ITUB20159413A1 - Metodo e sistema di rilevazione di movimenti - Google Patents

Description

METODO E SISTEMA DI RILEVAZIONE DI MOVIMENTI

DESCRIZIONE

Campo di applicazione

La presente invenzione si riferisce ad un metodo ed agli strumenti per effettuare la rilevazione di movimenti predeterminati, in particolare ripetitivi, di uno o più distretti corporei di un soggetto.

Background

Nel seguito di questa descrizione si farà particolare riferimento al caso di rilevazione di movimenti ripetitivi del braccio e/o della mano, essendo questo un problema particolarmente sentito. Tuttavia è da intendersi che il medesimo principio potrà essere applicato a qualsiasi distretto corporeo e/o a porzioni di uno o più distretti corporei.

In Europa patologie come le tendiniti mano/polso e l’epicondilite hanno nettamente superato nelle classifiche delle malattie professionali altre patologie più “classiche” quali tumori, ipoacusie e dermatiti. L’Agenzia Europea per la Sicurezza e Salute sul Lavoro ha prodotto numerosi documenti in merito alla prevenzione dei Work Related Musculoskeletal Disorders (WMSDs). In uno di questi si indica chiaramente come gli WMSDs siano causati principalmente da attività lavorative comportanti movimentazione manuale di carichi (MMC), lavoro fisico pesante, posture incongrue, movimenti ripetuti degli arti, vibrazioni e, inoltre, come il rischio per WMSDs possa aumentare in funzione di elevati ritmi di lavoro, bassa soddisfazione lavorativa, alta domanda e stress lavorativo. Oggi i WMSDs si presentano come patologia professionale di primo rilievo per diffusione e per costi economici e sociali indotti. Ciò ha spinto molte agenzie nazionali, continentali ed intemazionali tra cui ILO (International Labour Office) ed WHO (Word Health Organization) a varare programmi articolati di monitoraggio e contrasto delle condizioni di lavoro determinanti gli WMSDs.

Per determinare la componente di rischio presente in determinati lavori a elevata ripetitività dei movimenti, è stato messo a punto e sviluppato il cosidetto metodo OCRA, con il quale gli specialisti di settore sono in grado di ricavare un modello di previsione della frequenza delle patologie muscolo-scheletriche correlate al lavoro degli arti superiori, nella popolazione esposta a movimenti ripetuti in base alla mansione specifica del lavoratore e ad altri fattori correlati, quali l’addestramento specifico, la gestualità del singolo etc..

Il metodo OCRA, riconosciuto ad oggi a livello Europeo come il principale metodo per la valutazione del rischio, valuta tutti i distretti degli arti superiori e fornisce informazioni esaustive sulla criticità della postazione o del compito lavorativo esaminato, prendendo in considerazione molteplici fattori di rischio (frequenza delle azioni tecniche, ripetitività, posture incongrue, forza, fattori aggiuntivi, carenza di periodi di recupero, durata dei compiti ripetitivi). Si tratta però di una metodica complessa, che richiede tempo per essere eseguita e che presuppone anche una adeguata formazione dell’operatore che la esegue. Il metodo, purtroppo, conserva un certo grado di indeterminatezza dovuta ad una soggettività intrinseca all’applicazione dello stesso, che porta l’operatore, dopo aver realizzato videoriprese del compito da analizzare, a contare singolarmente le azioni tecniche effettuate durante lo svolgimento del compito lavorativo.

Breve descrizione dell’invenzione

L’obiettivo della presente invenzione è quello di coadiuvare l'operatore nell'applicazione del metodo OCRA, ormai riconosciuto nel settore come valido modello di valutazione, automatizzandone l’uso attraverso un sistema di misura calibrato e ripetibile.

Scopo della presente invenzione è dunque quello di superare le problematiche sopra esposte, e ciò è ottenuto attraverso un metodo come definito nella rivendicazione 1.

