Il Mio Ginocchio Parla con l’AI: La Rivoluzione Indossabile per la Salute Articolare

Ciao a tutti! Oggi voglio parlarvi di qualcosa che mi sta davvero a cuore e che potrebbe cambiare la vita a tantissime persone. Sapete quanti soffrono di problemi muscolo-scheletrici nel mondo? Parliamo di circa un terzo della popolazione globale! Numeri pazzeschi, vero? E tra questi, i disturbi legati alle articolazioni, come l’artrosi o l’artrite reumatoide, sono tra i più diffusi e invalidanti.

Questi problemi non solo compromettono la stabilità delle nostre articolazioni, ma ci rendono anche più vulnerabili agli infortuni, innescando un circolo vizioso di dolore cronico, funzionalità ridotta e disabilità a lungo termine. Pensate agli anziani, alle persone obese… sono categorie particolarmente a rischio. Ecco perché monitorare la salute delle articolazioni è diventato essenziale.

La Sfida: Misurare la Coppia Articolare

Un parametro chiave per capire come sta un’articolazione è la coppia articolare (in inglese, *joint torque*). Immaginatela come la “forza di rotazione” interna all’articolazione. Dipende dall’angolo, dalla velocità del movimento, dai carichi esterni e dall’attivazione muscolare. Capire la coppia ci aiuta a valutare lo stress interno, il rischio di infortuni (come lesioni ai legamenti o al menisco, specialmente nel ginocchio) e i progressi nella riabilitazione.

Il ginocchio, poi, è una struttura incredibilmente complessa. Si muove principalmente in flessione ed estensione, ma permette anche piccole rotazioni e movimenti laterali. Misurare la sua coppia in modo preciso è fondamentale, ma… c’è un “ma”.

I metodi attuali? Beh, o sono confinati in laboratori super attrezzati (come la dinamometria isocinetica), richiedono sistemi di motion capture complessi, oppure sono invasivi. Insomma, non proprio l’ideale per un monitoraggio continuo nella vita reale. Ci sono stati progressi con tecnologie indossabili come l’elettromiografia di superficie (sEMG) o la force myography (FMG), ma hanno i loro limiti: l’sEMG misura l’attivazione neurale, non la forza diretta, ed è sensibile ai disturbi; l’FMG cattura solo l’espansione muscolare superficiale. Gli ultrasuoni sono promettenti ma ingombranti e consumano troppa energia.

Serviva qualcosa di nuovo. Qualcosa di preciso, economico, efficiente e indossabile a lungo termine.

La Nostra Soluzione: Un Sensore Piezoelettrico Potenziato dall’AI

Ed è qui che entriamo in gioco noi! Abbiamo sviluppato una tecnologia indossabile innovativa basata su nanotubi di nitruro di boro (BNNTs) piezoelettrici e un pizzico di intelligenza artificiale (AI). Sembra complicato? Lasciate che vi spieghi.

I sensori piezoelettrici hanno una proprietà fantastica: generano una carica elettrica quando vengono deformati meccanicamente. I BNNTs sono nanomateriali eccezionali: resistentissimi, stabili al calore e intrinsecamente piezoelettrici, perfetti per creare sensori flessibili e ultrasottili.

La sfida era disperdere uniformemente un’alta concentrazione di questi BNNTs in una matrice polimerica (abbiamo usato il PDMS, un tipo di silicone molto comune e flessibile) senza che si aggregassero, perdendo efficacia. Ci siamo riusciti con un processo di fabbricazione studiato ad hoc!

Un Design “Intelligente” per il Ginocchio

Ma non basta avere un buon materiale. Il sensore deve adattarsi perfettamente al ginocchio durante i movimenti complessi di flessione, estensione e rotazione. Per questo, abbiamo usato un approccio di progettazione inversa iterativa. In pratica, abbiamo progettato la *struttura* del nostro sensore in modo che avesse un comportamento meccanico specifico, detto “auxetico”.

I materiali auxetici hanno un rapporto di Poisson negativo (NPR), il che significa che quando li stiri in una direzione, si espandono anche nella direzione perpendicolare (al contrario dei materiali normali che si assottigliano). Questo li rende perfetti per conformarsi alla superficie dinamica del ginocchio, garantendo un contatto costante e una migliore cattura del movimento. Abbiamo ottimizzato la struttura (un pattern di quadrati rotanti) per ottenere un NPR vicino a -1, simile a quello della pelle umana sotto sforzo, assicurandoci anche che fosse resistente.

Il Cuore Piezoelettrico: BNNTs nel PDMS

Abbiamo preparato il nostro composito BNNT/PDMS con una concentrazione ottimale del 12% di BNNTs. Le analisi (FTIR, AFM, s-SNOM, XRD) hanno confermato la dispersione uniforme dei nanotubi nella matrice di PDMS, preservando la struttura di entrambi i componenti. Questo ha portato a proprietà meccaniche e dielettriche migliorate: il materiale è diventato molto più duttile (si allunga di più prima di rompersi) e resistente, pur mantenendo un’ottima flessibilità.

