IT202100019793A1 - Dispositivo e metodo per la caratterizzazione del tremore di un arto - Google Patents
Dispositivo e metodo per la caratterizzazione del tremore di un arto Download PDFInfo
- Publication number
- IT202100019793A1 IT202100019793A1 IT102021000019793A IT202100019793A IT202100019793A1 IT 202100019793 A1 IT202100019793 A1 IT 202100019793A1 IT 102021000019793 A IT102021000019793 A IT 102021000019793A IT 202100019793 A IT202100019793 A IT 202100019793A IT 202100019793 A1 IT202100019793 A1 IT 202100019793A1
- Authority
- IT
- Italy
- Prior art keywords
- tremor
- features
- limb
- rest
- signals
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 25
- 238000012512 characterization method Methods 0.000 title claims description 4
- 206010044565 Tremor Diseases 0.000 claims description 83
- 230000001133 acceleration Effects 0.000 claims description 43
- 210000003205 muscle Anatomy 0.000 claims description 35
- 230000001360 synchronised effect Effects 0.000 claims description 22
- 206010071390 Resting tremor Diseases 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- 230000002123 temporal effect Effects 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims 1
- 230000001131 transforming effect Effects 0.000 claims 1
- 210000003414 extremity Anatomy 0.000 description 14
- 230000006399 behavior Effects 0.000 description 11
- 230000010363 phase shift Effects 0.000 description 11
- 238000004458 analytical method Methods 0.000 description 8
- 201000010099 disease Diseases 0.000 description 7
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 7
- 241001125929 Trisopterus luscus Species 0.000 description 6
- 230000008602 contraction Effects 0.000 description 6
- 238000000354 decomposition reaction Methods 0.000 description 6
- 238000002567 electromyography Methods 0.000 description 6
- 201000006517 essential tremor Diseases 0.000 description 5
- 208000018737 Parkinson disease Diseases 0.000 description 4
- 230000004913 activation Effects 0.000 description 4
- 230000003042 antagnostic effect Effects 0.000 description 4
- 239000003814 drug Substances 0.000 description 4
- 229940079593 drug Drugs 0.000 description 4
- 239000005557 antagonist Substances 0.000 description 3
- 238000013459 approach Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 230000001020 rhythmical effect Effects 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 208000012902 Nervous system disease Diseases 0.000 description 2
- 208000025966 Neurological disease Diseases 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 206010019196 Head injury Diseases 0.000 description 1
- 208000016285 Movement disease Diseases 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 210000000245 forearm Anatomy 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 201000006417 multiple sclerosis Diseases 0.000 description 1
- 230000004118 muscle contraction Effects 0.000 description 1
- 230000004770 neurodegeneration Effects 0.000 description 1
- 208000015122 neurodegenerative disease Diseases 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000001144 postural effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 210000001364 upper extremity Anatomy 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1101—Detecting tremor
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4082—Diagnosing or monitoring movement diseases, e.g. Parkinson, Huntington or Tourette
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6813—Specially adapted to be attached to a specific body part
- A61B5/6825—Hand
- A61B5/6826—Finger
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Neurology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Neurosurgery (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Physiology (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Developmental Disabilities (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Orthopedics, Nursing, And Contraception (AREA)
- Prostheses (AREA)
Description
DESCRIZIONE
Annessa a domanda di brevetto per INVENZIONE INDUSTRIALE avente per titolo
?DISPOSITIVO E METODO PER LA CARATTERIZZAZIONE DEL
TREMORE DI UN ARTO?
La presente invenzione riguarda il campo tecnico della valutazione e diagnostica di disturbi motori.
In particolare, la presente invenzione riguarda un dispositivo ed un metodo per la caratterizzazione del tremore a riposo di un arto.
Il tremore ? una contrazione muscolare involontaria e ritmica che genera movimenti di una o pi? parti del corpo. Questo tipo di disturbo pu? arrecare disagi e pu? risultare disabilitante, rendendo difficile o impossibile l?espletamento di un?attivit? lavorativa e della routine quotidiana.
Il tremore pu? manifestarsi come un sintomo isolato o nell?ambito di vari disturbi neurologici, in molte malattie, tra cui sclerosi multipla, ictus, trauma cranico, tremore essenziale, tremore indotto da farmaci e altre malattie neurodegenerative come il morbo di Parkinson.
Nel caso in cui il paziente sia affetto da tremore muscolare, ? importante effettuare una rapida diagnosi ai fini dell?elaborazione di un percorso terapeutico e per approfondire la ricerca scientifica in materia.
Sono attualmente in fase di studio metodi per la classificazione di tremori muscolari volti ad analizzarne la dinamica per risalire alle possibili cause. ? noto, infatti, che la dinamica del tremore muscolare stesso pu? fornire indicazioni circa le sue cause e pu? essere analizzata per fini diagnostici.
Tra le varie caratteristiche elettrofisiologiche del tremore (come ad esempio frequenza, ampiezza, coerenza, etc.) il pattern ? la caratteristica pi? importante per la classificazione dei tremori. Con il termine ?pattern? si indicano generalmente due tipologie di comportamento del tremore, sincrono o alternante, riferite alla contrazione di una coppia di muscoli che agiscono come antagonisti. Ad esempio, riferendosi alla coppia muscolo estensore e muscolo flessore del carpo, si parla di comportamento o pattern alternante quando i due muscoli, durante la manifestazione del tremore della mano, si contraggono alternativamente: ad ogni contrazione dell?estensore corrisponde un rilassamento del flessore e ad ogni rilassamento dell?estensore corrisponde una contrazione del flessore. Si parla invece di pattern sincrono quando i due muscoli si contraggono e si rilassano contemporaneamente.