Ulteriore scopo della presente invenzione è quello di fornire gli strumenti utili all’implementazione di un metodo come descritto e rivendicato, ed in particolare un sistema di rilevazione come definito nella rivendicazione indipendente n. 13. Ancora un ulteriore scopo della presente invenzione è quello di fornire un capo di abbigliamento indossabile, in particolare un giubbotto, sensorizzato appositamente per poter essere utilizzato in un sistema come descritto e rivendicato. Un tale capo di abbigliamento è definito nella rivendicazione indipendente n. 15.

Ulteriori caratteristiche della presente invenzione sono definite nelle corrispondenti rivendicazioni dipendenti.

I vantaggi, assieme alle caratteristiche ed alle modalità di impiego della presente invenzione, risulteranno evidenti dalla seguente descrizione dettagliata di sue forme di realizzazione preferite, presentate a scopo esemplificativo e non limitativo.

Breve descrizione delle figure

Verrà fatto riferimento ai disegni riportati nelle figure allegate, in cui:

- la figura 1 descrive posture e movimenti della spalla;

- la figura 2 descrive posture e movimenti del gomito e del polso;

la figura 3 è una schematizzazione di un sistema secondo la presente invenzione;

- la figura 4 è un esempio di capo di abbigliamento sensorizzato secondo la presente invenzione;

- la figura 5 è un esempio di composizione delle finestre da cui sono estratte le features;

- la figura 6 è un esempio di matrice di confusione per uno dei test effettuati;

- la figura 7 è un esempio di riconoscimento esatto di una sequenza;

- la figura 8 è un esempio di riconoscimento approssimato di una sequenza; e

- la figura 9 è un esempio di riconoscimento di un ciclo.

Descrizione dettagliata di forme di realizzazione dell’invenzione

La presente invenzione sarà di seguito descritta facendo riferimento alle figure suindicate.

In termini più generali, pur facendo riferimento al caso specifico dei movimenti del braccio, un metodo secondo la presente invenzione, si basa sul seguente principio.

In una successione di posizioni che il braccio assume durante le normali attività del soggetto, possono essere identificate particolari e specifiche sequenze e/o cicli di posizioni che possono essere ricondotte ai movimenti ripetitivi che vogliono essere riconosciuti e di cui si vuol poi contare le occorrenze nell’unità di tempo.

Al fine di discretizzare lo spazio continuo di tutte le possibili posizioni del braccio in un insieme circoscritto di posizioni note, si è utilizzato come riferimento lo schema contenuto nella normativa UNI-ISO 11228/3, descritto nelle figure 1 e 2.

Pertanto il metodo secondo l’invenzione prevede innanzitutto un passo di definire una pluralità di classi di posizione (CP) dei distretti corporei (DC) interessati, ad esempio il braccio.

In tal senso possono essere, ad esempio, presi in considerazione quattro gruppi di posizioni: elevazione laterale (fig. 1 a), elevazione frontale (fig. 1b), estensione (fig. 1c), flessione del gomito (fig. 2b). Più in dettaglio, le classi di posizioni (CP) identificate e riconoscibili tramite il metodo comprendono una o più tra le seguenti:

• Braccio lungo il fianco (Posizione 0)

· Braccio elevato lateralmente tra 0° e 45° (Posizione 1 )

• Braccio elevato lateralmente tra 45° e 90° (Posizione 2)

• Braccio elevato lateralmente tra 90° e 135° (Posizione 3)

• Elevazione massima (180°) (Posizione 4)

• Braccio elevato frontalmente tra 0° e 40° (Posizione 5)

· Braccio elevato frontalmente tra 40° e 80° (Posizione 6)

• Braccio elevato frontalmente tra 80° e 120° (Posizione 7)

• Estensione maggiore di 20° (Posizione 8)

• Flessione gomito tra 0° e 60° (Posizione 9)

• Flessione gomito tra 60° e 90° (Posizione 10)

· Flessione gomito tra 90° e 120° (Posizione 11 )

• Flessione gomito tra 120° e 180° (Posizione 12)

Di conseguenza, ciascuno dei movimenti predeterminati (MP) da riconoscere, sarà definito come una o più successioni predefinite (S) di classi di posizione (CP).

