Un sistema di sensori indossabili associato a un modello di intelligenza artificiale può riconoscere in tempo reale movimenti biomeccanici potenzialmente pericolosi e segnalare il rischio di infortunio prima che l’atleta percepisca un problema evidente. La tecnologia è stata sviluppata combinando differenti tipi di rilevazione, in modo da non affidare la valutazione a un singolo parametro: il sistema integra sensori inerziali a nove assi, sensori flessibili di deformazione e matrici per la misurazione della pressione plantare. I dispositivi raccolgono contemporaneamente informazioni sulla cinematica delle articolazioni, sulla deformazione locale dei tessuti e sulle forze generate nel contatto con il terreno, costruendo una rappresentazione continua del movimento durante l’attività fisica.
I dati acquisiti vengono sincronizzati, filtrati e trasformati in parametri biomeccanici prima di essere elaborati da un’architettura di intelligenza artificiale progettata specificamente per riconoscere l’evoluzione temporale dei movimenti. Il modello utilizza una struttura che combina una rete neurale convoluzionale CNN, una rete LSTM per l’analisi delle sequenze e un meccanismo di attenzione che attribuisce un peso maggiore alle porzioni del gesto considerate più significative. L’obiettivo non è quindi soltanto riconoscere una posizione anomala già raggiunta dall’articolazione, ma seguire l’evoluzione del movimento e individuare la progressione verso una condizione biomeccanica considerata a rischio. Il sistema utilizza inoltre soglie adattive, che vengono modificate dinamicamente anziché rimanere fissate su valori identici per ogni movimento e situazione.
Una delle verifiche è stata effettuata su un movimento di arresto e salto tipico della pallacanestro. Durante il test il sistema è riuscito a identificare un aumento del rischio di valgismo del ginocchio sinistro prima che l’articolazione raggiungesse il picco di 16,2 gradi, generando l’indicazione di rischio a 400 millisecondi. Il valgismo, cioè lo spostamento del ginocchio verso l’interno durante l’appoggio e la gestione del carico, rappresenta uno dei parametri biomeccanici monitorabili perché può essere associato a condizioni di maggiore sollecitazione delle strutture articolari. La rilevazione anticipata consente quindi di intervenire quando il gesto pericoloso si sta ancora sviluppando, anziché limitarsi a registrarlo dopo il suo completamento.
Il sistema è stato valutato anche durante il monitoraggio della corsa di lunga distanza. Nei soggetti appartenenti al gruppo classificato a maggiore rischio, i sensori hanno individuato già entro la terza settimana una progressiva asimmetria dell’andatura. Dopo l’intervento conseguente alla segnalazione, il valore massimo del carico è diminuito del 18%. In questo caso l’elemento rilevante non è un singolo movimento improvviso, ma la possibilità di osservare nel tempo variazioni progressive del modo in cui l’atleta distribuisce le sollecitazioni durante la corsa, facendo emergere alterazioni che possono precedere la manifestazione evidente di un problema da sovraccarico.
Per rendere possibile l’elaborazione direttamente durante l’attività sportiva, il modello è stato ottimizzato per l’edge computing. La rete neurale è stata quantizzata e compressa utilizzando interi a 8 bit, riducendo le risorse necessarie all’elaborazione e permettendo l’esecuzione su hardware incorporabile nei sistemi indossabili senza dover trasferire continuamente tutti i dati verso infrastrutture cloud. Nei test sul campo la latenza complessiva tra acquisizione del movimento e risposta del sistema è risultata mediamente pari a 125 ± 18 millisecondi. Lo spostamento dei sensori durante sessioni della durata di otto ore è rimasto inferiore al 2%, mentre la perdita dei pacchetti di dati è stata dello 0,3 ± 0,1%.
Anche l’autonomia è stata verificata in vista di un utilizzo prolungato: la durata operativa rilevata è stata di 10,5 ± 0,8 ore. La valutazione del comfort da parte degli utilizzatori ha raggiunto 4,2 punti su 5, con un tasso di aderenza all’utilizzo del 96%. Per indossare e calibrare il sistema sono stati necessari mediamente 3,5 ± 0,5 minuti anche da parte di operatori non esperti, mentre la ripetibilità della procedura di posizionamento e calibrazione ha raggiunto un coefficiente ICC di 0,94. Sono parametri importanti per una tecnologia che deve funzionare durante allenamenti e attività reali, dove stabilità del sensore, autonomia e rapidità di preparazione incidono direttamente sulla qualità dei dati raccolti.
L’architettura definitiva utilizza quindi tre sorgenti principali di dati: unità di misura inerziali, sensori flessibili di deformazione e sensori della pressione plantare. Elettromiografia superficiale e frequenza cardiaca sono state considerate come modalità aggiuntive nelle fasi comparative della sperimentazione, ma non fanno parte della configurazione tri-modale scelta per il sistema finale. La fusione dei dati permette di mettere in relazione ciò che avviene a livello del movimento articolare, delle sollecitazioni locali e dell’interazione tra piede e terreno, mentre il modello analizza la successione temporale di questi segnali per distinguere un movimento normale dall’evoluzione verso una condizione di rischio.
Lo sviluppo successivo previsto comprende la condivisione dei dati tra più centri attraverso sistemi di federated learning, una modalità che consente di migliorare i modelli utilizzando informazioni provenienti da strutture differenti senza concentrare necessariamente tutti i dati biometrici nello stesso archivio. Tra le ulteriori applicazioni indicate rientrano il collegamento con esoscheletri indossabili, che potrebbero intervenire in relazione alle condizioni rilevate, e la visualizzazione delle segnalazioni attraverso sistemi di realtà aumentata. L’obiettivo tecnico è trasformare la sensoristica sportiva da strumento utilizzato principalmente per registrare e analizzare a posteriori la prestazione a sistema capace di riconoscere, durante il movimento, l’insorgenza di configurazioni biomeccaniche associate a un rischio di infortunio.
Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI)