AI-Powered Smart Physiotherapy Assistant

Sintesi Tecnica: Assistente di Fisioterapia Intelligente basato su IA

Problematica
La fisioterapia è fondamentale per la riabilitazione a seguito di infortuni, interventi chirurgici e dolore muscoloscheletrico cronico; tuttavia, la sua efficacia dipende fortemente dalla capacità del paziente di eseguire gli esercizi con una postura e una forma precise. La fisioterapia convenzionale si affida a un monitoraggio costante in presenza da parte di terapisti esperti, creando significativi ostacoli legati al tempo, alla distanza e ai costi economici. Di conseguenza, i pazienti che eseguono esercizi a casa spesso mancano di una supervisione esperta, il che porta a posture errate, scarsi risultati di recupero o al rischio di ulteriori infortuni. La carenza di fisioterapisti e l'aumento dei costi sanitari esacerbano ulteriormente tali limitazioni, rendendo necessaria una soluzione scalabile, accessibile ed economica per il monitoraggio e la guida remoti.

Metodologia
Il sistema proposto è un assistente IA basato sul web progettato per eseguire l'analisi e la correzione della postura in tempo reale utilizzando la computer vision e il machine learning. La metodologia segue un flusso di lavoro strutturato:

1. Elaborazione dei Dati di Riferimento: Il sistema utilizza un video di riferimento "gold standard" che dimostra l'esecuzione corretta di un esercizio specifico (ad es., Squat, Posizione del Guerriero). Questo video viene elaborato fotogramma per fotogramma per estrarre un insieme di dati di coordinate 2D che rappresentano i punti chiave del corpo (articolazioni). Tali pose estratte fungono da parametro di riferimento (ground truth).
2. Acquisizione Dati in Tempo Reale: Il sistema attiva il feed della webcam dell'utente per catturare il video dal vivo. Per prima cosa rileva la presenza di un utente all'interno dell'inquadratura; se non viene rilevato alcun utente, invita l'utente a posizionarsi davanti allo schermo per risparmiare risorse.
3. Stima della Posa ed Estrazione dei Landmark: Utilizzando il modello MediaPipe Pose, il sistema estrae i punti chiave scheletrici sia dal video di riferimento che dallo streaming live dell'utente. Identifica 17 articolazioni principali del corpo (tra cui spalle, gomiti, fianchi, ginocchia, caviglie e polsi). Questi landmark vengono convertiti in coordinate numeriche per calcolare gli angoli articolari, l'orientamento del corpo e l'allineamento degli arti. Le coordinate sono normalizzate rispetto alla risoluzione del fotogramma per garantire l'indipendenza dalla scala rispetto alle diverse distanze della telecamera e alle dimensioni del corpo.
4. Analisi Comparativa della Postura: Il sistema esegue un confronto numerico tra i landmark live dell'utente e il benchmark di riferimento utilizzando la libreria NumPy. Calcola gli angoli tra le articolazioni chiave e le distanze relative tra landmark non adiacenti. Questa analisi avviene continuamente per derivare un punteggio di somiglianza in tempo reale e identificare specifiche articolazioni disallineate.
5. Feedback e Gestione della Sessione: Al rilevamento di una postura errata, il sistema genera un feedback correttivo immediato tramite un'interfaccia web costruita con Flask e React. Il feedback viene fornito visivamente (evidenziando i segmenti corporei) o acusticamente, offrendo suggerimenti specifici per l'aggiustamento piuttosto che commenti generici. Il sistema gestisce il flusso della sessione, tracciando il numero di round e ripetizioni, e consente la pausa manuale o la terminazione.
6. Implementazione del Modello: Il backend utilizza Python e TensorFlow. Il dataset consiste in vettori di caratteristiche appiattiti contenenti le coordinate x e y di tutti i keypoint. I dati sono suddivisi in un rapporto 90:10 per l'addestramento e il test. Viene impiegata una rete neurale feed-forward con molteplici strati densi (dense layers), attivazione ReLU e regolarizzazione dropout per prevenire l'overfitting. Il modello è addestrato utilizzando l'ottimizzatore Adam e la funzione di perdita binary cross-entropy.

Contributi Chiave

• Correzione in Tempo Reale: Il sistema fornisce un feedback immediato e azionabile agli utenti, imitando la guida di un personal trainer senza richiedere la presenza fisica.
• Robustezza all'Ambiente: Basandosi sull'estrazione dei keypoint della posa piuttosto che sull'analisi dell'immagine grezza, il sistema minimizza la dipendenza dalle condizioni di sfondo e di illuminazione, rendendolo robusto per vari ambienti.
• Monitoraggio delle Prestazioni: Il sistema genera automaticamente report sulle prestazioni alla fine di ogni sessione, dettagliando il numero totale di ripetizioni, le percentuali di accuratezza della postura, gli errori comuni e il tempo impiegato. Ciò facilita il monitoraggio dei progressi a lungo termine e il miglioramento della tecnica.
• Scalabilità: La soluzione consente una riabilitazione autonoma e un monitoraggio remoto, affrontando la carenza di fisioterapisti e riducendo la necessità di frequenti visite cliniche.

Risultati
Il sistema è stato valutato in base alla sua capacità di distinguere tra posture di esercizio corrette e errate. Il modello di Rete Neurale proposto è stato confrontato con altri quattro approcci di classificazione: Random Forest, Logistic Regression, K-Nearest Neighbours (KNN) e Decision Tree.

• Accuratezza: La Rete Neurale proposta ha raggiunto l'accuratezza più elevata del 96%.
• Prestazioni Comparative:
  • Random Forest: 90%
  • Logistic Regression: 89%
  • K-Nearest Neighbours (KNN): 87%
  • Decision Tree: 84%
• Analisi: La prestazione superiore della Rete Neurale è attribuita alla sua capacità di apprendere i pattern non lineari delle articolazioni necessari per la valutazione della postura nel mondo reale e alle sue capacità di generalizzazione attraverso diverse forme corporee e stili di movimento. Il miglioramento dal 90% precedentemente riportato al 96% è stato ottenuto attraverso la normalizzazione delle coordinate dei keypoint e l'aggiunta di strati densi nascosti con regolarizzazione dropout.

Significatività e Rivendicazioni
L'articolo sostiene che questo framework basato su IA rappresenti un significativo avanzamento nel rendere la fisioterapia intelligente, accessibile ed economica. Consentendo agli utenti di mantenere una forma corretta senza una costante supervisione professionale, il sistema mira a prevenire infortuni e migliorare l'efficacia degli allenamenti a casa e in palestra. Gli autori postulano che questa soluzione possa servire come elemento di svolta nelle pratiche di riabilitazione clinica, in particolare per i principianti che non possono permettersi la supervisione di un esperto. Lo studio sottolinea che, sebbene il sistema utilizzi attualmente dimostrazioni di laboratorio simulate e video di riferimento pubblici (senza che siano stati condotti veri studi clinici sull'uomo), esso dimostra il potenziale di trasformare la fornitura di servizi nell'ambito della moderna assistenza sanitaria attraverso la digitalizzazione dei record e l'abilitazione di follow-up remoti. Il lavoro futuro proposto prevede l'espansione delle categorie di esercizi, l'integrazione di input della telecamera multi-angolo e l'adattamento del sistema per dispositivi mobili e wearable.