Preferibilmente, tali successioni predefinite sono distinte in sequenze e cicli. Una sequenza è una serie di posizioni consecutive, che definiscono un movimento di un singolo braccio. Ad esempio la sequenza "Braccio lungo il fianco" - "Braccio elevato lateralmente tra 0° e 45°" - "Braccio elevato lateralmente tra 45° e 90°" - "Braccio elevato lateralmente tra 90° e 135°" -"Elevazione massima (180°)" rappresenta un movimento laterale completo dalla posizione di riposo alla posizione di elevazione massima.

Un ciclo rappresenta invece una serie di azioni (tecniche) ripetute sempre nello stesso modo. Un'azione tecnica è un'azione manuale elementare necessaria al completamento delle operazioni comprese in un ciclo: ad esempio sono azioni tecniche "spingere", "ruotare", "tagliare", ecc. Inoltre, un ciclo può contenere azioni tecniche relative ad entrambe le braccia,

Ai fini della presente invenzione, si considera quindi un ciclo come una coppia di sequenze, una per il braccio sinistro e una per il braccio destro.

Secondo la presente invenzione è dunque necessario determinare nel tempo una pluralità di posizioni (P) di una o più porzioni dei distretti corporei (DC) di interesse, rispetto ad un sistema di riferimento predefinito (SR).

Per effettuare tali rilevazioni delle posizioni (P), un sistema 1 secondo la presente invenzione, dovrà quindi comprendere una pluralità di sensori (S). Inoltre, il sistema 1 comprenderà un’unità di elaborazione (UE) per l’implementazione del metodo di rilevazione qui descritto.

Come già detto, nella forma di realizzazione preferita qui descritta, i distretti corporei di interesse possono essere rappresentati dagli arti superiori di detto soggetto e, in particolare, saranno prese in considerazioni le porzioni relative a braccio, avambraccio e mano di ciascuno dei due arti superiori.

Quindi, le posizioni (P) di tali porzioni sono determinate a partire da misure di terne (Ax, Ay, A z) di dati di accelerazione acquisiti in corrispondenza dei distretti corporei (DC) lungo i tre assi (X, Y, Z) di un sistema cartesiano nel sistema di riferimento (SR).

A tale scopo i sensori (S) del sistema comprendono una pluralità di accelerometri triassiali (Acc) per la misurazione delle terne (Ax, Ay, Az).

Vantaggiosamente, i sensori possono essere installati su un capo di abbigliamento indossabile, preferibilmente un giubbotto, in corrispondenza ai distretti di interesse, come schematicamente illustrato in figura 4.

Quindi, per ciascun distretto corporeo (DC), il metodo prevede di classificare le posizioni (P) rispetto alle classi di posizione (CP) già definite, ottenendo una rispettiva sequenza di posizioni classificate (SP).

Successivamente, tali posizioni classificate (SP) potranno essere elaborate per riconoscere tali una o più successioni predefinite (Succ) di classi di posizione (CP) all’interno della sequenza di posizioni classificate (SP).

Si può a questo punto capire che il riconoscimento di una o più successioni predefinite (Succ) è associabile al verificarsi di uno dei movimenti predeterminati (MP).

In particolare, e sempre con riferimento all’applicazione al caso degli arti superiori, il sistema di sensori ha una frequenza di acquisizione pari a 20 millisecondi. Un esempio dell'output del sistema di sensori è riportato sotto, in cui, ad esempio, Ax(1) è il segnale sull’asse x del accelerometro del primo sensore.

Time Ax(l) Ay(l) Az(l) Ax(2) Ay(2)

1548 912,255 182,085 367,464 981,063 93,513

1549 917,013 184,281 365,085 979,599 88,206

Essendo i sei accelerometri triassiali, vengono complessivamente registrati 18 segnali.