E le prestazioni piezoelettriche? Eccellenti! Il nostro film BNNT/PDMS ha mostrato una sensibilità elevata (0.50 ± 0.01 V N⁻¹), superiore a molti altri materiali simili. Riesce a generare voltaggi significativi anche a basse frequenze (quelle tipiche dei movimenti del ginocchio) e correnti misurabili.

Non solo: il nostro sensore è anche in grado di autoalimentarsi! Abbiamo dimostrato che può caricare piccoli condensatori e generare una potenza di picco di 1.47 mW m⁻², convertendo l’energia meccanica del movimento in energia elettrica. Immaginate un sensore che non ha bisogno di batterie pesanti! Lo abbiamo anche testato per 30.000 cicli di carico: super resistente e affidabile, anche in condizioni di umidità normali.

Il Cervello AI: Interpretare i Segnali Complessi

Avere un sensore che genera segnali elettrici in risposta al movimento è fantastico, ma come tradurre quei segnali complessi in informazioni utili come la coppia, l’angolo di piegamento e il carico sul ginocchio? Qui entra in gioco l’intelligenza artificiale.

Abbiamo sviluppato un algoritmo basato su una rete neurale artificiale (ANN) leggera, progettata per funzionare direttamente sul dispositivo (on-device AI), senza bisogno di inviare dati a un server potente. Questo è cruciale per la privacy, la velocità di risposta e il basso consumo energetico.

Abbiamo “addestrato” la nostra AI con dati raccolti in laboratorio. Un partecipante indossava il sensore sul ginocchio ed eseguiva esercizi di flessione con diversi carichi (pesi) e a diverse angolazioni. Il sensore registrava i segnali piezoelettrici corrispondenti.

Abbiamo usato tecniche di pre-elaborazione (come la Trasformata di Fourier a Tempo Breve – STFT) per estrarre le caratteristiche significative dai segnali grezzi. Poi, abbiamo dato queste caratteristiche in pasto alla nostra ANN.

Risultati Sorprendenti: Stima Precisa e in Tempo Reale

I risultati sono stati davvero incoraggianti! Il nostro modello AI è riuscito a:

• Classificare i livelli di coppia applicati al ginocchio con un’accuratezza del 97.5%!
• Stimare con precisione anche i carichi applicati e gli angoli di piegamento.
• Funzionare come modello di regressione, fornendo stime continue della coppia, dell’angolo e del carico, non solo categorie discrete. Questo è fondamentale per descrivere la dinamica reale del movimento. Le correlazioni tra valori predetti e reali erano altissime (coefficiente di Pearson > 0.91 per tutti i parametri).

Il modello è anche molto efficiente dal punto di vista computazionale: occupa poca memoria (<0.29 MB) e richiede poche operazioni, rendendolo perfetto per microcontrollori a basso consumo energetico tipici dei dispositivi indossabili. Abbiamo poi costruito una piattaforma per il monitoraggio in tempo reale. Utilizzando un’interfaccia grafica (GUI) sviluppata in MATLAB, il sistema riceve i dati dal sensore (tramite Arduino), li elabora con l’AI e visualizza la stima della coppia del ginocchio istantaneamente. Abbiamo anche implementato un sistema di allerta che avvisa l’utente se la coppia supera una soglia di sicurezza predefinita. In un test di 160 secondi, il sistema ha raggiunto un’accuratezza del 77.5% nella stima in tempo reale dei livelli di coppia.

Infine, abbiamo verificato che il modello può essere adattato facilmente a nuovi utenti con un breve processo di calibrazione (fine-tuning), raggiungendo un’ottima accuratezza anche su persone diverse da quella iniziale.

Implicazioni Future: Verso un Monitoraggio Accessibile a Tutti

Certo, siamo ancora in una fase di proof-of-concept. La stima della coppia si basa su modelli semplificati e dati raccolti in laboratorio. Estendere e validare queste stime per movimenti più complessi come camminare o correre richiederà ulteriori ricerche, magari usando modelli cadaverici o protesi strumentate.

Tuttavia, quello che abbiamo sviluppato offre una soluzione relativamente a basso costo ed efficace per il monitoraggio regolare della coppia articolare. Questo potrebbe avere implicazioni enormi a livello globale:

• Rendere il monitoraggio della salute articolare accessibile a popolazioni diverse, anche in regioni con risorse limitate.
• Migliorare la gestione delle condizioni muscolo-scheletriche.
• Supportare la riabilitazione personalizzata.
• Aiutare a comprendere meglio i disturbi legati all’invecchiamento.
• Aprire nuove frontiere nella sanità personale e nella prevenzione.

Stiamo già pensando ai prossimi passi: estendere l’applicazione a diverse condizioni croniche e gruppi di utenti, integrare altre modalità di monitoraggio (come l’EMG) e rendere il sistema interoperabile con tecnologie assistive come robot indossabili ed esoscheletri.

Insomma, abbiamo creato uno strumento potente che combina materiali avanzati e intelligenza artificiale per “ascoltare” le nostre articolazioni come mai prima d’ora. È un passo avanti entusiasmante verso un futuro in cui la gestione della salute articolare è più personalizzata, precisa e accessibile a tutti.

Fonte: Springer