L?analisi elettromiografica del pattern del tremore a riposo al momento ? la pi? importante per differenziare con grande accuratezza tremori alternanti da tremori sincroni, caratteristici di malattie diverse. Per esempio, i soggetti con malattia di Parkinson hanno quasi sempre un tremore a riposo alternante mentre i soggetti con tremore essenziale, una malattia che assomiglia al Parkinson ma che ha una prognosi pi? benigna e una terapia differente, hanno un tremore a riposo sincrono.
Una particolare importanza ha dunque l?analisi elettromiografica del pattern del tremore a riposo che, a differenza di altri tipi di tremore (posturale, cinetico, isometrico), tende a rimanere costante nel tempo nello stesso individuo con una data malattia.
Si considerino a tal proposito i seguenti articoli scientifici che analizzano l?importanza del pattern del tremore a riposo nella classificazione di tremori muscolari:
, ?Tremor pattern differentiates drug-induced resting tremor from Parkinson?s disease?, Park Relat Disord.
2016, 25:100-103 e
?Synchronous pattern distinguishes resting tremor associated with essential tremor from rest tremor of Parkinson?s disease?, 2011; 17:30-33.
Attualmente, l?unico approccio tecnico per la valutazione della tipologia del pattern del tremore ? quello elettrofisiologico, cio? tramite elettromiografia, ovvero mediante la misurazione di bio-potenziali direttamente sui muscoli interessati. Il brevetto italiano n.
102019000002559 descrive un nuovo dispositivo indossabile e portatile, basato su segnali elettromiografici, per la valutazione dello sfasamento tra i due muscoli coinvolti nel tremore a riposo e la classificazione del pattern.
Il documento US6561992B1 descrive un procedimento di diagnosi di pazienti con disturbi neurologici in cui si utilizzano sensori di movimento per classificare soggetti con Parkinson rispetto a soggetti normali. Il termine pattern in tale documento non si riferisce al tipo di contrazione dei muscoli antagonisti coinvolti nel tremore (pattern alternante o sincrono) ma ? inteso come un insieme di caratteristiche o features del tremore.
Il documento US8994657B2 descrive un procedimento di identificazione di un utente mediante l?uso un dispositivo remoto, in cui si introduce un sistema di puntamento 3D equipaggiato con sensori di movimento. Il tremore dei soggetti che utilizzano tale sistema di puntamento ? utilizzato per il riconoscimento dei soggetti stessi.
Nessuna delle tecnologie sopra citate ? tuttavia in grado di classificare i tremori in base al tipo di pattern (sincrono o alternante) utilizzando segnali acquisiti da sensori di movimento (accelerometri o giroscopi), poich? l?analisi del pattern pu? essere eseguita solo mediante elettromiografia.
Diversi altri approcci condotti mediante l?uso di accelerometri e/o giroscopi sono stati tentati per distinguere soggetti con diversi tipi di tremore ma nessuno di questi approcci ha utilizzato l?analisi del pattern valutato attraverso la misurazione quantitativa del movimento ritmico dell?arto tremante, per distinguere il tremore a riposo della malattia di Parkinson da quello presente in altre malattie come il tremore essenziale o il tremore indotto da farmaci.
Esiste dunque la necessit? di disporre di una procedura di classificazione che consenta di distinguere soggetti patologici affetti da tremore a riposo, sulla base del pattern (sincrono o alternante) in maniera semplice e veloce, senza ricorrere all?uso dell?elettromiografia.
Scopo della presente invenzione ? dunque quello di proporre un dispositivo per la caratterizzazione del tremore a riposo di un arto che sia di facile utilizzo, superando in tal modo i problemi della tecnica nota. Ulteriore scopo dell?invenzione ? quello di proporre un procedimento per la caratterizzazione del tremore a riposo di un arto che sia di rapida e facile esecuzione.
Questo ed altri scopi vengono raggiunti con un dispositivo per la caratterizzazione del tremore a riposo di un arto le cui caratteristiche sono definite nella rivendicazione 1, e con un procedimento per la caratterizzazione del tremore a riposo, di un arto le cui caratteristiche sono definite nella rivendicazione 3.
In sintesi, il dispositivo secondo la presente invenzione ? un dispositivo miniaturizzato indossabile sulla mano o su un dito, che consente di valutare automaticamente dati rappresentativi di un pattern elettromiografico sincrono o alternante di tremore a riposo di un arto attraverso un sensore inerziale comprendente in particolare un accelerometro e un giroscopio triassiali.
Il procedimento secondo la presente invenzione ? un metodo di calcolo basato su modelli di machine learning e intelligenza artificiale. Modi particolari di realizzazione formano oggetto delle rivendicazioni dipendenti, il cui contenuto ? da intendersi come parte integrante della presente descrizione.
