Biomechanical model to analyze countermeasure exercises performed on ISS and risks related to incorrect executions

During space missions, astronauts are inserted in environment that significatively differs from that on Earth. Weightlessness induces a series of human body changes and adaptations, which involve different systems: cardiovascular, respiratory, visual and musculo-skeletal. The unloading of bones and muscles in microgravity produces rapid and severe mineral loss and reduction of muscle mass and muscle strength. Bone density drops at over 1% per month; the decrease of muscle strength is compared with studies of bed rest that show a diminution of 50% in the first two weeks. Currently, space agencies are planning long-duration missions (LDMs) to flight on Moon and Mars. Unlike the current flights, in which recovery time is not critical, on LDMs these physiological effects must be considered. To prevent this deconditioning, crewmembers follow a specific training protocol pre, during and post-flight. On the International Space Station (ISS), countermeasures exercise devices are present, to allow to perform both cardiovascular and resistive training. Cycle Ergometer with Vibration Isolation and Stabilization (CEVIS) and treadmill COLBERT are used for health of cardiovascular system; the Advance Resistive Exercise Device (ARED) is used to prevent muscle atrophy and bone mineral loss. It simulates the use of free weights in microgravity by generating a constant load, which can be changed from 0 to 272.5 Kg. It permits to perform different target exercises, including normal stance squat, wide stance squat and deadlift. However, the efficacy of these countermeasures is inadequate and the optimal training protocol planning is difficult given that internal bone and muscle forces in microgravity are unknown. Two aspects have to be considered: firstly, in microgravity body weight is not perceived, so a percentage of body weight has to be applied directly on the shoulders by the ARED bar, causing discomfort and back pain; furthermore, the countermeasures are not personalized for each astronaut and performance is without neither online nor offline supervision. This Thesis is inserted in two research projects: “MARcatori biologici e funzionali per la biomedicina aStronautica di PREcisione – MARS-PRE”, proposed by Italian Space Agency (ASI) and “ARED Kinematics – Biomechanical quantification of bone and muscle loading to improve the quality of microgravity countermeasure prescription for resistive exercise”, which involves European Space Agency (ESA), Neuroengineering and Medical Robotics Laboratory (NearLab) of Politecnico di Milano, Jhonson Space Center (JSC) of National Aeronautics and Space Administration (NASA) and Kayser Italia. The first one aims to find biological and functional anticipatory makers of musculo-skeletal damage, which can occur as a consequence of target exercises performed with incorrect techniques. Then, a system able to automatically detect wrong executions and to correct astronaut in real-time will be developed. ARED Kinematics project wants to improve the subject specific effectiveness of daily exercises on flight by estimating internal body loads. To reach these goals, data collection using motion capture system and force plates pre, during and post flight is needed, as well as biomechanical analysis and statistical comparison of these data. Currently, no inertial sensor data of exercises performed with ARED are available, but only kinematic and dynamics ones obtained by using a motion capture system and force plates. For this reason, a biomechanical model is needed to simulate sensors placement on body and to extract analog data. Thus, this work was focused on the validation of a biomechanical model through the OpenSim software with the following purposes: (1) to simulate target exercises in microgravity and with different body weight replacements (BWRs) in order to evaluate the optimal one; (2) to conduct a biomechanical analysis of correct and incorrect techniques of normal stance squat, wide stance squat and deadlift, comparing kinematics and dynamics to evaluate risk of injuries and/or inefficacy of training; (3) to simulate inertial sensors in different body points, obtaining acceleration signals related to correct and wrong exercise techniques. These analyses were carried out with data collected at Luigi Divieti laboratory at Politecnico di Milano with a barbell and weight and it will be extended to data collected at NASA JSC, whose transfer has ended in the writhing phase of the Thesis. The optoelectronic system used to acquire motion data is SMART DX 400 (BTS Bioengineering S.p.A, Milan, Italy), composed by 8 TV cameras with 100 Hz sampling frequency; ground reaction forces (GRFs) were measured by two force plates (AMTI, USA). A total of 43 retro - reflective markers were placed on body, excluding upper limbs, plus 2 on the extremities of the bar. Data collection was carried out on two subjects (S1 – male, 30 years old, 65 kg, 175 cm; S2 - female, 25 years old, 54 kg, 164 cm), who performed one set of 4 repetitions of normal squat, wide stance squat and normal deadlift with correct executions, similarly to that collected at NASA JSC. Additionally, they performed one set of each kind of incorrect exercise with a number of repetitions varying from 2 to 4 basing on the individual sensation, to avoid injuries. Wrong techniques were proposed and approved by specialists of NASA JSC. External loads were in the range of 60-80% of maximal isometric strength (ISO-MAX) as follow: S1 - 50 kg for squat and wide squat; 80 kg for deadlift; S2 - 40 kg for squat and wide squat; 50 kg for deadlift. Smart Tracker is the software used to track raw data, so to label each marker with specific name and to obtain three-dimensional marker trajectories over time. The open-source software utilized to conduct the biomechanical analysis and the microgravity simulations was OpenSim. Matlab R2018b was used to pre-process data and to create files in formats compatible with OpenSim. Raw data were interpolated with a cubic spline function to fill gaps and filtered with a Butterworth low pass filter with a cut-off frequency of 5 Hz. External loads were added by considering a constant vertical force applied on the shoulders of the model, on the mid-point of the barbell computed basing on the two markers put on the extremities of the bar. For weightlessness simulation, the percentage of body weight chosen was added to the vector that identified the bar and the complementary percentage was divided for two and subtracted to the left and right GRFs. Obtained files needed, the first step for the biomechanical analysis was the model scaling basing on the anthropometry of each subject. For this scope, a standing position was acquired. Then, inverse kinematics, inverse dynamics, residual reduction algorithm and compute muscle control OpenSim tools were used to obtain joint angles, joint moments and to estimate muscle forces, for each subject and each type of exercise execution. A linear regression model algorithm was developed in Matlab R2018b in order to identify the relation between the different BWR loads and joint moments in weightlessness. The inverse dynamics was computed in 0g by incrementing the BWR with step of 10%, ranging from 40% to 100%, in addition to simulation with 0% of body weight. Thus, the dependent variable of the regression model was a vector containing peak or mean joint moments for each BWR and the independent variable a vector with the BWRs. Analyses Tool of OpenSim was used in order to simulate inertial sensors, so to extract accelerations data in different body points, related to each kind of training exercise and execution. The chosen points were sternum, sacrum, mid-thigh and mid shank. These data were opportunely elaborated and different features, both in time and frequency domains, were extracted. Principal component analysis (PCA) was used to reduce the feature set and two supervised learning methods were developed and tested to perform a binary classification, so to distinguish correct and incorrect exercises. Methods were feed-forward artificial neural network (ANN) and support vector machine (SVM). Biomechanical comparison between correct and wrong exercise performances - the hypothesis of not equality in terms joint angles and joint moments was statistically demonstrated (p < 0.05). Therefore, the chosen categories of incorrectness can be considered suitable to characterize biomarkers, which will anticipate the risk of musculo-skeletal damage due to joint overloading and risk of training inefficacy caused by joint underloading. Optimal BWR - squat results were compared with the ones found in literature, sustaining that current BWR (70-75%) used is suitable for hip joint, but it might underload knee and ankle joints and overload lumbar joint. The same results were obtained for wide squat and deadlift, but they showed higher BWR for hip joint. Overall, it was observed that optimal BWR changes considering different joints and between subjects. This suggests that find a single load usable for all astronauts and all training exercises could be not adequate. Thus, it may be opportune to create a biomechanical model for each crewmember and to perform simulations to reach the individual optimal BWR. Additionally, think to another way to better distribute the load over the body without applying it only on shoulders might be a solution. Performance classification based on acceleration signals - PCA reduced the original dataset composed by 302 features to 12 for squat, 9 for wide squat and 10 for deadlift. ANN and SVM accuracies of binary classifications were respectively: 83.3% and 88% for squat; 75% and 71.4% for wide squat; 60% and 85.7% for deadlift. Further investigations are needed to enlarge the dataset and refine the classifier, but these preliminary results could be seen as incentive to consider this approach as working solution.

Durante le missioni spaziali, gli astronauti si ritrovano in un ambiente che differisce notevolmente da quello terrestre. L’assenza di gravità provoca una serie di cambiamenti e adattamenti fisiologici del corpo che coinvolgono diversi sistemi: cardiocircolatorio, respiratorio, visivo e muscolo scheletrico. In microgravità le ossa e i muscoli non vengono sollecitati, questo causa una rapida e significativa demineralizzazione ossea e riduzione della forza muscolare. La densità dell’osso diminuisce dell’1% ogni mese; la perdita della forza muscolare è stata comparata con studi di “bed rest”, ovvero di riposo forzato a letto, che ne hanno rivelato un calo del 50% nelle sole prime due settimane. Attualmente, le agenzie spaziali stanno pianificando missioni a lunga durata (LDMs) che hanno come obiettivo viaggi sulla Luna e su Marte. Le missioni correnti richiedono durate relativamente brevi, in cui il tempo di recupero non è critico; in visione dei viaggi a lunga durata, invece, gli effetti fisiologici devono essere considerati. Per prevenire il decondizionamento muscolo-scheletrico, i membri dell’equipaggio seguono un protocollo di allenamento specifico prima, durante e dopo la missione. Sulla Stazione Spaziale Internazionale (ISS) sono presenti diversi dispositivi che consentono di effettuare esercizi sia aerobici che resistivi. Sono a disposizione un cicloergometro (CEVIS) e un treadmill (COLBERT) per il mantenimento della salute del sistema cardio vascolare e l’Advance Resistive Exercise Device (ARED) per prevenire l’atrofia muscolare e la perdita di minerali ossei. ARED simula l’uso di pesi esterni generando un carico costante che può variare da 0 a 275.5 Kg. Consente di eseguire diversi esercizi target, tra cui il normal stance squat, il wide stance squat e il deadlift. Tuttavia, l’efficacia di queste contromisure non è adeguata e la pianificazione di un programma di allenamento ottimale è complesso in quanto non si conoscono le forze interne agenti durante gli allenamenti a bordo della ISS. Due aspetti devono essere particolarmente presi in considerazione: innanzitutto, in microgravità il peso del corpo non è percepito, per cui una percentuale dello stesso deve essere aggiunta direttamente sulle spalle mediante la barra di ARED, risultando scomodo e doloroso per le spalle e causando dolori alla schiena; inoltre, le contromisure non sono personalizzate per ogni astronauta e gli allenamenti non vengono monitorati, né online, né offline. Questa tesi è inserita in due progetti di ricerca: “MARcatori biologici e funzionali per la biomedicina aStronautica di PREcisione – MARS-PRE”, proposto dall’Agenzia Spaziale Italiana (ASI) e “ARED Kinematics – Biomechanical quantification of bone and muscle loading to improve the quality of microgravity countermeasure prescription for resistive exercise”, che coinvolge l’Agenzia Spaziale Europea (ESA), il laboratorio di Neuroingegneria e Robotica Medica (NearLab) del Politecnico di Milano, il Jhonson Space Center (JSC) della National Aeronautics and Space Administration (NASA) e l’azienda Kayser Italia. L’obiettivo del primo progetto è quello di fornire marcatori funzionali personalizzati di correttezza dell’esecuzione degli esercizi di contromisure. Verrà quindi sviluppato un sistema di machine learning basato su sensori inerziali utilizzabili in microgravità che sarà in grado di riconoscere automaticamente le esecuzioni scorrette degli esercizi e di fornire un feedback correttivo in real-time. Il progetto ARED – Kinematics mira invece al miglioramento dell’efficacia degli allenamenti individuali stimando le forze interne in gioco. Per raggiungere questo scopo, verranno acquisiti dati cinematici e dinamici utilizzando un sistema di cattura del movimento e delle piattaforme di forza. Le prove verranno effettuate prima, durante e dopo le missioni e verranno quindi condotte delle analisi biomeccaniche e dei confronti statistici tra i risultati. Attualmente, dati provenienti da sensori inerziali collezionati durante l’esecuzione degli esercizi con ARED non sono a disposizione, sono invece disponibili dati cinematici e dinamici acquisiti con un sistema di cattura del movimento e con piattaforme di forza. Per questo motivo, è necessario sviluppare un modello biomeccanico in modo da simulare il posizionamento dei sensori sul corpo e per estrarre dati analoghi. Dunque, questo lavoro si è focalizzato sulla validazione di un modello biomeccanico attraverso il software OpenSim con i seguenti propositi: (1) simulare gli esercizi target in microgravità e con diverse percentuali di peso corporeo per trovare quella ottimale; (2) condurre analisi biomeccaniche delle esecuzioni corrette e scorrette di squat, wide stance squat e deadlift, confrontandone la cinematica e la dinamica per valutare il rischio di infortuni e/o l’inefficacia dell’esercizio; (3) simulare i sensori inerziali posizionati in diversi punti del corpo, al fine di ottenere segnali di accelerazione relativi alle tecniche corrette e scorrette di esecuzione degli esercizi. Queste analisi sono state effettuate con dati acquisiti presso il laboratorio Luigi Divieti del Politecnico di Milano con un bilanciere e dei pesi, ma verranno estese a dati acquisiti al NASA JSC il cui trasferimento si è concluso in fase di stesura della tesi. Il sistema optoelettronico utilizzato per le acquisizioni è SMART DX 400 (BTS Bioengineering S.p.A, Milan, Italia), composto da 8 telecamere con una frequenza di campionamento di 100 Hz; le forze di reazione al terreno (GRFs) sono state misurate con due piattaforme di forza (AMTI, USA). Sono stati posizionati 43 marker passivi su tutto il corpo, ad esclusione degli arti superiori, e due sono stati aggiunti alle estremità del bilanciere. I dati sono stati acquisiti su due soggetti (S1 – maschio, 30 anni, 65 kg, 175 cm; S2 - femmina, 25 anni, 54 kg, 164 cm) che hanno eseguito un set di 4 ripetizioni di squat, wide stance squat e deadlift in configurazione corretta dell’esercizio, in modo analogo a quanto fatto al NASA JSC. In aggiunta, hanno eseguito un set per ogni tipo di scorrettezza, con un numero di ripetizioni che è variato da 2 a 4 in base alle sensazioni individuali, per evitare infortuni. Le scorrettezze sono state proposte e approvate dagli specialisti del NASA JSC. Il carico esterno utilizzato è stato all’interno del range di 60-80% della massima forza isometrica (ISO-MAX) come segue: S1 - 50 kg per squat e wide squat; 80 kg per deadlift; S2 - 40 kg per squat e wide squat; 50 kg per deadlift. Smart Tracker è il software utilizzato per il tracking dei dati grezzi, quindi per etichettarli con un nome specifico e per ottenere le traiettorie tri-dimensionali dei marker nel tempo. Il software open source usato per condurre le analisi biomeccaniche e le simulazioni in microgravità è OpenSim. Matlab R2018b è stato invece utilizzato per il pre-processing dei dati e per creare file in formati compatibili con OpenSim. Le traiettorie dei marker sono state interpolate con una funzione cubica spline e filtrati mediante un filtro Butterworth passa-basso con una frequenza di taglio di 5 Hz. I carichi esterni sono stati aggiunti considerandoli come force costanti verticali applicate sulle spalle del modello, nel punto medio del bilanciere calcolato considerando i marker posti alle sue estremità. Per le simulazioni in assenza di gravità, la percentuale di peso corporeo da aggiungere al carico è stata addizionata al vettore identificativo della forza espressa dalla barra e la percentuale complementare è stata divisa per due sottratta alle GRFs di entrambi i lati. Ottenuti i file necessari, il primo step per l’analisi biomeccanica è stato quello