Development and enhancement of an IMU-based system for real-time monitoring of astronaut training

This thesis is part of a research project funded by the Italian Space Agency (ASI) called MARS-PRE (Biological and Functional MARkers for PREcision astronomical bio-medicine) aiming at investigating the effects of microgravity (i.e., the abscence of gravity) on the human body, through the analysis of biological markers. It has already been shown that microgravity in long term space missions induces a decrease in bone density (with a ratio of approximately 1% per month due to the loss of minerals) as well as muscle atrophy: the muscular mass of the lower limbs, for instance, has been observed to lose the 35-40% of its weight after a period 90-180 days. Thus, to prevent the deconditioning of the musculoskeletal system, astronauts aboard the International Space Station (ISS) must perform a rigid physical exercise session, using the Advance Resistive Exercise Device (ARED). ARED is designed to simulate free weight exercises in microgravity conditions and allows to reduce the loss of strength in the astronauts' muscles. However, as the incorrect execution of an exercise can cause quite serious damage, continuous monitoring is necessary when using this device. While tele-monitoring aboard the ISS may not be prohibitive, it couldn't be a solution employable during possible future missions to Mars, due to a delay from 6 to over 40 minute in communications and signal disturbances. Thus, the purpose of this thesis was to develop and improve an application that could allow to acquire the movement data provided by six inertial sensors (IMUs) used to track astronauts movements during the execution of exercises and to train and validate custom machine learning classifiers, to be integrated into the application providing immediate feedback on the goodness of the exercise carried out. The app created presents significant changes both in terms of speed and architecture compared to previous works, particularly thanks to the use of two software architectural patterns (e.g., Publisher-Subscriber and Model-View-Controller). Also, the classifier shows an accuracy higher than 97%, proving to be able to provide an effective real-time feedback.

Questa tesi fa parte di un progetto di ricerca denominato MARS-PRE (Biological and Functional MARkers for PREcision astronomical bio-medicine), finanziato dall'Agenzia Spaziale Italiana (ASI) e con lo scopo di indagare gli effetti della microgravità (quindi l'assenza di gravità) sul corpo umano attraverso l'analisi di marcatori biologici. È già stato dimostrato, infatti, che le condizioni di microgravità in missioni spaziali a lungo termine inducano una diminuzione della densità ossea (con un tasso di circa l'1% al mese a causa della perdita di minerali), nonché un'atrofia muscolare: dati di letteratura dimostrano una riduzione della massa dei muscoli degli arti inferiori di circa il 35-40% del valore iniziale dopo un periodo di 90-180 giorni. Quindi, per prevenire il decondizionamento del sistema muscolo-scheletrico, gli astronauti a bordo della Stazione Spaziale Internazionale (ISS) devono eseguire una rigida sessione di esercizi fisici, sfruttando l'Advance Resistive Exercise Device (ARED). L'ARED è progettato per simulare l'esercizio fisico a peso libero in assenza di gravità e permette di ridurre la perdita di forza nei muscoli degli astronauti che lo utilizzano. In ogni caso, poiché lo svolgimento errato di un esercizio può causare danni abbastanza gravi, il suo utilizzo richiede comunque un monitoraggio continuo. E se nelle missioni a bordo dell'ISS il telemonitoraggio rappresenta una soluzione attuabile, questa strategia non potrebbe essere utilizzata durante possibili missioni future su Marte a causa di un ritardo stimato nelle teleocomunicazioni dai 6 a oltre 40 minuti che vanno ad aggiungersi a i disturbi del segnale. Per tale motivo lo scopo di questa tesi è stato quello di migliorare e sviluppare un'applicazione che permettesse di acquisire i dati di movimento forniti da sei sensori inerziali (realizzati da un lavoro precedente nello stesso contesto di questo progetto) e implementare e allenare dei classificatori personalizzati basati su tecniche machine learning, per essere integrati nell'applicazione e fornire così un feedback immediato sulla bontà dell'esercizio svolto. Lo strumento software realizzato presenta notevoli cambiamenti sia in termini di rapidità che di architettura rispetto a lavori precedenti, soprattutto grazie all'utilizzo di due pattern informatici architetturali (chiamati Publisher-Subscriber e Model-View-Controller). Il classificatore sviluppato, inoltre, mostra un'accuratezza superiore al 97%, dimostrandosi in grado di fornire feedback real-time molto validi.