Vantaggiosamente, secondo la presente invenzione, il passo di classificare dette posizioni (P) può comprendere una fase di pre-processamento dei dati di accelerazione (Ax, Ay, Az).

In particolare, la fase di pre processamento può prevedere una fase di suddivisione dei dati di accelerazione (Ax, Ay, Az) secondo finestre di acquisizioni (F) parzialmente sovrapposte l’una all'altra.

Ad esempio, i dati vengono infatti suddivisi in finestre di 20 acquisizioni ciascuna, con una sovrapposizione di 10 acquisizioni tra una finestra e l'altra, quindi la prima finestra comprende le letture da 1 a 20, la seconda quelle da 10 a 30, la terza quelle da 20 a 40, ecc.

Quindi, per ciascuna delle finestre di acquisizioni (F) e per ciascuna misura di accelerazione lungo detti assi, viene calcolata una pluralità di primi parametri (features) comprendenti uno o più dei seguenti:

• Media;

· Mediana;

• Median Absolute Deviation;

• Deviazione Standard;

• Valore Minimo;

• Valore Massimo;

· Signal Magnitude Area (SMA) per ogni tema (Ax, Ay, Az);

• Correlazione tra coppie di assi di ciascuna terna (Ax, Ay, Az);

• Trasformata discreta di Fourier per ogni terna (Ax, Ay, Az);

• Entropia della trasformata discreta di Fourier per ogni terna (Ax, Ay, Az). Per completezza, l’entropia può essere calcolata secondo la relazione:

H(x) = - ∑[p(x) !og(p(x))].

Questi parametri permettono di sintetizzare le informazioni salienti relative a ciascun intervallo di letture.

Inoltre, secondo un’ulteriore forma di realizzazione, per ciascuna delle finestre di acquisizioni (F) e per ogni terna di misure (Ax, Ay, Az) viene calcolato anche un parametro angolare (a) come il valore dell'arco coseno dell'accelerazione lungo l'asse Z (Az).

Ove possibile, le features sono calcolate anche per l’angolo a.

Al termine della fase di preprocessing, ogni finestra di acquisizione è descritta da un vettore di 90 features (per arto). Una finestra corrisponde a 20 acquisizioni, ma, per il fatto che le finestre sono sovrapposte di 10 acquisizioni, ogni finestra (e quindi ogni vettore di features) corrisponde a 200 ms di acquisizione (20ms x 10 acquisizioni = 0.2 secondi). Ciò è raffigurato esemplificativamente in figura 5.

Infine, può vantaggiosamente essere previsto un passo di autoscaling dei parametri calcolati, in cui ciascun parametro è sia centrato rispetto alla media che scalato rispetto alla propria deviazione standard.

Ulteriormente, la fase di pre-processamento può vantaggiosamente comprendere un passo di compressione di detti dati, preferibilmente tramite un algoritmo di Principal Component Analysis, ad esempio come descritto in:

Jolliffe, I. T. (1986). Principal Component Analysis. Springer-Verlag. p. 487. doi:10. 1007/098835. ISBN 978-0-387-95442-4.

In questo modo può essere ridotta la dimensionalità del dataset, individuando una nuova rappresentazione dei dati più sintetica che permette però di mantenere quanta più informazione possibile dai dati originali. Ad esempio si può scegliere di utilizzare 30 componenti principali, in modo tale da conservare il 90% della varianza del sistema, riducendo esclusivamente la componente di rumore.

Secondo una forma di realizzazione preferita, il passo di classificare dette posizioni (P) rispetto alle classi di posizione (CP) è eseguito tramite un classificatore di tipo SVM (Support Vector Machine).

Per costruire una base di dati da utilizzare per l'allenamento del modello di classificazione sono possibili almeno due differenti modalità di campionamento sulle posizioni:

1. Statica: in questo tipo di acquisizione la posizione del braccio della persona viene registrata (ovvero, i dati dei sensori vengono memorizzati) solamente quando il braccio è fermo, in corrispondenza della posizione finale che si vuole classificare, e non nelle posizioni intermedie. Il protocollo di acquisizione consiste nell'acquisire i dati relativi alla posizione corrente, poi nel mettere in pausa il sistema e spostare il braccio nella posizione successiva, e solo allora riattivare l'acquisizione dei dati.