Ulteriori caratteristiche e vantaggi dell'invenzione appariranno dalla descrizione dettagliata che segue, effettuata a puro titolo di esempio non limitativo, con riferimento ai disegni allegati, nei quali:
- la Figura 1 mostra una mano di un soggetto in posizione di flessione e di estensione;
- la Figura 2 mostra un segnale elettromiografico del muscolo estensore e un segnale elettromiografico del muscolo flessore;
- la Figura 3 mostra una mano su cui ? indossato un dispositivo per la caratterizzazione del tremore a riposo di un arto secondo la presente invenzione;
- la Figura 4 mostra dei tracciati elettromiografici di un muscolo estensore e flessore misurati da un dispositivo elettromiografico;
- la Figura 5 mostra un diagramma a blocchi di un procedimento per la caratterizzazione del tremore a riposo di un arto secondo la presente invenzione.
Il dispositivo secondo la presente invenzione consente di classificare l?attivit? muscolare sincrona o alternante di un soggetto o paziente con tremore muscolare, a partire da segnali ottenuti da sensori di movimento, cio? ?osservando? il risultato motorio di un?attivit? elettrica di muscoli antagonisti, senza ricorrere all?uso dell?eletromiografia Il dispositivo secondo la presente invenzione consente anche ad un utente non esperto di utilizzare questa soluzione in autosomministrazione, senza ricorrere a personale tecnico o medico esperto.
Il dispositivo secondo la presente invenzione comprende infatti un anello da posizionare in un dito, o un dispositivo da fissare sulla mano di un paziente, atto a comunicare con un dispositivo mobile remoto, quale ad esempio uno smartphone o un tablet.
In presenza di tremore a riposo di un arto ? possibile leggere il responso del sistema sul dispositivo mobile: tremore sincrono (con muscoli antagonisti che si contraggono contemporaneamente) oppure tremore alternante (con muscoli antagonisti che si contraggono alternativamente).
La funzione principale di questa classificazione ? quella di riconoscere precocemente il tremore parkinsoniano, che ? tipicamente un tremore a riposo che ha un pattern alternante, e distinguerlo da altri tremori non dovuti alla malattia di Parkinson, come per esempio il tremore essenziale o il tremore indotto da farmaci che possono avere anche un tremore a riposo ma con un pattern sincrono.
Si far? ora riferimento ad una coppia di muscoli antagonisti localizzati sull?avambraccio di un soggetto: muscolo estensore e muscolo flessore del carpo.
La figura 1 mostra una mano 10 di un soggetto: quando ? attivo il muscolo flessore, la mano 10 ? piegata verso il basso 12 (flessione), quando ? attivo il muscolo estensore, la mano 10 ? piegata verso l?alto 14 (estensione). Il movimento che interessa questi due muscoli ? detto ?flesso-estensione?.
Un comportamento di tremore ?perfettamente alternante? di una coppia di muscoli antagonisti, estensore e flessore, produce un movimento ritmico di flesso-estensione ed ? caratterizzato dall?attivazione periodica dei due muscoli con un?opposizione di fase di circa 180?.
La Figura 2 mostra un segnale elettromiografico estensore 100 relativo al muscolo estensore e un segnale elettromiografico flessore 102 relativo al muscolo flessore, in funzione del tempo.
Il pattern di attivazione dei due muscoli (alternante o sincrono) coinvolti nel tremore pu? essere valutato utilizzando l?elettromiografia, classica o portatile (quest?ultima oggetto del brevetto n.
102019000002559), cio? acquisendo e misurando i potenziali elettrici di superficie prodotti dall?attivit? dei due muscoli. Tuttavia, la procedura elettromiografica classica richiede attrezzature molto costose, la presenza di personale tecnico e medico con grande esperienza nell?interpretazione dei bio-segnali elettrofisiologici e un corretto utilizzo e posizionamento degli elettrodi di superficie sui muscoli coinvolti nel tremore. L?attrezzatura elettromiografica portatile oggetto del suddetto brevetto ? meno costosa dell?attrezzatura classica, fornisce un?analisi automatica dei diversi tipi di pattern ma richiede la presenza di personale tecnico o medico esperto per un corretto utilizzo e posizionamento degli elettrodi di superficie sui muscoli coinvolti nel tremore.
L?obiettivo principale del presente trovato ? quello di stimare il pattern di attivazione muscolare nei tremori a riposo degli arti superiori acquisiti senza ricorrere a registrazioni elettromiografiche, ma soltanto basandosi su segnali inerziali, attraverso un semplice dispositivo indossabile che pu? essere utilizzato anche in autosomministrazione dal soggetto affetto da tremore, senza ricorrere a personale tecnico o medico esperto.
Il dispositivo secondo la presente invenzione consente di acquisire segnali di movimento di un arto, di trasformarli in dati rappresentativi di un pattern di tremore a riposo, e di distinguere quindi un tremore sincrono da un tremore alternante sulla base dell?analisi di tali dati rappresentativi del pattern.
La figura 3 mostra la mano 10 su cui ? indossato un dispositivo per la caratterizzazione del tremore a riposo di un arto 16 secondo la presente invenzione. Il dispositivo 16 ? preferibilmente un dispositivo miniaturizzato indossabile sulla mano stessa o come un anello da dito.
Sulla figura 3 ? inoltre mostrato un sistema di riferimento cartesiano XYZ.
Il dispositivo 16 della presente invenzione comprende un sensore inerziale composto da un accelerometro triassiale e da un giroscopio triassiale, aventi gli assi orientati secondo il sistema di riferimento cartesiano mostrato in Figura 3.
