1  Introduzione

1.1 Motivazione e obiettivi

L’analisi biomeccanica quantitativa del movimento umano misura grandezze cinematiche e cinetiche — angoli articolari, accelerazioni, forze al suolo, momenti e carichi interni — che non sono accessibili all’occhio: due atleti con una cinematica del ginocchio apparentemente identica possono esibire profili di carico articolare radicalmente diversi. I sistemi di riferimento per questo tipo di misura, sistemi optoelettronici a marker e pedane di forza, offrono elevata precisione ma comportano costi e vincoli logistici che ne limitano fortemente la diffusione: la misura biomeccanica completa rimane di fatto circoscritta agli ambienti di ricerca e alle strutture cliniche specializzate. La maturazione dei modelli di pose estimation basati su deep learning e la diffusione di hardware di calcolo accessibile hanno reso oggi tecnicamente plausibile un’analisi del movimento da video ordinari, senza marker fisici e senza laboratorio dedicato [@jiang_2023_rtmpose; @uhlrich_2023_opencap; @pagnon_2022_joss_pose2sim].

La domanda che orienta il presente lavoro è la seguente: è possibile stimare le forze al ginocchio durante un salto verticale con contromovimento utilizzando unicamente due telecamere consumer, senza pedana di forza, ottenendo risultati fisiologicamente plausibili? La risposta non è scontata. La stima delle forze a partire dalla sola cinematica richiede ipotesi che, se mal formulate, producono residui privi di senso fisico; il salto verticale è un movimento esplosivo con accelerazioni elevate e transitorie brevi, condizioni che mettono sotto pressione qualsiasi catena di elaborazione numerica. Il criterio per valutare i risultati è la plausibilità fisiologica rispetto alla letteratura, non la validazione clinica formale: si tratta di un Proof of Concept.

L’obiettivo tecnico è progettare e implementare una pipeline modulare che percorra l’intera catena dal video grezzo alla stima delle forze articolari, usando esclusivamente componenti open-source e hardware consumer. La modularità è un requisito esplicito: ogni fase deve essere sostituibile senza riprogettare il resto del sistema, condizione necessaria affinchè la piattaforma rimanga utile in un campo in rapida evoluzione. A questo obiettivo principale si affianca un’indagine sulla configurazione minima sufficiente: capire fino a che punto sia possibile abbassare la qualità del segnale di ingresso — risoluzione spaziale e frequenza di campionamento — senza perdere informazione significativa nelle stime cinematiche e cinetiche, in modo da identificare un punto di funzionamento accessibile e replicabile su hardware non specializzato.

1.2 Struttura del documento

Il Capitolo 2 presenta il contesto scientifico e tecnico: fondamenti biomeccanici del salto verticale, panorama dei sistemi di acquisizione del movimento, stima della posa con reti neurali, strumenti esistenti e gap che il presente lavoro intende colmare. Il Capitolo 3 descrive la metodologia dell’intera pipeline, dalla calibrazione delle telecamere alla stima delle forze articolari. Il Capitolo 4 riporta i risultati sperimentali: qualità della ricostruzione cinematica, profili di forza, analisi comparative e profiling dei tempi di calcolo. Il Capitolo 5 discute implicazioni e limiti del Proof of Concept e delinea le direzioni di sviluppo più promettenti.

1.3 Posizionamento e delimitazione

Il lavoro si colloca nella categoria degli strumenti per il ricercatore in biomeccanica: non è una soluzione preconfezionata né uno studio di validazione clinica. La piattaforma è progettata come base di partenza riproducibile, pensata per chi voglia comprendere, modificare e adattare la pipeline alle proprie esigenze, con accesso completo a ogni parametro intermedio. La validazione quantitativa contro pedana di forza e il confronto numerico diretto con sistemi esistenti come OpenCap sono esclusi deliberatamente dall’ambito e rimandati a lavori dedicati: il valore del Proof of Concept dipende dalla dimostrazione che la catena di elaborazione funzioni, in modo riproducibile, end-to-end su hardware consumer, che i risultati siano fisiologicamente sensati, e che la piattaforma sia sufficientemente modulare da evolvere verso quegli studi di validazione che ne rappresentano il passo successivo naturale.