Biomechanical model and machine learning algorithms comparison for customized training biofeedback on ISS

State of art and aims The interest in space exploration of the past 60 years has proven how humanity always tries to reach the impossible. Even though studying another planet different from Earth seemed unfeasible, nowadays the possibility of landing on Mars is becoming a concrete reality. However, such ambitious project comes together with unpleasant downsides, in terms of human’s health and adaptation in a microgravity environment. Of all the drawbacks while living in a place lacking gravity, we could list cardiovascular, respiratory, visual and musculoskeletal issues. Among these, for instance, many side effects regard Space Adaptation Syndrome, uneven ventilation, irregular perfusion, muscle deconditioning, atrophy and bone demineralization. For research purposes, a lot of projects tried to replicate and study the same specific environmental conditions found by the space travelers. Initially, the immersion in water was thought to be a logical model for reducing the pull of gravity on the body mass, but it soon resulted an impractical and inefficient method. Bed rest, whose longevity predates space exploration, later became a practical application to simulate the weightlessness conditions on ground. With the progress of Computer Science, also simulations via software (e.g., OpenSim) became a fundamental pillar in this context. To prevent deconditioning in future long-duration missions (LDMs), crewmembers still follow a specific training protocol pre-, in- and post-flight. Indeed, NASA is using the International Space Station (ISS) to learn more about physiological countermeasures. Both cardiovascular and resistive training are performed with specific exercise devices: CEVIS (Cycle Ergometer with Vibration Isolation and Stabilization) and treadmill COLBERT are exploited for cardiovascular system health; the Advance Resistive Exercise Device (ARED) is used, instead, 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. ARED allows to carry out up to 29 exercises including Normal Stance Squat, Wide Stance Squat and Deadlift. This mechanical architecture is also combined with a brand-new motion capture system (MOCAP), namely BTS SMART-DX. The latter is going to collect kinematic data basing on passive markers placed on the cosmonauts’ body. This thesis is inserted in both 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, Johnson Space Center (JSC) of National Aeronautics and Space Administration (NASA) and Kayser Italia. The first project aims to find biological and functional anticipatory makers of musculo-skeletal damage, which can occur while performing inaccurately the daily workout routine on ISS. Then, a real time system will interact and provide information/warnings on correct/incorrect performance execution. The second project, ARED-K, plans on improving the subject specific effectiveness of daily exercises on flight by estimating internal body loads. To reach these purposes, data collection using motion capture system and force plates during pre-, in- and post-flight is needed, as well as biomechanical analysis and statistical comparison of data collected. Currently, no inertial sensor data of exercises performed with ARED are available, but only kinematic ones (obtained by using the MOCAP system). For this reason, a biomechanical model is needed to simulate sensors placement on body and extract analogues data. The present work hence focused on the following aims: (1) improvement of a model useful to conduct a biomechanical analysis of the human motion in microgravity conditions on ISS; (2) simulation of inertial sensors in different body points, thus obtaining acceleration signals related to correct and incorrect exercise executions; (3) the realization of a system based on machine learning classification that will interact and provide information/warnings on correct/incorrect performance during typical workout routine (e.g. when performing Normal Squat, Wide Squat and Deadlift); (4) Once chosen the most suitable ML algorithm, validation of a customized and subject-specific classifier to recognize correct/incorrect exercise executions. Inertial sensors simulation, IMU data and experimental protocol OpenSim is the open-source software exploited to conduct the biomechanical analysis and the