2. Dinamica<'>, in questo tipo di acquisizioni la posizione del braccio della persona viene registrata non solo con il braccio fermo nella posizione “statica" ma anche durante il movimento fatto per raggiungerla, con lo scopo di catturare anche le posizioni intermedie e inserire più variabilità possibile nei dati. Il protocollo consiste nell'acquisire i dati relativi ad una posizione del braccio per 5 secondi, e poi spostare il braccio nella posizione successiva, mettendo in pausa il sistema di acquisizione solo una volta che la nuova posizione è stata raggiunta.

Preferibilmente è stata utilizzata la modalità di acquisizione statica, con misure ripetute su molti soggetti, diversi tra loro, in modo da “inserire" nel sistema una ampia variabilità. Un miglioramento delle performance di classificazione si potrebbe sicuramente ottenere aumentando ulteriormente la base di dati sulla quale il modello viene allenato, ovvero eseguendo il protocollo di acquisizione e di allenamento su altri individui ancora. In questa prima fase, i dati di allenamento sono relativi alle acquisizioni eseguite più volte di sette persone diverse.

Gli iperparametri del modello SVM sono stati selezionati tramite 10-fold cross validation sul training set. In particolare, il modello selezionato (utilizzando come dati di allenamento le acquisizioni di 7 persone diverse) ha kernel lineare e C=0.1. Per la valutazione delle performance dell'algoritmo, il modello è stato allenato su un sottoinsieme delle acquisizioni disponibili e poi usato per predire le posizioni della persona esclusa dal training set. La miglior combinazione di parametri è stata scelta per cross validazione e poi usata per la costruzione del modello per ciascun sottoinsieme di persone. Con questa tipologia di test si voleva valutare la capacità dell'algoritmo di classificare correttamente le posizioni di nuove persone, diverse da quelle su cui il modello era stato costruito (si veda in proposito la figura 6).

I risultati di questi test sono riportati nella tabella seguente (risultati per il braccio destro),

Test 1 Test 2 Test 3 Test 4 Test 5 Test 6 Test 7 Accuracy 99.54% 97.46% 94.87% 96.31% 87.76% 72.38% 89.12%

Da cui si evince che l'accuratezza media nel riconoscimento delle posizioni è quindi pari al 91%.

Quindi, i movimenti predeterminati da riconoscere, identificabili quindi in sequenze e cicli, vengono ricavati come output dell'algoritmo di classificazione, ovvero dalla sequenza di posizioni (come classificate) attraversate dalle braccia durante l'acquisizione dei dati.

Si riportano a seguire alcune ulteriori considerazioni relativamente alla fase di riconoscimento delle sequenze e dei cicli, insieme ad alcuni esempi.

Secondo la presente invenzione, un ciclo deve essere definito, cosi come una sequenza, come una serie di posizioni consecutive. Essendo i cicli strettamente dipendenti dalla particolare operazione che si vuole monitorare, non è possibile definire a priori tutti i cicli d'interesse. Per questo motivo, l'utente dovrà preliminarmente indicare quali cicli è interessato a monitorare in ogni specifica acquisizione. Ciò può ad esempio essere fatto durante una fase preliminare all'acquisizione chiamata "fase di training". In questa fase, l'operatore indossa il giacchetto ed esegue per cinque volte il ciclo di lavoro, fermandosi in posizione di "Riposo" (braccia lungo il fianco) tra una ripetizione e l'altra del ciclo (per permettere al software la corretta individuazione e segmentazione delle ripetizioni). Se durante l'acquisizione si volessero monitorare altri cicli, basta ripetere la procedura appena descritta per ciascuno di essi. Al termine del training, l'operatore può iniziare l'acquisizione vera e propria.

