables individuals to perform rehabilitation exercises autonomously but also marks a significant step forward in enhancing patient quality of life. The detailed analysis of the usability of the system usability and accuracy lays a strong foundation for future developments in home-based rehabilitation technology. Shifting the focus to pathology identification, the thesis presents the EDAM system, a cutting-edge platform that integrates posture and gait analysis with clinical biomarkers. This comprehensive approach aids in creating decision-support tools capable of identifying Parkinson's disease, classifying gait patterns, assessing muscular activity, and predicting gait quality. The development of an extensive knowledge base for EDAM addresses standardization challenges, ensuring adaptability in various clinical environments. The findings highlight the potential of EDAM to transform pathology diagnosis, representing a breakthrough at the intersection of technology and healthcare. In summary, the thesis underscores its significant contributions to automated motion analysis and home-based rehabilitation. By seamlessly integrating gait analysis, machine learning, and state-of-the-art technology, the research not only enhances our understanding of human movement but also offers practical solutions for improving rehabilitation and pathology diagnosis. Highlighting the capabilities of Azure Kinect DK, the effectiveness of virtual assistants in rehabilitation, and the critical role of comprehensive data integration in pathology identification, the thesis emerges as a landmark in interdisciplinary research at the confluence of technology and healthcare.

Questo lavoro analizza la relazione dinamica tra analisi del passo, apprendimento automatico e tecnologie di tracciamento del movimento, e i loro ruoli fondamentali nella riabilitazione e nella diagnosi di patologie. Si articola in due aree principali: lo sviluppo e la validazione di un assistente virtuale per la riabilitazione domiciliare e l'introduzione di un nuovo approccio per l'identificazione delle patologie che combina l'analisi della postura e del passo con biomarcatori clinici. Nel contesto della riabilitazione, la tesi presenta 2Vita-B Physical, un software specializzato sviluppato per la riabilitazione domiciliare, che sfrutta le funzionalità avanzate di Microsoft Azure Kinect DK. Uno studio che coinvolge 51 partecipanti ha dimostrato l'alta usabilità del sistema e un'accuratezza fino all'84% nella valutazione automatica della correttezza di un esercizio di riabilitazione. Il sistema 2Vita-B Physical non solo consente alle persone di svolgere autonomamente esercizi di riabilitazione, ma rappresenta anche un passo avanti significativo nel miglioramento della qualità della vita del paziente. L'analisi dettagliata dell'usabilità e dell'accuratezza del sistema getta solide basi per futuri sviluppi nella tecnologia di riabilitazione domiciliare. Spostando il focus sull'identificazione delle patologie, la tesi presenta il sistema EDAM, una piattaforma all'avanguardia che integra l'analisi della postura e del passo con biomarcatori clinici. Questo approccio completo aiuta a creare strumenti decisionali capaci di identificare la malattia di Parkinson, classificare i modelli di passo, valutare l'attività muscolare e prevedere la qualità del passo. Lo sviluppo di una vasta base di conoscenza per EDAM affronta le sfide di standardizzazione, garantendo adattabilità in vari ambiti clinici. I risultati evidenziano il potenziale di EDAM nell’ambito della diagnosi di patologie, rappresentando una vera e propria svolta tecnologica nell’assistenza sanitaria. In sintesi, la tesi sottolinea il suo significativo contributo all'analisi automatica del movimento e alla riabilitazione domiciliare. Trattando di analisi del passo, apprendimento automatico e tecnologia all'avanguardia, non solo migliora la nostra comprensione del movimento umano, ma offre anche soluzioni pratiche per migliorare la riabilitazione e la diagnosi delle patologie. Evidenziando le capacità di Azure Kinect DK, l'efficacia degli assistenti virtuali nella riabilitazione e il ruolo critico dell'integrazione completa dei dati nell'identificazione delle patologie, la tesi emerge come un punto di riferimento nella ricerca interdisciplinare tra tecnologia e assistenza sanitaria.