Application of Artificial Intelligence techniques to predict the emotional state on patients undergoing neuromotor rehabilitation with Lokomat exoskeleton

Pathologies such as Cerebral Palsy (CP) and Acquired Brain Injury (ABI) may easily lead to neuromotor impairments, widely treated nowadays with robot-assisted therapy, which has shown to be highly beneficial for neuromotor recovery. Nevertheless, the psychological response to the therapy, a key aspect es- pecially when dealing with children, to date hasn’t been deeply investigated. This Master thesis aimed to predict with Artificial Intelligence tools the emotional well- being and engagement of 42 subjects undergoing neuromotor rehabilitation with Lokomat exoskeleton at IRCCS Medea. During some of the sessions, Electroder- mal Activity (EDA) and Blood Volume Pulse (BVP) were recorded by means of the Empatica E4 wristband. Time and frequency domain parameters were sorted and used as input to Machine Learning (ML) and Deep Learning (DL) models. At first labels representing the emotional state of each session were defined. Two different predictions were implemented, one relying on patient reported outcomes and another on therapist reported one. In the ML approach, statistical tools were adopted to perform feature selection and to lower the computational cost of the models. In the DL approach, the dataset was upsampled by windowing the signals, in order to make the training more consistent. The final part was the implementation of the models and the evaluation of their metrics. Results reveal that models are able to recognize different emotional states, sug- gesting the capability of AI to study the psychological response to therapy starting from recorded biosignals. ML models provided better metrics rather than DL ones, due to the low amount of available data. In ML, Support Vector Machine (SVM) made better predictions than K-Nearest Neighbors (KNN), probably due to the high overfitting risk related to KNN use with unbalanced datasets. Neural Networks showed the best DL predictions. A possible future development may be the implementation of a real time prediction system, that could customize therapy according to patient specific needing and overcome the communication limits related to subjects’ young age or neurological impairments.

Patologie come la Paralisi Cerebrale e la Lesione Cerebrale Acquisita possono facilmente portare a deficit neuromotori, diffusamente trattati al giorno d’oggi con la terapia robotizzata, che ha dimostrato di essere molto benefica per il recupero delle funzioni neuromotorie. Ciononostante, la risposta psicologica alla terapia, aspetto fondamentale soprattutto avendo a che fare con bambini, ad oggi non è stato ancora vagliato accuratamente. Questa tesi Magistrale è finalizzata alla predizione tramite strumenti di Intelligenza Artificiale il livello di benessere e coinvolgimento emotivo di 42 soggetti sottoposti a riabilitazione neuromotoria con esoscheletro Lokomat all’IRCCS Medea. Durante alcune delle sessioni, l’Electrodermal Activity (EDA) e il Blood Volume Pulse (BVP) sono stati registrati per mezzo del braccialetto medico Empatica E4. Diversi parametri relativi al dominio del tempo e delle frequenze sono stati ricavavti e dati in input a modelli di Machine Learning (ML) e Deep Learning (DL). In primo luogo sono state ricavate delle etichette che rappresentassero lo stato emotivo di ogni sessione. Sono state implementate due predizioni, una relativa all’outcome riportato dal paziente e un’altra relativa a quello riportato dalla terapista. Nell’approccio ML, è stata effettuata una selezione delle variabili tramite delle analisi statistiche, al fine di diminuire il costo computazionale dei modelli. Nell’approccio DL, il dataset è stato aumentato tramite la finestratura dei segnali, per rendere il processo di allenamento dei modelli più consistente. La parte finale consisteva nell’implementazione degli algoritmi e nella valutazione delle relative metriche. I risultati mostrano che i modelli riescono a riconoscere i diversi stati emozionali, suggerendo la capacità dell’IA di studiare la risposta psicologica alla terapia a partire da segnali fisiologici. I modelli ML hanno portato risultati migliori di quelli DL, a causa dell’esiguo numero di dati a disposizione. Il Support Vecotr Machine (SVM) ha fatto prediziini migliori del K-Nearest Neighbors (KNN), probabilemente a causa dell’alto rischio di overifitting associato all’uso del KNN con dataset sbilanciati. Le Neural Networks hanno ottenuto i risultati mgliori nel DL. Un possibile sviluppo futuro può essere l’implementazione di un sistema di predizione in tempo reale, che permetterebbe di adattare la terapia ai bisogni specifici del paziente e di superare il limite di comunicazione dovuto alla giovane età o al deficit neurologico del paziente.