L'algoritmo di elaborazione dei dati, sapendo quanti cicli sono stati effettuati durante la fase di training, è in grado di individuare le porzioni dell'acquisizione relative alle ripetizioni di ciascun ciclo, ed usarle per costruire una propria definizione "interna" dei cicli come coppie di sequenze, una per il braccio sinistro e una per il braccio destro. Vantaggiosamente il training del ciclo viene fatto tramite 5 ripetizioni della stessa mansione, per permettere al software di costruire una rappresentazione che sia quanto più flessibile, robusta e accurata possibile.

L'algoritmo di individuazione delle sequenze ricerca nella lista di tutte le posizioni attraversate dal braccio durante l'acquisizione la specifica serie di posizioni che definisce la sequenza. L'algoritmo è greedy, owero identifica la più lunga occorrenza della sequenza nella lista.

La figura 7 mostra, a titolo esemplificativo, il riconoscimento esatto di una sequenza. Le porzioni di lista evidenziate in un riquadro vengono riconosciute dall'algoritmo come occorrenze della sequenza [1,2,3],

Oltre ad una ricerca "esatta" della sequenza, l'algoritmo implementa anche una ricerca "approssimata": a causa di vari fattori, anche se il movimento eseguito è lo stesso, può capitare che la sequenza di posizioni individuate dall'algoritmo di classificazione cambi: ad esempio, se il movimento è stato particolarmente veloce, una delle posizioni che definiscono la sequenza potrebbe non essere rilevata, e la sola ricerca esatta non permetterebbe il riconoscimento del movimento. Per questo motivo si effettua anche la ricerca approssimata, ammettendo la presenza di errori: se si individua una porzione della lista di posizioni in cui sono presenti tutte le posizioni della sequenza, tranne una, la sequenza viene riconosciuta.

La figura 8 mostra, a titolo esemplificativo, il riconoscimento approssimato di una sequenza. Le porzioni di lista evidenziate nei riquadri vengono riconosciute dall'algoritmo come occorrenze della sequenza [1,2, 3, 4] nonostante una delle posizioni sia mancante.

Ovviamente, non è possibile distinguere sequenze brevi all'interno di sequenza più lunghe, ad esempio le sequenze [2,3] all’interno di [1,2,3], In questo caso vengono quindi conteggiate entrambe.

L'algoritmo di individuazione dei cicli è basato sulla stessa logica dell'algoritmo per il riconoscimento delle sequenze, ma con alcune modifiche. Una prima differenza sostanziale consiste nel fatto che un ciclo è identificato non da una sola sequenza, ma da una coppia di sequenze, una per il braccio sinistro e una per il braccio destro, che avvengono contemporaneamente.

Inizialmente l'algoritmo ricerca nelle posizioni attraversate dalle due braccia tutte le possibili sequenze che definiscono il ciclo; queste sequenze sono ovviamente specifiche per il singolo braccio e sono state individuate nella fase preliminare di training dei cicli. La ricerca delle sequenze avviene come indicato sopra, con la differenza che non è di tipo greedy: vengono individuate tutte le possibili sequenze nella lista, e non solamente la più lunga (se ad esempio si ricerca la sequenza [1,2,3] e la lista delle posizioni contiene le posizioni [...,1,1,1, 2, 2, 3, 3,..], l'algoritmo non individua solamente [1,1, 1,2, 2, 3, 3], ma anche [1,1, 2, 2, 3, 3], [1,2, 2, 3, 3], ecc.).

II passo successivo consiste nel mettere in corrispondenza le sequenze individuate per le due braccia: si considera infatti individuato un ciclo se esiste una sequenza per il braccio sinistro "contemporanea" ad una sequenza per il braccio destro. Due sequenze si definiscono contemporanee se gli intervalli di tempo in cui sono avvenute si sovrappongono per più del 50%.

La figura 9 mostra, a titolo esemplificativo, individuazione di un ciclo. Con i riquadri sono evidenziati rispettivamente un ciclo di lavoro individuato da sequenze per il braccio sinistro e destro contemporanee, ed una coppia di sequenze che non identifica un ciclo perché la loro sovrapposizione è inferiore al 50%.

