logo SBA

ETD

Archivio digitale delle tesi discusse presso l’Università di Pisa

Tesi etd-09072017-174809


Tipo di tesi
Tesi di laurea magistrale
Autore
GIANNINI, SARA
URN
etd-09072017-174809
Titolo
Pattern accelerometrici di attività motoria spontanea
Dipartimento
MEDICINA CLINICA E SPERIMENTALE
Corso di studi
SCIENZE E TECNICHE DELLE ATTIVITA' MOTORIE PREVENTIVE E ADATTATE
Relatori
relatore Faraguna, Ugo
Parole chiave
  • actigrafia
  • analisi spettrale
  • motilità spontanea
  • movimento umano
Data inizio appello
27/09/2017
Consultabilità
Non consultabile
Data di rilascio
27/09/2087
Riassunto
Introduzione: il movimento umano è un fenomeno complesso. Le azioni che caratterizzano la vita quotidiana sono composte da tanti semplici movimenti, che possono anche essere definiti come somme di molteplici accelerazioni lineari e angolari. Una tipologia di sensori capaci di catturare questi elementi della “grammatica” del movimento è rappresentata dagli accelerometri. Gli accelerometri triassiali sono in grado di acquisire dati per vari giorni consecutivi, in ambiente naturalistico. L’attività motoria può quindi essere archiviata nella memoria interna secondo una sequenza temporale (Gebruers, Vanroy, Truijen, Engelborghs, & De Deyn, 2010b). Questo tipo di dispositivi di acquisizione dati per lo studio del movimento umano è definito actigrafo. Le dimensioni degli actigrafi sono paragonabili a quelle di orologi da polso, e indossarli risulta poco invasivo per il soggetto. I campi di applicazione di questi dispositivi sono numerosi. Storicamente una delle prime applicazioni è stata nell’ambito della clinica del sonno, nella quale ci si avvale degli actigrafi per valutare i ritmi circadiani di sonno-veglia e i loro disturbi.
Scopo dello studio: caratterizzare e studiare la motilità tramite accelerometria open source ad alta definizione in ambiente naturalistico per descrivere in maniera sintetica e non invasiva le caratteristiche accelerometriche dell’attività fisica spontanea.
Materiali e metodi: allo studio hanno partecipato 50 soggetti volontari sani, di cui 25 di sesso femminile. L’età media dei soggetti è stata 23,5±4,78 anni. Ciascun soggetto ha indossato un actigrafo triassiale ad alta risoluzione al polso dell’arto non dominante, e contemporaneamente un holter EEG portatile, a 32 canali, per una durata media di 15.66±5.03 ore. Axivity AX3 è l’actigrafo ad alta definizione adottato in questo studio. Le acquisizioni dati sono state effettuate ad una frequenza di campionamento di 100Hz, con un fondo scala di accelerazione pari a ±8g. I dati acquisiti sono stati codificati con una risoluzione di 10bit. Contemporaneamente all’acquisizione dei dati actigrafici è stata effettuata in tutti i soggetti una registrazione holter polisonnografica secondo gli standard AASM (Iber, 2007). Lo scoring del segnale EEG è stato effettuato manualmente su epoche di 30s da un tecnico specializzato.
A tutti i soggetti, sono state richieste alcune informazioni antropometriche e la compilazione di due questionari sul sonno: Morningness–Eveningness Questionnaire (MEQ) e Epworth Sleepiness Scale (EES). Ventotto dei 50 partecipanti hanno indossato un secondo actigrafo al polso dell’arto dominante. Le serie temporali ottenute dagli actigrafi e dalla PSG sono state sincronizzate (con un errore massimo di un secondo) ed elaborati in ambiente MATLAB (The Mathworks, Natick) tramite software sviluppato ad hoc. I dati accelerometrici di ciascun asse sono filtrati con un filtro passa-banda Butterworth di quarto ordine, passa-alto:0,5Hz passa-basso:20Hz. I dati filtrati sono stati suddivisi in epoche di 30 secondi per tutte le successive analisi. Per ogni epoca si è calcolato il vettore SVM (Support Vector Magnitude). Lo scoring della PSG ha permesso di categorizzare, i dati accelerometrici registrati nei diversi stati comportamentali (veglia, sonno Non REM-1, Non REM-2, Non REM-3, REM).
Risultati: lo spettro medio di ciascuno stato comportamentale, calcolato utilizzando i dati del segnale SVM, ha mostrato un picco massimo in frequenza caratteristico. Tale picco può essere descritto come un valore in termini di ampiezza della potenza spettrale (dB) e in termini di frequenza (Hz). Nell’analisi statistica (Wilcoxon Rank Sum Test) abbiamo confrontato l’ampiezza e la frequenza di picco appartenenti a tutti i soggetti registrati, per ciascun stato comportamentale. Nei soli termini di potenza spettrale di picco, veglia, N1, N2, N3 e REM differiscono tra loro in modo significativo (p<0,001), tranne che per il confronto di potenza tra il sonno N2-N3 e N2-REM; nei termini di frequenza di picco, alcuni stati presentano una differenza statisticamente significativa (p<0,001), mentre non avviene nel confronto di veglia-N1, N2-N3, N2-REM, N3-REM. Lo stato di veglia è caratterizzato da uno spettro con il picco di maggior potenza, localizzato ad una frequenza di 1,88±0,12 Hz in tutti i soggetti. Tale frequenza è risultata essere la frequenza di picco del passo durante la camminata. La variazione della frequenza di questo picco è risultata compresa in un range tra 1,73 e 2,16 Hz. La variazione in questo intervallo correla con il cambiamento della velocità di camminata. Lo stesso picco presenta una correlazione statisticamente significativa con l’altezza (p<0,001, r= -0,46), il peso (p<0,001, r=-0,41) e l’indice di massa corporea (BMI) (p=0,04, r= -0,29) (correlazione secondo Pearson).
Conclusioni: l’analisi spettrale nel dominio della frequenza di dati accelerometrici proposto in questo studio, utilizzando i valori in potenza di picco massimo, potrebbe rappresentare un nuovo metodo utile per distinguere lo stato di veglia dai diversi stadi del sonno; in modo più specifico all’interno del sonno, è possibile distinguere sonno leggero N1, sonno profondo N3 e sonno REM. L’analisi dello spettro della motilità spontanea, nel solo periodo di veglia, ha mostrato di contenere informazioni riguardo la frequenza di camminata, in grado di descrivere la velocità media specifica della camminata spontanea del soggetto che indossa il sensore non invasivo. La registrazione delle accelerazioni del polso, influenzate da varie misure antropometriche come l’altezza, il peso e il BMI del soggetto, potrebbe rivelarsi un nuovo metodo di caratterizzazione dei diversi tipi di camminata suddivisi per caratteristiche antropometriche dei soggetti. La frequenza di passo, correlata con la misura della velocità, potrebbe esser utilizzata come marker prognostico per il controllo di specifici programmi di attività fisica, rivolti a soggetti sani o con malattie metaboliche. Inoltre, questi indici potrebbe esser impiegati come marker di riferimento nel recupero della funzionalità della deambulazione nell’ambito riabilitativo.
File