microgravity simulations. The platform allows, through to the “Analyze” tool, to simulate sensors placement on specific body points. The body points chosen were Sternum, Sacrum, Right Upper Thigh, Left Upper Thigh, Right Upper Shank and Left Upper Shank. In this way, simulated acceleration data can be extracted. The musculoskeletal model generally used for gait and running tasks is “Gait2392” but is not suitable for deep squatting exercises. In literature, the already validated “Catelli” model demonstrated to increase the ROMs especially for the knee joint, thus implying its usability for the motions considered in the current project. In particular, this model has been validated specifically for Squat exercises, which require higher ROMs for the knee joint with respect to gait and running. We also decided to verify the “Catelli” model validation of the research paper, successfully. To reach this purpose, we considered the simulated data coming from 6 subjects (3 Males, Mean: 32.33 ± 3.06 years old, 79.96 ± 10.84 kg, 174.67 ± 8,50 cm height; 3 Females, Mean: 31.33 ± 6.80 years old, 60.20 ± 7.56 kg, 161.83 ± 7.21 cm height) recruited at NASA JSC who performed 4 repetitions for each movement (Normal Squat, Wide Squat and Deadlift) using ARED. As regards the real accelerations acquired through IMU sensors, instead, we started from the raw data (collected in Pavia) of another parallel thesis project inserted in the MARS-PRE research. From the work of Ravizza et al. (2020), no statistical differences are observed between kinematics of exercises performed with ARED and barbell. Consequently, the current thesis project relied on this pillar to conduct the acquisition step. The Electronic system used is made up of 6 different accelerometers (XSENS) placed in specific human body locations (1 on each thigh, 1 on each shank, 1 on sternum and 1 on sacrum). Only 17 subjects were involved (9 Males, Mean: 26.89 ± 5.73 years old, 64.22 ± 7.14 kg, 173.44 ± 4.25 cm height; 8 Females, Mean: 25.38 ± 3.77 years old, 56 ± 6.31 kg, 163,14 ± 6.52 cm height). They performed a different number of repetitions (the range varies from 5 to 20, according to their physical capabilities) of Normal Squat, Wide Squat and Deadlift (similarly to those executed at NASA JSC) using barbell and weights (load within 50-75% of ISO-MAX). These collected data were not simply referred to correct exercise execution, but also to a dataset of incorrect ones (always avoiding harming permanently or temporarily the physiological structures of the subjects recruited) which are approved by specialists of NASA JSC and by the Etic Committee of Politecnico di Milano. Data processing and classifier development Matlab R2019b was used to pre-process the IMU acceleration data. Raw data were initially filtered with a sixth-order Butterworth low pass filter, with a cut-off frequency of 5 Hz. After the removal of outliers and the extrapolation of only the meaningful data, every single exercise repetition was isolated and resized to an average value. These steps allow a quicker usage for the next part: Google Colab (based on python scripts) was employed to normalize, apply an algorithm able to solve imbalance classification issues and, eventually, to perform feature extraction and selection (PCA). The latter enables to reduce the feature set and it is applied to all the algorithms explored in this study (e.g., SVM, KNN, Decision Tree, XGBoost, MLP) except for the Convolutional Neural Network (CNN), which simply employed the already pre-processed data. These supervised learning approaches were developed and tested to perform a multi-label classification, in order to discriminate correct and incorrect exercises (5 and 3 different inaccurate motions were classified for Normal/Wide Squat and Deadlift, respectively). Results and conclusions Biomechanical model suitable for ISS training exercise - The “Catelli” OpenSim biomechanical model, differently from “gait2392”, demonstrated to be a valid candidate in the ARED-K research project since it allows to reach, especially for the Knee joint, those Range of Motions (ROM) suitable for the specific training exercises (Normal Squat, Wide Squat, Deadlift) on ISS. Performance classification based on acceleration signals - The original dataset, containing 1314 features for six sensors (hence, 219 features for each of them), is reduced with PCA to 198, 216 and 152 features for Normal Squat, Wide Squat and Deadlift, respectively (thus describing at least 90% of data variance). SVM and CNN allowed, respectively, to reach discrete and reliable results in terms of accuracy: 87.79% and 84.30% for Normal Squat; 86.38% and 86.91 % for Wide Squat; 83.76% and 82.05% for Deadlift. Further investigations are needed to enlarge the dataset and refine the classifier, but these preliminary results could be seen as an incentive to consider this approach a working solution. We strongly believe that augmenting the acceleration data collection, CNN would play a key role for real time biofeedback on ISS. Using Convolutional Neural Networks, different outputs coming from several combination of sensors were tested. Discrete outcomes were reached even with sensors placed in homolateral position (in particular, related to Sacrum, Left Thigh, Left Shank and Sternum body points). However, the final goal regard the introduction of IMU sensors to be used with ARED on ISS. In this case, the homolateral solution is not recommended since the asymmetry would imply the exclusion of feedbacks related to one body side (left or right, depending on the sensors placement). Anyway, discrete results in terms of accuracy using CNN have been observed with IMUs on the lower limbs (84.29% for NS, 81.68% for WS and 76.92% for DL). Since customization is one of the MARS-PRE project’s aims, the current thesis isolated three subjects (among the 17 available of the IMU acquisition) who performed the highest number of repetitions and studied them separately. Hence, the ML algorithms previously mentioned were employed to build a customized classifier suited for a single person and good accuracy results were obtained (3 Female subjects, mean: 25.00 ± 3.61 years old, 58.00 ± 6.08 kg, 166.33 ± 3.21 cm height. Mean of accuracy for SVM and CNN, respectively: 98.61% ± 2.41% and 95.83% ± 4.17% for NS; 98.61% ± 2.41% and 87.5 % ± 4.17% for WS; 91.67% ± 3.61% and 87.5% ± 10.83% for DL). In addition, IMU and simulated data show visible differences: training ML algorithms with the former and testing with the latter (and viceversa) is not a reliable approach. Consequently, training and testing steps have been conducted only on the simulated accelerations (with discrete accuracy results for both SVM and CNN: 90.00% and 80.00% for Normal Squat; 85.71% and 71.43 % for Wide Squat; 75.00% and 75.00% for Deadlift), but the number of observations (almost 30 repetitions in total for each exercise) is too little, especially for the neural network. Unfortunately, the spread of Covid-19 virus imposed strict limitations thus excluding the possibility to increase the acquisitions for both IMU and simulated data. Outlines of Thesis The present work is structured as follow: • Chapter 1: description of physiological adaptations that occur during space missions; review and state of art of countermeasures and motion capture systems used on ISS. • Chapter 2: aim of the thesis. • Chapter 3: description of the software used for biomechanical modeling and to conduct the simulations. • Chapter 4: description of the set-up data collection and their processing; development and validation of a multi-label classifier. • Chapter 5: results and discussions. • Chapter 6: conclusions and future works. • Appendix A. • Appendix B.

Stato dell'arte e obiettivi L'interesse per l'esplorazione spaziale relativa agli ultimi 60 anni ha dimostrato come l'umanità cerchi sempre di raggiungere l'impossibile. Nonostante lo studio di altri pianeti differenti dalla Terra sembrasse irrealizzabile, oggigiorno la possibilità di raggiungere Marte sta diventando una realtà sempre più concreta. Tuttavia, un progetto così ambizioso è imprescindibilmente legato a spiacevoli svantaggi, in termini di salute e adattamento ad un ambiente in microgravità. Tra tutti gli svantaggi nel vivere in un luogo privo di gravità, potremmo elencare: problemi cardiovascolari, respiratori, visivi e muscolo-scheletrici. Fra questi, ad esempio, molti effetti collaterali riguardano la Sindrome da Adattamento Spaziale, la ventilazione non uniforme, la perfusione irregolare, il decondizionamento muscolare, l'atrofia e la demineralizzazione ossea. Per scopi di ricerca, molti progetti hanno cercato di replicare e studiare le stesse condizioni ambientali trovate dai viaggiatori spaziali. Inizialmente, si pensava che l'immersione in acqua fosse un modello logico per ridurre l'attrazione di gravità sulla massa corporea, ma presto si è rivelata un metodo poco pratico e inefficiente. Il riposo forzato a letto, la cui longevità precede l'esplorazione spaziale, è diventato in seguito un'applicazione pratica per simulare le condizioni di assenza di gravità sulla Terra. Con il progresso dell'Informatica, anche le simulazioni via software (e.g. OpenSim) sono diventate un pilastro fondamentale in questo contesto. Per prevenire il decondizionamento nelle future missioni di lunga durata (LDM), i membri dell'equipaggio seguono perciò uno specifico protocollo di addestramento pre-, durante e post-volo. In effetti, la NASA sta utilizzando la Stazione Spaziale Internazionale (ISS) per ottenere più informazioni riguardo le contromisure fisiologiche da adottare. Sia l'allenamento cardiovascolare sia quello resistivo vengono eseguiti con specifici dispositivi: sono a disposizione un cicloergometro, CEVIS (Cycle Ergometer with Vibration Isolation and Stabilization), ed un treadmill, COLBERT, per il mantenimento della salute del sistema cardio vascolare; l'Advance Resistive Exercise Device (ARED) viene invece utilizzato 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 272,5 Kg. Consente inoltre di eseguire fino a 29 esercizi tra cui Normal Stance Squat, Wide Stance Squat e Deadlift. Tale architettura si integra anche con un nuovissimo sistema di acquisizione del movimento (MOCAP), ovvero BTS SMART-DX. Quest'ultimo raccoglierà dati cinematici sulla base di sensori passivi posizionati sul corpo dei cosmonauti. Questa tesi è inserita in entrambi i progetti di ricerca “MARcatori biologici e funzionali per la biomedicina aStronautica di PREcisione - MARS-PRE”, proposti 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 Agenzia Spaziale Europea (ESA), Neuroengineering and Medical Robotics Laboratory (NearLab) del Politecnico di Milano, Jhonson Space Center (JSC) of National Aeronautics and Space Administration (NASA) e Kayser Italia. Il primo progetto presenta come obbiettivo quello di trovare indicatori biologici e funzionali del danno muscolo-scheletrico, che può verificarsi durante una imprecisa esecuzione della routine di allenamento quotidiana sulla ISS. Quindi, un sistema in tempo reale interagirà e fornirà informazioni/avvisi sull'esecuzione delle prestazioni corrette/non corrette. Il secondo progetto, ARED-K, prevede di migliorare l'efficacia degli allenamenti quotidiani individuali sulla ISS in modo soggetto-specifico, stimando le forze interne in gioco. Per raggiungere questi scopi, è necessaria la raccolta di dati utilizzando un sistema di acquisizione del movimento e piattaforme di forza (pre-, durante e post- volo). Verranno poi condotte delle analisi biomeccaniche e dei confronti statistici tra i risultati ottenuti. Attualmente, dati provenienti da sensori inerziali (collezionati durante gli esercizi eseguiti con ARED) non sono disponibili, ma in compenso vi sono quelli cinematici (ottenuti utilizzando il sistema MOCAP). Per questo motivo, è necessario sviluppare un modello biomeccanico per simulare il posizionamento dei sensori sul corpo ed estrarre dati analoghi. Questo lavoro, perciò, si è quindi concentrato sui seguenti obiettivi: (1) miglioramento di un modello utile per condurre un'analisi biomeccanica del movimento umano in condizioni di microgravità sulla ISS; (2) simulazione di sensori inerziali in diversi punti del corpo, ottenendo perciò segnali di accelerazione relativi a corrette e scorrette esecuzioni di esercizi; (3) la realizzazione di un sistema basato sulla classificazione tramite algoritmi di Machine Learning che interagirà e fornirà informazioni/avvertimenti su performance corrette/non corrette durante la tipica routine di allenamento (e.g., quando si eseguono Normal Squat, Wide Squat e Deadlift), (4) Una volta scelto l'algoritmo di ML più adatto, validazione di un classificatore personalizzato e specifico per soggetto atto a riconoscere esecuzioni di esercizi corrette/non corrette. Simulazione sensori inerziali, dati IMU e protocollo sperimentale OpenSim è il software open-source utilizzato per condurre l'analisi biomeccanica e le simulazioni in microgravità. La piattaforma permette, grazie allo strumento “Analyze”, di simulare il posizionamento dei sensori su specifici