Utilizzando l?accelerometro e il giroscopio si ottengono in modo per s? noto segnali di accelerazione e di velocit? angolare le cui caratteristiche permettono di individuare un comportamento puramente alternante (flesso-estensione pura).
Una prima caratteristica dei segnali che consente di identificare un comportamento puramente alternante del tremore ? lo sfasamento nullo tra le accelerazioni ay e az, lungo gli assi y e z, rispettivamente, e l?elevata correlazione (valori maggiori o uguali a 0.90) di queste due accelerazioni con la velocit? angolare ?x, misurata dal giroscopio lungo l?asse x.
Una deviazione importante da questo comportamento permette quindi di individuare un pattern di attivazione di tremore sincrono, come mostrato dai tracciati elettromiografici 200 e 202 mostrati in Figura 4 e relativi al muscolo estensore e flessore, rispettivamente.
Tuttavia, i tremori non hanno sempre caratteristiche cos? nette, per cui i due comportamenti di flesso-estensione alternante e sincrona potrebbero essere non sempre facilmente distinguibili con questa metodica.
Per risolvere questo problema, si ricorre a caratteristiche (features) aggiuntive, che tengono conto anche dei movimenti rilevati sugli altri assi. In particolare, si utilizzano terne di assi composte da una coppia di assi accelerometrici e da un asse giroscopico ortogonale alla coppia di assi accelerometrici, in particolare:
- ay, az, ?x;
- ax, az, ?y;
- ax, ay, ?z;
dove a indica l?accelerazione misurata dall?accelerometro lungo l?asse indicato come pedice, e ? indica la velocit? angolare misurata dal giroscopio lungo l?asse indicato come pedice.
In particolare, facendo riferimento alla Figura 3, un movimento puramente alternante (flesso-estensione pura) avr? correlazione, nella prima terna ay e az con ?x superiore a 0.9, con correlazioni molto minori di 0.9 tra assi accelerometrici e asse giroscopico nelle altre due terne, mentre un movimento sincrono di flessore ed estensore, avr? correlazioni molto minori di 0.9 nella prima terna e maggiori 0.9 nella seconda terna.
Lo stesso accade per un movimento che si sviluppa sul piano della mano (rotazione attorno all?asse z): correlazioni degli assi accelerometrici con quello giroscopico maggiore di 0.9 nella terza terna e minore 0.9 nella prima. Possono anche esserci comportamenti intermedi, con correlazioni maggiori di 0.8 nella seconda e terza terna e minori 0.8 nella prima terna. La combinazione, poi, delle features di correlazione e fase nelle tre terne permette di discriminare meglio i due comportamenti (contrazione alternante di flessore ed estensore con flesso-estensione pura, rispetto a contrazione sincrona di flessore ed estensore con movimento prevalentemente espresso dalle seconda e terza terna).
Vantaggiosamente, il dispositivo 16 comprende i seguenti componenti:
- un sensore inerziale come sopra indicato, a sei o pi? assi (IMU ? Inertial Measurement Unit), predisposto per rilevare accelerazioni almeno lungo tre assi accelerometrici e velocit? angolari attorno a tre assi giroscopici, dette accelerazioni e velocit? angolari essendo correlate al pattern di tremore a riposo dell?arto su cui ? indossato detto dispositivo 16;
- un microcontrollore predisposto per:
- acquisire e campionare i segnali provenienti dal sensore inerziale, preferibilmente ad una frequenza di almeno 100Hz;
- filtrare, in una predeterminata banda, ad esempio 3-12Hz, detti segnali;
- configurare il sensore, ovvero configurare gli intervalli di accelerazione e velocit? angolare e le sensitivit? del sensore, pacchettizzare i campioni secondo un?opportuna rappresentazione (ad esempio, pacchetti da 20 bytes secondo lo standard Bluetooth Low Energy con 2 byte di header, 4 byte di timestamp, 2 byte per ax, 2 byte per ay, 2 byte per az, 6 byte per le tre letture giroscopiche, 1 byte di flag per identificare una modalit? o una configurazione del sensore e 1 byte di checksum) e trasformare detti segnali ricevuti in pacchetti di dati;
- analizzare detti pacchetti di dati, rappresentativi del pattern del tremore a riposo dell?arto, in modo tale da identificare un pattern di tremore a riposo sincrono o un pattern di tremore a riposo alternante;
- un dispositivo di interfaccia, ad esempio un?interfaccia Bluetooth, collegato a detto microcontrollore, per la comunicazione e l?invio dei pacchetti di dati verso un dispositivo mobile remoto (smartphone o tablet).
Vantaggiosamente sono inoltre presenti una batteria e un sistema di ricarica e gestione dell?alimentazione.
La fase di analisi dei pacchetti di dati viene eseguita utilizzando un metodo di calcolo basato su modelli di machine learning e intelligenza artificiale come descritto qui di seguito con riferimento alla figura 5.
La figura 5 mostra un diagramma a blocchi del procedimento per la caratterizzazione del tremore di un arto secondo la presente invenzione.
Tale procedimento si basa sull?intelligenza artificiale ed ? atto ad essere eseguito dal dispositivo 16 per la caratterizzazione del tremore di un arto secondo la presente invenzione.
Il procedimento si basa sull?analisi di uno o pi? sottoinsiemi di features, descritte in dettaglio in seguito, le quali vengono elaborate attraverso un algoritmo di classificazione basato su machine learning, preventivamente allenato, quale ad esempio il Support Vector Machine, K-Means, Random Forest, Rete Neurale Convoluzionale, etc.
