Approccio Innovativo alla Classificazione del Mal di Schiena Cronico

I biosignali sono super importanti per capire come funziona il nostro corpo senza dover fare test invasivi. Due tipi di biosignali che sono particolarmente utili sono l'Elettromiografia superficiale ([SEMG](/it/keywords/elettromiografia-superficiale--kkglv5d)) e i dati delle Unità di Misura Inerziali (IMUs). La sEMG analizza i segnali elettrici dei muscoli, mentre gli IMUs misurano come si muove il corpo. Insieme, danno una visione dettagliata di come ci muoviamo e possono aiutare a gestire condizioni come il dolore cronico.

Il dolore cronico alla schiena (CLBP) colpisce molte persone in tutto il mondo, riducendo la loro qualità della vita e generando costi economici. Rilevare e monitorare correttamente il CLBP è fondamentale per creare piani di trattamento efficaci. Tuttavia, analizzare i dati dei biosignali per raggiungere questo obiettivo può essere complicato. Uno dei problemi principali è che i segnali possono essere mescolati o contaminati dal rumore dovuto ai movimenti e ad altri processi corporei. Inoltre, le differenze tra le persone possono portare a variazioni nel modo in cui questi segnali appaiono, rendendo più difficile analizzarli. I dati della sEMG sono complessi, poiché possono includere più canali e cambiare nel tempo. Anche i dati degli IMU hanno le loro sfide, come la deriva dei sensori e gli errori nel tracciamento del movimento.

Tradizionalmente, i ricercatori hanno usato metodi manuali per estrarre caratteristiche da questi segnali complessi e applicare filtri per pulirli. Anche se questo può funzionare, spesso richiede conoscenze specializzate e potrebbe non catturare efficacemente le complessità dei segnali. Recentemente, i metodi di machine learning, in particolare il deep learning, hanno mostrato promesse. Questi metodi possono apprendere automaticamente le caratteristiche dai dati grezzi, ma di solito hanno bisogno di grandi quantità di dati di alta qualità e possono richiedere notevole potenza computazionale.

Le Reti Neurali Spiking (SNN) offrono una nuova opportunità per analizzare i dati dei biosignali. Le SNN si ispirano al funzionamento del nostro cervello, poiché elaborano informazioni attraverso picchi discreti, proprio come i neuroni comunicano nel cervello. Questa caratteristica delle SNN le rende particolarmente rilevanti per analizzare i segnali complessi della sEMG e degli IMU. Inoltre, le SNN possono essere eseguite su hardware specializzato che utilizza molta meno energia, rendendole adatte per dispositivi portatili come i wearable.

Tuttavia, una delle sfide nell'utilizzo delle SNN è convertire segnali continui in picchi binari, che è il formato necessario per le SNN. Esistono vari metodi per ottenere questa conversione, ma molti faticano a mantenere i dettagli temporali chiave dei segnali originali e possono essere sensibili al rumore.

#Scopo dello Studio

Questo studio propone un nuovo approccio per classificare il CLBP utilizzando il database EmoPain, che include dati da biosignali di persone sane e di quelle che soffrono di CLBP. Questa ricerca si concentra sullo sviluppo di un metodo che converte efficacemente i segnali continui della sEMG e degli IMU in treni di picchi, mantenendo le informazioni temporali importanti.

I principali contributi di questo lavoro sono:

1. Spike Threshold Adaptive Learning (STAL): Questo è un codificatore imparabile che converte i segnali continui della sEMG e degli IMU in treni di picchi, mantenendo i dettagli temporali importanti dei segnali.

2. Ensemble di Classificatori di Reti Neurali Ricorrenti Spiking (SRNN): Questo metodo combina più modelli SRNN che analizzano i treni di picchi, migliorando la precisione e l'affidabilità nella classificazione delle persone in categorie sane o con CLBP.

Unendo l'ispirazione biologica delle SNN con l'efficacia comprovata delle strategie di apprendimento ensemble, questo approccio offre nuove opportunità per sviluppare migliori tecniche di riabilitazione per chi soffre di CLBP.

#Revisione della Letteratura

Il potenziale delle SNN nell'analisi dei biosignali è stato riconosciuto per la loro capacità di imitare i processi biologici e consumare meno energia rispetto ai metodi tradizionali di deep learning. Tuttavia, la loro applicazione nel rilevare il dolore cronico e comprendere i comportamenti legati al dolore rimane in gran parte inesplorata.