punti del corpo. Quest’ultimi sono: sterno, sacro, coscia superiore destra, coscia superiore sinistra, stinco superiore destro e stinco superiore sinistro. In questo modo, è possibile estrarre i dati di accelerazione simulati. Il modello muscolo-scheletrico generalmente utilizzato per le attività di cammino e corsa è il "Gait2392", ma non è adatto ad esercizi quali lo squat profondo. In letteratura, il modello “Catelli” (già validato) ha dimostrato di aumentare i ROM articolari, soprattutto quelli relativi alla articolazione del ginocchio, permettendo così di sfruttarlo per i movimenti considerati in questo progetto di tesi. In particolare, questo modello è stato validato specificatamente per esercizi di Squat, i quali richiedono ROM più elevati per l'articolazione del ginocchio, differentemente dal cammino e dalla corsa. Abbiamo anche deciso di verificarne la validazione, ottenendo esito positivo e conforme a quanto esposto nel paper di ricerca. Per raggiungere tale obbiettivo, sono stati considerati dati simulati provenienti da 6 soggetti reclutati al NASA JSC (3 Uomini, Media: 32.33 ± 3.06 età, 79.96 ± 10.84 kg, 174.67 ± 8,50 cm altezza; 3 Donne, Media: 31.33 ± 6.80 età, 60.20 ± 7.56 kg, 161.83 ± 7.21 cm altezza), i quali hanno eseguito 4 ripetizioni per ogni tipologia di movimento (Nromal Squat, Wide Squat e Deadlift) usando ARED. Per quanto concerne le accelerazioni reali acquisite mediante sensori IMU, invece, abbiamo cominciato ad analizzare dati grezzi (raccolti a Pavia) di un altro progetto di tesi svolto in parallelo a questo ed inserito nella ricerca MARS-PRE. Dal lavoro di Ravizza et al. (2020), nessuna differenza statistica è stata osservata tra la cinematica degli esercizi eseguiti con ARED e quelli condotti con bilanciere. Di conseguenza, questo progetto di tesi si è basato su tale consapevolezza per condurre lo step relativo alle acquisizioni. Il sistema elettronico utilizzato (marca XSENS) per collezionare i dati di accelerazione è composto da 6 differenti accelerometri posti in differenti parti del corpo umano (1 su ogni coscia, 1 su ogni polpaccio, 1 sullo sterno. 1 sul sacro). Sono stati coinvolti solo 17 soggetti (9 Uomini, Media: 26.89 ± 5.73 età, 64.22 ± 7.14 kg, 173.44 ± 4.25 cm altezza; 8 Donne, Media: 25.38 ± 3.77 età, 56 ± 6.31 kg, 163.14 ± 6.52 cm altezza). Questi hanno eseguito un numero diverso di ripetizioni (il range varia da 5 a 20, in base alle loro capacità fisiche) di Normal Squat, Wide Squat e Deadlift (analogamente a quelli eseguiti al NASA JSC) usando bilanciere e pesi (con carico nel range 50-75% di ISO-MAX). I dati in questione non si riferiscono semplicemente alla corretta esecuzione degli esercizi, ma anche ad un dataset di allenamenti scorretti (evitando sempre di danneggiare in modo permanente o temporaneo le strutture fisiologiche dei soggetti reclutati), i quali sono stati approvati dagli specialisti della NASA JSC e dal Comitato Etico del Politecnico di Milano. Elaborazione dati e sviluppo classificatore Matlab R2019b è stato in seguito adoperato per pre-elaborare i dati IMU di accelerazione. I dati grezzi sono stati inizialmente filtrati con un filtro Butterworth passa basso di sesto ordine, con una frequenza di taglio di 5 Hz. Dopo la rimozione di outlier e la considerazione di soli dati significativi, ogni singola ripetizione degli esercizi è stata isolata e ridimensionata a un valore di tempo medio. Questi passaggi consentono un utilizzo più rapido per la sezione successiva: Google Colab (basato su script python) è stata scelta come piattaforma candidata per normalizzare, applicare un algoritmo in grado di risolvere problemi di classificazione sbilanciati e, infine, per eseguire estrazione e selezione delle feature (PCA). Quest'ultimo step consente di ridurre il set delle feature ed è stato applicato a tutti gli algoritmi esplorati in questo studio (e.g., SVM, KNN, Decision Tree, XGBoost, MLP) ad eccezione della Convolutional Neural Network (CNN), che ha semplicemente utilizzato i dati pre-elaborati. Tutti gli approcci di apprendimento supervisionato sono stati poi sviluppati e testati per eseguire una classificazione multi-label, al fine di discriminare esercizi corretti e scorretti (rispettivamente 5 e 3 movimenti imprecisi sono stati classificati per Normal/Wide Squat e Deadlift). Risultati e conclusioni Modello biomeccanico idoneo agli esercizi