Il procedimento pu? essere esteso all?acquisizione di features su finestre temporali adiacenti o con sovrapposizione, per avere informazioni sulla variabilit? delle stesse nel tempo: si ottengono cos? diversi insiemi di features corrispondenti a segmenti temporali diversi.
I valori delle features di ogni sottoinsieme vengono poi normalizzati rispetto alla propria scala, in modo da ottenere valori tra 0 e 1 per ciascuna feature. I valori cos? ottenuti vengono in seguito mappati su valori da 0 a 255 e combinati per ottenere una mappa bidimensionale di ciascun insieme di features corrispondente ad una matrice rettangolare di pixel in scala di grigi.
La composizione di una o pi? mappe pu? essere trattata come un?immagine bidimensionale in scala di grigi e viene processata tramite una rete neurale convoluzionale, adeguatamente pre-allenata, per il riconoscimento di figure ricorrenti su immagini.
Alternativamente, dopo aver estratto le features attraverso una fase di pre-allenamento oppure attraverso un primo layer di rete neurale che estrae K features, si passano tali features estratte ad un altro classificatore noto (RF, K-Means, SVM, etc.)
L?uscita della rete neurale convoluzionale ? di tipo binario, e cio?:
0 = comportamento di tremore a riposo corrispondente a pattern muscolare sincrono
1 = comportamento di tremore a riposo corrispondente a pattern muscolare alternante.
Il procedimento della presente invenzione inizia quindi in un primo passo 300 in cui si ricevono i segnali provenienti dal sensore inerziale (segnale di accelerazione ax, ay, az lungo i tre assi XYZ del sistema cartesiano, e segnale di velocit? angolare ?x, ?y, ?z del sensore).
Successivamente, in un passo 302, si filtrano tali segnali in una banda predeterminata, preferibilmente pari a 3-12Hz.
Ai passi 304a, 304b e 304c si eseguono in parallelo un?estrazione di features statistiche, di frequenza, e temporali, rispettivamente, ottenendo sottoinsiemi di features. In particolare, l?estrazione temporale comprende due sotto-categorie dettagliate in seguito, estrazione temporale pura ed estrazione tempo-frequenza.
Nel seguito verranno dettagliate le features che vengono estratte in ognuno dei passi 304a, 304b e 304c.
Al passo 306 le features estratte ai passi precedenti vengono inviate ad un classificatore di per s? noto pre-allenato del tipo Support Vector Machine, K-Means, Random Forest il quale esegue una classificazione delle features, utilizzando una normalizzazione dei valori delle features come sopra indicato, e ottenendo le due classi di uscita binarie.
Verranno ora indicate le features che vengono estratte ai passi 304a-304c, divise per categoria.
Features nel dominio del tempo:
- Cay,az: correlazione tra accelerazione lungo y e accelerazione lungo z; - Cay,wx: correlazione tra accelerazione lungo y e velocit? angolare lungo x;
- Caz,wx: correlazione tra accelerazione lungo z e velocit? angolare lungo x;
- Cax,az: correlazione tra accelerazione lungo x e accelerazione lungo z; - Cax,wy: correlazione tra accelerazione lungo x e velocit? angolare lungo y;
- Caz,wy: correlazione tra accelerazione lungo z e velocit? angolare lungo y;
- Cax,ay: correlazione tra accelerazione lungo x e accelerazione lungo y; - Cax,wz: correlazione tra accelerazione lungo x e velocit? angolare lungo z;
- Cay,wz: correlazione tra accelerazione lungo y e velocit? angolare lungo z;
- Valori rms di tutti gli assi accelerometrici e giroscopici;
- A<+>ax: ampiezza media dell?accelerazione lungo x, semionda positiva; - A-ax: ampiezza media dell?accelerazione lungo x, semionda negativa; - A<+>ay: ampiezza media dell?accelerazione lungo y, semionda positiva; - A-ay: ampiezza media dell?accelerazione lungo y, semionda negativa; - A<+>az: ampiezza media dell?accelerazione lungo z, semionda positiva; - A-az: ampiezza media dell?accelerazione lungo z, semionda negativa; - A<+>wx: ampiezza media della velocit? angolare lungo x, semionda positiva; - A-wx: ampiezza media della velocit? angolare lungo x, semionda negativa;
- A<+>wy: ampiezza media della velocit? angolare lungo y, semionda positiva; - A-wy: ampiezza media della velocit? angolare lungo y, semionda negativa - A<+>wz: ampiezza media della velocit? angolare lungo z, semionda positiva - A-wz: ampiezza media della velocit? angolare lungo z, semionda negativa;
- Aax: ampiezza media picco-picco dell?accelerazione lungo x;
- Aay: ampiezza media picco-picco dell?accelerazione lungo y;
- Aaz: ampiezza media picco-picco dell?accelerazione lungo z;
- Awx: ampiezza media picco-picco della velocit? angolare lungo x;
- Awy: ampiezza media picco-picco della velocit? angolare lungo y;
- Awz: ampiezza media picco-picco della velocit? angolare lungo z.
Features nel dominio della frequenza:
- fax: frequenza fondamentale lungo asse accelerometrico x;
- fay: frequenza fondamentale lungo asse accelerometrico y;
- faz: frequenza fondamentale lungo asse accelerometrico z;
- fwx: frequenza fondamentale lungo asse giroscopico x;
- fwy: frequenza fondamentale lungo asse giroscopico y;
- fwz: frequenza fondamentale lungo asse giroscopico z;
- Bax: banda 3dB occupata attorno alla frequenza fondamentale lungo asse accelerometrico x;
- Bay: banda 3dB occupata attorno alla frequenza fondamentale lungo asse accelerometrico y;
- Baz: banda 3dB occupata attorno alla frequenza fondamentale lungo asse accelerometrico z
- Bwx: banda 3dB occupata attorno alla frequenza fondamentale lungo asse giroscopico x
- Bwy: banda 3dB occupata attorno alla frequenza fondamentale lungo asse giroscopico y
- Bwz: banda 3dB occupata attorno alla frequenza fondamentale lungo asse giroscopico z
- Coh<yz>: coerenza tra assi accelerometrici y e z nella banda [3 ? 10] Hz - Cohxz: coerenza tra assi accelerometrici x e z nella banda [3 ? 10] Hz - Cohxy: coerenza tra assi accelerometrici x e y nella banda [3 ? 10] Hz - Rapporto Ppeak,x/Pout,x, valutato come rapporto tra la potenza in banda a 3dB attorno al picco di frequenza fondamentale e la potenza fuori dalla banda a 3dB del picco di frequenza fondamentale, asse accelerometrico x;
- Rapporto Ppeak,y/Pout,y, valutato come rapporto tra la potenza in banda a 3dB attorno al picco di frequenza fondamentale e la potenza fuori dalla banda a 3dB del picco di frequenza fondamentale, asse accelerometrico y;
- Rapporto Ppeak,z/Pout,z, valutato come rapporto tra la potenza in banda a 3dB attorno al picco di frequenza fondamentale e la potenza fuori dalla banda a 3dB del picco di frequenza fondamentale, asse accelerometrico z;
- Rapporto Ppeak,wx/Pout,wx, valutato come rapporto tra la potenza in banda a 3dB attorno al picco di frequenza fondamentale e la potenza fuori dalla banda a 3dB del picco di frequenza fondamentale, asse giroscopico x; - Rapporto Ppeak,wy/Pout,wy, valutato come rapporto tra la potenza in banda a 3dB attorno al picco di frequenza fondamentale e la potenza fuori dalla banda a 3dB del picco di frequenza fondamentale, asse giroscopico y; - Rapporto Ppeak,wz/Pout,wz, valutato come rapporto tra la potenza in banda a 3dB attorno al picco di frequenza fondamentale e la potenza fuori dalla banda a 3dB del picco di frequenza fondamentale, asse giroscopico z; - Rapporto Pyz/Pyz,out, valutato come rapporto tra la potenza in banda a 3dB attorno al picco di frequenza fondamentale e la potenza fuori dalla banda a 3dB del picco di frequenza fondamentale, valutata sulla cross spectral
density tra ay e az;
- Rapporto Pxy/Pxy,out, valutato come rapporto tra la potenza in banda a 3dB attorno al picco di frequenza fondamentale e la potenza fuori dalla banda a 3dB del picco di frequenza fondamentale, valutata sulla cross spectral
density tra ax e ay;
- Rapporto Pxz/Pxz,out, valutato come rapporto tra la potenza in banda a 3dB attorno al picco di frequenza fondamentale e la potenza fuori dalla banda a 3dB del picco di frequenza fondamentale, valutata sulla cross spectral
density tra ax e az.
Features nel dominio tempo-frequenza:
- ?ay,az: sfasamento tra accelerazione lungo y e accelerazione lungo z; - ?ay,wx: sfasamento tra accelerazione lungo y e velocit? angolare lungo x; - ?az,wx: sfasamento tra accelerazione lungo z e velocit? angolare lungo x; - ?ax,az: sfasamento tra accelerazione lungo x e accelerazione lungo z; - ?ax,wy: sfasamento tra accelerazione lungo x e velocit? angolare lungo y; - ?az,wy: sfasamento tra accelerazione lungo z e velocit? angolare lungo y; - ?ax,ay: sfasamento tra accelerazione lungo x e accelerazione lungo y; - ?ax,wz: sfasamento tra accelerazione lungo x e velocit? angolare lungo z; - ?ay,wz: sfasamento tra accelerazione lungo y e velocit? angolare lungo z; - Coefficienti decomposizione wavelet di ax;
- Coefficienti decomposizione wavelet di ay;
- Coefficienti decomposizione wavelet di az;
- Coefficienti decomposizione wavelet di ?x;
- Coefficienti decomposizione wavelet di ?y;
- Coefficienti decomposizione wavelet di ?z.
Features statistiche;
- deviazioni standard di tutti gli assi accelerometrici e giroscopici;
- momenti di ordine 3, 4 e 5 di tutti gli assi accelerometrici e giroscopici; - sample entropy di tutti gli assi accelerometrici e giroscopici;
- asimmetria e curtosi di tutti gli assi accelerometrici e giroscopici.
I principali vantaggi del dispositivo 16 e del procedimento secondo la presente invenzione sono:
- il dispositivo 16 non richiede particolare preparazione tecnica per il montaggio;
- il procedimento non ? invasivo e l?esame dura pochi secondi;
- il dispositivo 16 pu? essere utilizzato in autosomministrazione, senza supervisione del medico, per poi condividere il risultato, da remoto, con il proprio medico di riferimento.