Un aspetto chiave del funzionamento delle SNN è la conversione dei biosignali continui in picchi discreti, un processo chiamato codifica dei picchi. Questo può essere complicato per i dati ottenuti dai sensori EMG e IMU, che possono cambiare rapidamente ed essere influenzati dal rumore. Esistono vari metodi per codificare i picchi, ognuno con i propri punti di forza e debolezza.

Studi recenti si sono concentrati sulla creazione di codificatori imparabili che si adattano a segnali specifici per analizzare i biosignali con le SNN. Tuttavia, molti di questi metodi faticano a mantenere un'alta risoluzione temporale e resistenza al rumore, che sono cruciali per applicazioni pratiche nella gestione del CLBP.

#Metodo Proposto

Il metodo proposto per classificare il CLBP utilizzando i biosignali adotta un approccio in due fasi. Prima, il codificatore STAL elabora i biosignali (sEMG, angolo dell'articolazione, energia dell'articolazione) e li converte in treni di picchi. Poi, SRNN indipendenti analizzano questi treni di picchi all'interno di un framework di classificazione multi-stream. Questo framework combina le previsioni di ciascun SRNN per migliorare i risultati di classificazione.

Il codificatore STAL è composto da due moduli principali: estrazione delle caratteristiche e conversione delle caratteristiche in picchi. Il modulo di estrazione delle caratteristiche cattura aspetti importanti dei segnali in ingresso, mentre il modulo di conversione delle caratteristiche in picchi traduce queste caratteristiche in attività di picco.

Per garantire che l'output del codificatore STAL sia adatto per lo SRNN, vengono effettuate regolazioni per allineare le sue dimensioni. Il codificatore include anche una funzione di perdita appositamente progettata che lo aiuta ad apprendere in modo efficiente gestendo la scarsità nei treni di picchi generati.

Lo SRNN prende i treni di picchi codificati e li elabora attraverso strati di neuroni ricorrenti, consentendogli di catturare i complessi schemi temporali nei picchi. Questo assicura che la classificazione tenga conto delle dinamiche temporali dei dati in ingresso.

#Configurazione Sperimentale e Dataset

Il dataset EmoPain funge da fonte di dati biosignali, raccolti dai partecipanti durante diversi esercizi. Questo dataset include registrazioni sia di individui sani che di quelli che sperimentano CLBP, fornendo una ricca fonte di informazioni per l'analisi. I partecipanti hanno eseguito vari compiti fisici, consentendo di raccogliere dati sia di sEMG che di IMU.

La preparazione dei dati ha comportato la normalizzazione dei segnali per garantire coerenza, oltre a gestire le variazioni nella lunghezza delle registrazioni. L'input finale dei dati per i modelli è stato organizzato in segmenti gestibili per catturare sia i modelli a breve termine che quelli a lungo termine.

#Risultati

Le prestazioni del metodo proposto sono state valutate utilizzando vari metriche di classificazione, inclusa l'accuratezza e il punteggio F1. I risultati hanno indicato che l'approccio STAL-SRNN ha fornito prestazioni competitive rispetto ai modelli esistenti. In particolare, ha ottenuto risultati favorevoli nell'identificare gli individui con CLBP e nel distinguere efficacemente tra soggetti sani e affetti.

Un'analisi dei metodi di codifica ha confermato che STAL ha superato le tecniche tradizionali di codifica dei picchi, dimostrando la sua capacità di mantenere informazioni critiche durante il processo di conversione. Inoltre, uno studio di ablazione ha evidenziato l'importanza dei blocchi di estrazione delle caratteristiche, sottolineando che la loro presenza ha migliorato significativamente le prestazioni del modello.

#Conclusione

Questo studio segna un avanzamento significativo nell'applicazione delle SNN per la classificazione del dolore cronico alla schiena utilizzando i biosignali. L'introduzione del codificatore Spike Threshold Adaptive Learning consente performance migliori nella conversione di segnali continui in treni di picchi significativi. Inoltre, l'uso di un ensemble di classificatori di Reti Neurali Ricorrenti Spiking arricchisce il processo di classificazione complessivo sfruttando i punti di forza di ciascuna modalità di dati.

I risultati suggeriscono che questo approccio può gestire efficacemente le sfide presentate dall'analisi dei biosignali, portando a risultati di classificazione migliori e potenzialmente a migliori strategie di gestione del dolore. Lavori futuri potrebbero espandere queste scoperte applicando il framework ad altre condizioni di salute o esplorando il suo utilizzo in applicazioni di monitoraggio in tempo reale.