dell’allenamento sulla ISS - Il modello biomeccanico OpenSim “Catelli”, a differenza di “gait2392”, si è dimostrato un valido candidato nel progetto di ricerca ARED-K in quanto permette di raggiungere quei Range di Movimento articolari (ROM), in particolare per la articolazione del ginocchio, adatti per gli esercizi specifici di allenamento (Normal Squat, Wide Squat, Deadlift) sulla ISS. Classificazione delle prestazioni in base ai segnali di accelerazione - Il set di dati originale, contenente 1314 feature per sei sensori (quindi 219 feature per ognuno), viene ridotto con la PCA a 198, 216 e 152 feature, rispettivamente per Normal Squat, Wide Squat e Deadlift (descrivendo così per ognuno almeno il 90% della varianza dei dati). SVM e CNN hanno permesso, rispettivamente, di raggiungere risultati ammissibili e affidabili in termini di accuratezza: 87.79% e 84.30% per il Normal Squat; 86.38% e 86.91% per il Wide Squat; 83.76% e 82.05% per il Deadlift. Sono necessarie ulteriori indagini per ampliare il dataset e perfezionare il classificatore, ma questi risultati preliminari potrebbero essere visti come un incentivo a considerare tale approccio una soluzione tangibile. Crediamo fermamente che ampliando la quantità di dati di accelerazione a disposizione, la CNN assumerà un ruolo chiave per un biofeedback in tempo reale sulla ISS. Utilizzando reti neurali convoluzionali, sono stati testati inoltre diversi output provenienti da svariate combinazioni di sensori. Risultati accettabili sono stati raggiunti anche con sensori posti in posizione omolaterale (in particolare, relativi ai punti del corpo dell'osso sacro, della coscia sinistra, dello stinco sinistro e dello sterno). Comunque, l’obbiettivo finale riguarda l’introduzione di un set-up composto da sensori inerziali IMU utilizzabili in combinazione con ARED. In tale scenario, la soluzione omolaterale è sconsigliata in quanto l'asimmetria comporterebbe l'esclusione dei feedback relativi ad un lato del corpo (sinistro o destro, a seconda del posizionamento dei sensori). Inoltre, usando la CNN, sono stati osservati risultati discreti in termini di accuratezza considerando sensori IMU posti sugli arti inferiori (84.29% per NS, 81.68% per WS e 76.92% per DL). Poiché la personalizzazione è uno degli obiettivi del progetto MARS-PRE, tre soggetti (fra i 17 disponibili) che hanno eseguito il maggior numero di ripetizioni sono stati isolati e studiati separatamente. Pertanto, gli algoritmi di ML precedentemente citati sono stati utilizzati per costruire un classificatore personalizzato adatto a una singola persona e buoni risultati di accuratezza sono stati ottenuti (3 Donne, Media: 25.00 ± 3.61 età, 58.00 ± 6.08 kg, 166.33 ± 3.21 cm altezza. Media di accuratezza per SVM e CNN, rispettivamente: 98.61% ± 2.41% e 95.83% ± 4.17% per NS; 98.61% ± 2.41% e 87.5% ± 4.17% per WS; 91.67% ± 3.61% e 87.5% ± 10.83% per DL). Inoltre, i dati IMU e quelli simulati mostrano differenze visibili: addestrare algoritmi di machine learning con il primo e testare con il secondo (e viceversa) non è un approccio affidabile. Di conseguenza, le fasi di training e test sono state condotte solo sulle accelerazioni simulate (con risultati di accuratezza discreti sia per SVM sia per CNN: 90.00% e 80.00% per il Normal Squat; 85.71% e 71.43 % per il Wide Squat; 75.00% e 75.00% per il Deadlift), ma il numero di osservazioni (in totale circa 30 ripetizioni per ogni tipologia di esercizio) è troppo basso, specialmente per la rete neurale. Sfortunatamente, la diffusione del virus Covid-19 ha imposto rigide costrizioni escludendo così la possibilità di espandere il dataset sia relativo ai sensori inerziali sia a quello dei dati simulati. Struttura della tesi Il presente lavoro è strutturato come segue: • Capitolo 1: descrizione degli adattamenti fisiologici che si verificano durante le missioni spaziali; revisione e stato dell'arte delle contromisure e dei sistemi di motion capture utilizzati sulla ISS. • Capitolo 2: scopo della tesi. • Capitolo 3: descrizione del software utilizzato per la modellazione biomeccanica e per condurre le simulazioni. • Capitolo 4: descrizione del set-up adottato per la raccolta dei dati e loro successiva elaborazione; sviluppo e validazione di un classificatore multi-label. • Capitolo 5: risultati e discussioni. • Capitolo 6: conclusioni e sviluppi futuri. • Appendice A. • Appendice B.