Questo algoritmo può portare all'individuazione di più occorrenze dello stesso ciclo (di lunghezze differenti) nello stesso intervallo di tempo; per questo motivo l'ultimo passo dell'algoritmo consiste in un ulteriore raffinamento della lista dei cicli trovati, che consiste nell'individuare le occorrenze sovrapposte dello stesso ciclo e conservare solamente quella nella quale la sovrapposizione tra sequenza del braccio sinistro e sequenza del braccio destro è maggiore.

Il metodo secondo la presente invenzione, è almeno in parte implementabile attraverso strumenti di tipo software, in particolare un programma per elaboratore, memorizzato o memorizzabile su un supporto, che comprenda codice atto all’implementazione del metodo quando è in esecuzione su un computer.

La presente invenzione è stata fin qui descritta con riferimento a sue forme di realizzazione preferite. È da intendersi che ciascuna delle soluzioni tecniche implementate nelle forme di realizzazione preferite, qui descritte a titolo esemplificativo, potranno vantaggiosamente essere combinate diversamente tra loro, per dar luogo ad altre forme di realizzazione, che afferiscano al medesimo nucleo inventivo e tutte comunque rientranti nell’ambito di protezione delle rivendicazioni qui di seguito riportate.

Claims (17)

1. RIVENDICAZIONI 1. Metodo per rilevare movimenti predeterminati (MP) di uno o più distretti corporei (DC) di un soggetto, comprendente i seguenti passi: - definire una pluralità di classi di posizione (CP) di detto uno o più distretti corporei (DC); - definire ciascuno di detti movimenti predeterminati (MP) come una o più successioni predefinite (Succ) di classi di posizione (CP); e - determinare nel tempo una pluralità di posizioni (P) di una o più porzioni di ciascuno di detti distretti corporei (DC), rispetto ad un sistema di riferimento predefinito (SR); e per ciascun distretto corporeo (DC): - classificare dette posizioni (P) rispetto a dette classi di posizione (CP), ottenendo una rispettiva sequenza di posizioni classificate (SP); elaborare dette posizioni classificate (SP) per riconoscere detta una o più successione predefinita di classi (Succ) di posizione all'interno di detta sequenza di posizioni classificate (SP), il riconoscimento di una o più successioni predefinite (S) essendo associabile al verificarsi di uno di detti movimenti predeterminati (MP).
2. 2. Metodo secondo la rivendicazione 1, in cui detto uno o più distretti corporei (DC) comprende gli arti superiori di detto soggetto.
3. 3. Metodo secondo la rivendicazione 2, in cui dette porzioni comprendono almeno braccio, avambraccio e mano di ciascuno dei due arti superiori.
4. 4. Metodo secondo una delle rivendicazioni precedenti, in cui dette posizioni (P) sono determinate a partire da misure di terne (Ax, Ay, A z) di dati di accelerazione acquisiti in corrispondenza di detti distretti corporei (DC) lungo i tre assi (X, Y, Z) di una tema cartesiana di detto sistema di riferimento (SR).
5. 5. Metodo secondo la rivendicazione precedente, in cui detto passo di classificare dette posizioni (P) comprende una fase di pre-processamento di detti dati di accelerazione (Ax, Ay, Az).
6. 6. Metodo secondo la rivendicazione precedente, in cui detta fase di pre-processamento prevede una fase di suddivisione di detti dati di accelerazione (Ax, Ay, Az) secondo finestre di acquisizioni (F) parzialmente sovrapposte l’una all’altra.
