ETD

• biomarker
• cerebral palsy
• deep learning
• explainability
• explainable ai
• machine learning
• recurrent neural networks
• time series
• transformers
• ucp

This thesis presents an explainable deep-learning framework for monitoring children with unilateral cerebral palsy through bilateral wrist-worn accelerometers recorded in daily life. The work builds an end-to-end system that combines a REDCap clinical database, a web dashboard for upload, visualization and annotation, and a machine-learning pipeline that estimates an AHA-like indicator from week-long free-living data. Structured clinical sessions are used to train window-level classifiers, whose outputs are then aggregated by recurrent models to predict a subject-level score and a weekly trajectory. Results show that the approach is clinically meaningful, with classifier features correlated with AHA and a final regressor achieving solid predictive performance. Although raw accelerometry did not outperform the previous activity-count pipeline, the thesis advances the field through subject-level validation, reproducibility, and a strong explainability layer that highlights when and why daily-life behaviors influence the prediction.

Questa tesi presenta un framework di deep learning spiegabile per il monitoraggio di bambini con paralisi cerebrale unilaterale tramite accelerometri bilaterali da polso registrati nella vita quotidiana. Il lavoro realizza un sistema end-to-end che integra un database clinico REDCap, una dashboard web per caricamento, visualizzazione e annotazione dei dati, e una pipeline di machine learning capace di stimare un indicatore simile all’AHA a partire da registrazioni free-living della durata di una settimana. Sessioni cliniche strutturate vengono utilizzate per addestrare classificatori su finestre temporali, i cui output sono poi aggregati da modelli ricorrenti per produrre sia un punteggio finale sia una traiettoria settimanale. I risultati mostrano che l’approccio è clinicamente significativo, con feature correlate all’AHA e una regressione finale con buone prestazioni. Pur non superando la precedente pipeline basata su activity counts, la tesi contribuisce con validazione rigorosa a livello di soggetto, riproducibilità e un solido livello di explainability che evidenzia quando e perché i comportamenti quotidiani influenzano la previsione.