di scalare il modello sulla base dell’antropometria del soggetto. A questo proposito, è stata acquisita una posizione statica per alcuni secondi. Dopodiché, sono stati utilizzati appositi tool di OpenSim per ottenere angoli articolari, momenti articolari e stimare le forze muscolari in gioco, per ogni soggetto e per ogni tipologia d’esercizio. Per identificare la relazione tra le diverse percentuali di peso da aggiungere al carico esterno (BWR) e i momenti articolari, è stato sviluppato un modello di regressione con Matlab R2018b. La cinematica inversa è stata calcolata in 0g incrementando il BWR dal 40% al 100% con step di 10%, in aggiunta alle simulazioni effettuate considerando lo 0% del peso corporeo. Quindi, la variabile dipendente del modello di regressione è stato un vettore contenente le medie o i picchi dei momenti articolari per ogni BWR e la variabile indipendente un vettore contenente le diverse percentuali di peso considerate. Il tool di OpenSim sfruttato per simulare i sensori inerziali è stato Analyse Tool, grazie al quale sono state estratte le accelerazioni nei punti del corpo desiderati e relative a ogni tipologia d’esercizio. I punti scelti sono stati lo sterno, il sacro, mezza coscia e mezza tibia. I dati sono stati opportunamente elaborati e da essi sono state estratte variabili nel dominio del tempo e delle frequenze. L’analisi delle componenti principali (PCA) è stata utilizzata per ridurre la dimensione del dataset e due metodi di apprendimento supervisionato sono stati sviluppati e testati per effettuare una classificazione binaria, quindi per distinguere le esecuzioni corrette da quelle errate. Gli algoritmi di machine learning considerati sono stati una rete neurale artificiale (ANN) feed-forward e il support vector machine (SVM). Confronto tra la biomeccanica degli esercizi corretti e scorretti – l’ipotesi di disuguaglianza tra angoli articolari e momenti articolari è stata statisticamente dimostrata (p < 0.05). Dunque, le categorie di scorrettezza scelte possono essere considerate adatte per la caratterizzazione dei biomarcatori che anticiperanno il rischio di danneggiamento muscolo-scheletrico dovuto a un sovraccarico dell’articolazione o il rischio di inefficacia dell’allenamento dovuto a una sollecitazione insufficiente. BWR ottimale – i risultati ottenuti per lo squat sono stati confrontati con i dati presenti in letteratura, sostenendo che il BWR attualmente utilizzato (70-75%) è adeguato per l’articolazione dell’anca, ma troppo basso per ginocchio e caviglia ed eccessivo per la lombare. Le analisi del wide squat e del deadlift hanno supportato queste considerazioni, ma hanno mostrato un BWR più alto per l’articolazione dell’anca rispetto allo squat. I risultati suggeriscono che l’utilizzo di un unico valore per tutti gli astronauti e indipendentemente dall’esercizio potrebbe essere inadeguato. Sarebbe invece opportuno creare un modello biomeccanico per ogni membro dell’equipaggio ed effettuare delle simulazioni personalizzate per il calcolo del BWR ottimale. Inoltre, si potrebbe pensare a una via alternativa per la distribuzione del carico in modo omogeneo lungo il corpo, evitando quindi di applicarlo interamente sulle spalle. Classificazione della performance basata su segnali di accelerazione – con la PCA i dataset originari includenti 302 variabili sono stati ridotti a 12 per lo squat, 9 per il wide squat e 10 per il deadlift. Le accuratezze dell’ANN e del SVM per la classificazione binaria sono state rispettivamente: 83.3% e 88% per lo squat; 75% e 71.4% per il wide squat; 60% and 85.7% per il deadlift. Sono necessarie ulteriori analisi per aumentare la dimensione dei dataset e per rifinire il classificatore, ma questi risultati preliminari possono essere visti come incentivanti per considerare questo approccio come possibile soluzione.