- pu? consentire, per il basso costo e la facilit? di utilizzo, la valutazione dei diversi tipi di tremore a domicilio e su larga scala con enormi vantaggi per la diagnosi precoce.
Naturalmente, fermo restando il principio dell'invenzione, le forme di attuazione ed i particolari di realizzazione potranno essere ampiamente variati rispetto a quanto ? stato descritto ed illustrato a puro titolo di esempio non limitativo, senza per questo uscire dall'ambito di protezione della presente invenzione definito dalle rivendicazioni allegate.
Claims (8)
1. Dispositivo (16) per la caratterizzazione del tremore a riposo di un arto atto ad essere indossato sull?arto di un paziente, detto dispositivo (16) comprendendo:
- un sensore inerziale predisposto per rilevare segnali di accelerazione almeno lungo tre assi accelerometrici, e velocit? angolari attorno a tre assi giroscopici, relativi al movimento di tremore a riposo di detto arto;
- un microcontrollore predisposto per:
acquisire e campionare detti segnali provenienti dal sensore inerziale;
filtrare, in una predeterminata banda, detti segnali;
trasformare detti segnali ricevuti in pacchetti di dati rappresentativi di un pattern muscolare elettromiografico di tremore a riposo di detto arto in modo tale da identificare un pattern di tremore a riposo di tipo sincrono o un pattern di tremore a riposo di tipo alternante.
2. Dispositivo secondo la rivendicazione 1, comprendente inoltre un dispositivo di interfaccia, collegato a detto microcontrollore, predisposto per comunicare e inviare detti pacchetti di dati verso un dispositivo mobile remoto.
3. Dispositivo (16) secondo la rivendicazione 1, in cui detto dispositivo ? predisposto per essere indossato su una mano o su un dito di una mano.
4. Procedimento per la caratterizzazione del tremore a riposo di un arto comprendente le operazioni di:
- predisporre un dispositivo (16) secondo le rivendicazione 1-3;
- ricevere (300) dal sensore inerziale segnali di accelerazione (ax, ay, az) lungo i tre assi (X,Y,Z) di un sistema cartesiano associato a detto sensore inerziale e segnali di velocit? angolare (?x, ?y, ?z) di detto sensore inerziale, detti segnali essendo legati al movimento di tremore a riposo di detto arto;
- filtrare (302) detti segnali in una banda predeterminata;
- eseguire (304a, 304b, 304c) in parallelo un?estrazione di features statistiche, di frequenza e temporale, ottenendo sottoinsiemi di features; - inviare (306) detti sottoinsiemi di features estratte ad un classificatore atto ad eseguire una classificazione delle features e ottenere due classi di uscita rappresentative rispettivamente di un comportamento di tremore a riposo corrispondente a pattern muscolare elettromiografico di tipo sincrono e di un comportamento di tremore a riposo corrispondente a pattern muscolare elettromiografico di tipo alternante.
5. Procedimento secondo la rivendicazione 4, in cui il classificatore comprende Support Vector Machine, K-Means, Random Forest, Rete Neurale Convoluzionale.
6. Procedimento secondo la rivendicazione 4 o 5, in cui le features vengono acquisite su finestre temporali adiacenti o con sovrapposizione, per avere informazioni sulla variabilit? delle stesse nel tempo.
7. Procedimento secondo una qualsiasi delle rivendicazioni da 4 a 6, in cui i valori delle features vengono normalizzati rispetto ad una propria scala, in modo da ottenere valori tra 0 e 1 per ciascuna feature, detti valori normalizzati venendo in seguito mappati su valori da 0 a 255 e combinati per ottenere una mappa bidimensionale di ciascun insieme di features corrispondente ad una matrice rettangolare di pixel in scala di grigi.