7. 7. Metodo secondo la rivendicazione precedente, in cui per ciascuna di dette finestre di acquisizioni (F) e per ciascuna misura di accelerazione lungo detti assi, viene calcolata una pluralità di primi parametri comprendenti uno o più dei seguenti: • Media; · Mediana; • Median Absolute Deviation; • Deviazione Standard; • Valore Minimo; • Valore Massimo; · Signal Magnitude Area (SMA) per ogni terna (Ax, Ay, Az); • Correlazione tra coppie di assi di ciascuna tema (Ax, Ay, Az); • Trasformata discreta di Fourier per ogni terna (Ax, Ay, Az); Entropia della trasformata discreta di Fourier per ogni terna (Ax, Ay, Az).
8. 8. Metodo secondo la rivendicazione 6 o 7, in cui per ciascuna di dette finestre di acquisizioni (F) e per ogni tema di misure (Ax, Ay, Az) viene calcolato un parametro angolare (a) come valore dell'arco coseno dell'accelerazione lungo l'asse Z (Az).
9. 9. Metodo secondo la rivendicazione 7 o 8, in cui detta fase di pre-processamento comprende un passo di autoscaling di detti primi parametri e/o detto parametro angolare.
10. 10. Metodo secondo una delle rivendicazioni da 7 a 9, in cui detta fase di pre-processamento comprende un passo di compressione di detti dati, preferibilmente tramite un algoritmo di Principal Component Analysis.
11. 11. Metodo secondo una delle rivendicazioni da 3 a 10, in cui dette classi di posizione (CP) comprendono una o più tra le seguenti: • Braccio lungo il fianco (Posizione 0) • Braccio elevato lateralmente tra 0° e 45° (Posizione 1 ) · Braccio elevato lateralmente tra 45° e 90° (Posizione 2) • Braccio elevato lateralmente tra 90° e 135° (Posizione 3) • Elevazione massima (180°) (Posizione 4) • Braccio elevato frontalmente tra 0° e 40° (Posizione 5) • Braccio elevato frontalmente tra 40° e 80° (Posizione 6) · Braccio elevato frontalmente tra 80° e 120° (Posizione 7) • Estensione maggiore di 20° (Posizione 8) • Flessione gomito tra 0° e 60° (Posizione 9) • Flessione gomito tra 60° e 90° (Posizione 10) • Flessione gomito tra 90° e 120° (Posizione 11 ) • Flessione gomito tra 120° e 180° (Posizione 12)
12. 12. Metodo secondo una delle rivendicazioni precedenti, in cui detto passo di classificare dette posizioni (P) rispetto a dette classi di posizione (CP), è eseguito tramite un classificatore di tipo SVM.
13. 13. Sistema per rilevare movimenti predeterminati (MP) di uno o più distretti corporei (DC) di un soggetto, comprendente: - una pluralità di sensori (S) per determinare rispettive posizioni (P) di una o più porzioni di ciascuno di detti distretti corporei (DC), rispetto ad un sistema di riferimento predefinito (SR); ed - un’unità di elaborazione (UE) programmata per implementare un metodo secondo una delle rivendicazioni precedenti.
14. 14. Sistema secondo la rivendicazione 13, in cui detti sensori (S) comprendono una pluralità di accelerometri triassiali (Acc) atti a misurare terne (Ax, Ay, Az) di dati di accelerazione in corrispondenza di detti distretti corporei (DC) lungo i tre assi (X, Y, Z) di una tema cartesiana di detto sistema di riferimento (SR).
15. 15. Capo di abbigliamento indossabile, comprendente una pluralità di sensori (S) per determinare rispettive posizioni (P) degli arti superiori di un soggetto, detti sensori essendo configurati per il collegamento ad un sistema secondo la rivendicazione 13.
16. 16. Capo di abbigliamento secondo la rivendicazione 15, in forma di giubbotto, in cui detti sensori (S) comprendono sei accelerometri triassiali (Acc) atti a misurare teme (Ax, Ay, Az) di dati di accelerazione in corrispondenza di detti braccio, avambraccio e mano dei due arti superiori di detto soggetto, lungo i tre assi (X, Y, Z) di una tema cartesiana di detto sistema di riferimento (SR).
17. 17. Programma per elaboratore, comprendente codice atto ad implementare un metodo secondo una qualsiasi delle rivendicazioni da 1 a 13, quando in esecuzione su un computer.