8. Procedimento secondo una qualsiasi delle rivendicazioni da 4 a 7, in cui le features comprendono features nel dominio del tempo, features nel dominio della frequenza, features nel dominio tempo-frequenza e features statistiche.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| IT102021000019793A IT202100019793A1 (it) | 2021-07-26 | 2021-07-26 | Dispositivo e metodo per la caratterizzazione del tremore di un arto |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| IT102021000019793A IT202100019793A1 (it) | 2021-07-26 | 2021-07-26 | Dispositivo e metodo per la caratterizzazione del tremore di un arto |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| IT202100019793A1 true IT202100019793A1 (it) | 2023-01-26 |
Family
ID=78333120
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| IT102021000019793A IT202100019793A1 (it) | 2021-07-26 | 2021-07-26 | Dispositivo e metodo per la caratterizzazione del tremore di un arto |
Country Status (1)
| Country | Link |
|---|---|
| IT (1) | IT202100019793A1 (it) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6561992B1 (en) | 2000-09-05 | 2003-05-13 | Advanced Research And Technology Institute, Inc. | Method and apparatus utilizing computational intelligence to diagnose neurological disorders |
| US8994657B2 (en) | 2004-04-30 | 2015-03-31 | Hillcrest Laboratories, Inc. | Methods and devices for identifying users based on tremor |
| IT201900002559A1 (it) | 2019-02-22 | 2020-08-22 | Aldo Quattrone | Metodo e kit per la classificazione di tremori muscolari |
-
2021
- 2021-07-26 IT IT102021000019793A patent/IT202100019793A1/it unknown
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6561992B1 (en) | 2000-09-05 | 2003-05-13 | Advanced Research And Technology Institute, Inc. | Method and apparatus utilizing computational intelligence to diagnose neurological disorders |
| US8994657B2 (en) | 2004-04-30 | 2015-03-31 | Hillcrest Laboratories, Inc. | Methods and devices for identifying users based on tremor |
| IT201900002559A1 (it) | 2019-02-22 | 2020-08-22 | Aldo Quattrone | Metodo e kit per la classificazione di tremori muscolari |
Non-Patent Citations (5)
| Title |
|---|
| DE ARAÚJO ANA CAMILA ALVES ET AL: "Hand Resting Tremor Assessment of Healthy and Patients With Parkinson's Disease: An Exploratory Machine Learning Study", FRONTIERS IN BIOENGINEERING AND BIOTECHNOLOGY, vol. 8, no. 778, 14 July 2020 (2020-07-14), pages 1 - 13, XP055908182, Retrieved from the Internet <URL:https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7381229/pdf/fbioe-08-00778.pdf> DOI: 10.3389/fbioe.2020.00778 * |
| MARINO SILVIA ET AL: "Quantitative assessment of Parkinsonian tremor by using biosensor device", MEDICINE, vol. 98, no. 51, 1 December 2019 (2019-12-01), US, pages e17897, XP055908134, ISSN: 0025-7974, DOI: 10.1097/MD.0000000000017897 * |
| NISTICO R.FRATTO A.BISHOPRIC B.ARABIA G.SCIACCA G.MORELLI M.LABATE A.SALSONE M.NOVELLINO F.NICOLETTI G., SYNCHRONOUSPATTERN DISTINGUISHING REMAINS TREMOR ASSOCIATED WITH ESSENTIAL TREMOR FROM REST TREMOR OF PARKINSON'S DISEASE, vol. 17, 2011, pages 30 - 33 |
| NISTICO R.PIRRITANO R.SALSONE M.NOVELLINO F.DEL GIUDICE F.MORELLI M.TROTTA M.BILOTTI G.CONDINO F.CHERUBINI A.: "tremorpattern differentiates drug-induced resting tremor from Parkinson's disease", PARK RELAT DISORD, vol. 25, 2016, pages 100 - 103, XP029480814, DOI: 10.1016/j.parkreldis.2016.02.002 |
| VESCIO BASILIO ET AL: "Wearable Devices for Assessment of Tremor", FRONTIERS IN NEUROLOGY, vol. 12, 11 June 2021 (2021-06-11), pages 680011, XP055908183, Retrieved from the Internet <URL:https://www.ncbi.nlm.nih.gov/pmc/articles/PMC8226078/pdf/fneur-12-680011.pdf> DOI: 10.3389/fneur.2021.680011 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ghasemzadeh et al. | A body sensor network with electromyogram and inertial sensors: Multimodal interpretation of muscular activities | |
| Matthews et al. | Real time workload classification from an ambulatory wireless EEG system using hybrid EEG electrodes | |
| Yoon et al. | Improvement of dynamic respiration monitoring through sensor fusion of accelerometer and gyro-sensor | |
| Mokaya et al. | Burnout: a wearable system for unobtrusive skeletal muscle fatigue estimation | |
| CN109069066A (zh) | 可穿戴和连接的步态分析系统 | |
| Woodward et al. | Pervasive monitoring of motion and muscle activation: Inertial and mechanomyography fusion | |
| KR101205908B1 (ko) | 보행과 심전도 모니터링을 통한 초기인지장애와 치매 평가 시스템 및 그 방법 | |
| Angeles et al. | Automated assessment of symptom severity changes during deep brain stimulation (DBS) therapy for Parkinson's disease | |
| AU2013239151A1 (en) | System for the acquisition and analysis of muscle activity and operation method thereof | |
| AU2007210929A1 (en) | Gait analysis | |
| US20220287651A1 (en) | Method and system for analyzing biomechanical activity and exposure to a biomechanical risk factor on a human subject in a context of physical activity | |
| Alam et al. | Tremor quantification of Parkinson's disease-a pilot study | |
| Töreyin et al. | A proof-of-concept system to analyze joint sounds in real time for knee health assessment in uncontrolled settings | |
| Saggio et al. | Sensory systems for human body gesture recognition and motion capture | |
| Kaczmarek et al. | Towards sensor position-invariant hand gesture recognition using a mechanomyographic interface | |
| US11642046B2 (en) | System and method for shoulder proprioceptive analysis | |
| Kalkbrenner et al. | Sleep monitoring using body sounds and motion tracking | |
| Kumar et al. | Motor recovery monitoring in post acute stroke patients using wireless accelerometer and cross-correlation | |
| Fenu et al. | IMU based post-traumatic rehabilitation assessment | |
| CN108542355A (zh) | 一种裸眼3d显示视觉诱导晕动症评估方法 | |
| IT202100019793A1 (it) | Dispositivo e metodo per la caratterizzazione del tremore di un arto | |
| US10966652B1 (en) | Method and system for quantifying movement disorder systems | |
| Mesanza et al. | Machine learning based fall detector with a sensorized tip | |
| Yang et al. | Wrist movement detection for prosthesis control using surface EMG and triaxial accelerometer | |
| Gupta | A quantitative performance assessment of surface EMG and accelerometer in sign language recognition |