5  Discussione e Conclusioni

5.1 Risultati principali

La piattaforma sviluppata in questa tesi acquisisce, ricostruisce e analizza un Countermovement Jump utilizzando due telecamere consumer e un laptop standard, in modalità completamente offline e con architettura modulare. Sui dati acquisiti con questa piattaforma è stato possibile produrre tre risultati biomeccanici rilevanti che ne caratterizzano il dominio di funzionamento: l’equivalenza pratica fra risoluzioni 480p e 1080p, l’esistenza di una soglia critica di frame rate fra il regime cinematico e quello cinetico, e la convergenza fra le due strategie di stima della Ground Reaction Force al variare dell’intensità del gesto.

Il primo risultato riguarda la sensibilità della pipeline alla risoluzione spaziale del video di ingresso. A parità di soggetto, di trial e di frame rate nativo, una variante a 480p ridimensionata a 1080p prima della pose estimation produce traiettorie cinematiche e profili di GRF sostanzialmente sovrapponibili a quelli ottenuti dalla variante nativa a 1080p: l’RMSE sugli angoli articolari rimane sotto i 4° in tutti i casi esaminati (Tab. 4.11), il picco propulsivo della GRF differisce di meno di 0,3 BW su entrambi i trial di riferimento (Tab. 4.12), e i tempi di volo sono identificati correttamente con scarto inferiore a 20 ms. Il meccanismo che spiega questa equivalenza è architetturale: RTMPose ricampiona l’immagine di input a una dimensione fissa prima dell’inferenza [@jiang_2023_rtmpose], in modo che i pixel in eccesso che 1080p offre rispetto a 480p non vengono mai utilizzati dal modello. La risoluzione minima sufficiente è quella che permette al modello di operare nel regime di scala per cui è stato addestrato; oltre quella soglia, il contributo dei pixel aggiuntivi è nullo. Una conseguenza diretta è che video archiviati o trasmessi a 480p sono analizzabili senza perdita apprezzabile di accuratezza, a patto di applicare un upscaling preliminare alla risoluzione nominale e di adattare la calibrazione intrinseca alla risoluzione target (Sezione 3.3).

Il secondo risultato riguarda la sensibilità della pipeline al frame rate. La cinematica articolare è notevolmente robusta al sottocampionamento: a 25 fps la sequenza delle fasi del CMJ rimane riconoscibile, la simmetria bilaterale è conservata e il ROM del ginocchio si discosta dal valore nativo di meno del 5% (Fig. 4.17). La stima della GRF mostra invece un comportamento qualitativamente diverso: sotto 50 fps il picco propulsivo, transiente di durata caratteristica \(\tau \approx 100\) ms, viene attenuato in modo strutturale (-55% a 25 fps rispetto al nativo, Tab. 4.16); a 100 fps — primo punto effettivamente sopra la soglia di Nyquist per quella scala temporale — il picco è recuperato con una sottostima del 12%. La soglia critica empirica si colloca quindi attorno a 80 fps per la stima accurata del picco propulsivo da metodo CoM; al di sopra di tale soglia le varianti a 100 fps e quelle a 200 fps risultano quasi indistinguibili.

Il terzo risultato riguarda il confronto fra i due metodi di stima della GRF implementati. Per salti contenuti (trial_04, atterraggio rigido) le stime Pelvis e CoM convergono entro lo 0,7% sul picco; per il salto più esplosivo del dataset (trial_03) la stima Pelvis sovrastima la stima CoM del 12,5% sul picco propulsivo (Tab. 4.13). Il comportamento è coerente con il meccanismo fisico: durante le flessioni profonde del contromovimento e gli istanti di stacco, il bacino si discosta in misura significativa dal centro di massa reale del modello, che integra anche la contribuzione di tronco, arti superiori e testa. Più il gesto è intenso, più la discrepanza fra accelerazione del bacino e accelerazione del CoM si amplifica nella fase propulsiva. L’effetto si attenua tuttavia nel comparto dinamico a valle: i momenti articolari calcolati con le due stime differiscono di solo 2-4% (Tab. 4.14), perché la cinematica articolare domina la soluzione di Inverse Dynamics rispetto al termine di forza esterna.

I tre risultati delimitano il dominio operativo della piattaforma. Una configurazione 480p a 100fps rappresenta il punto di funzionamento più economico compatibile con stime cinetiche affidabili; il regime sub-80 fps è adatto solo ad analisi cinematiche qualitative; la scelta fra Pelvis e CoM diventa critica per salti esplosivi ma è secondaria per la stima dei momenti articolari. Le implicazioni applicative di questi finding sono articolate in §5.3.

5.2 Coerenza con la letteratura

Il confronto fra le grandezze prodotte dalla piattaforma e i riferimenti bibliografici disponibili separa nettamente i casi di compatibilità da quelli di scostamento sistematico. La cinematica articolare ricade nel primo gruppo, la stima della GRF in un caso intermedio che richiede qualificazioni, i momenti articolari di Inverse Dynamics in un caso di scostamento che si spiega con una differenza di convenzione metodologica più che con un errore di stima.

Sotto il profilo cinematico, il range di movimento del ginocchio osservato durante i CMJ del soggetto principale — compreso fra 90° e 105° per i trial di riferimento — è coerente con i valori riportati da @cleather_2013_hip_knee per soggetti non elite (85-110°). Il pattern temporale prossimale-distale dell’attivazione articolare è conservato in tutti i trial: la flessione progressiva nella fase eccentrica, l’inversione, la sequenza di estensione ginocchio → anca → caviglia nella fase concentrica si leggono chiaramente nelle curve angolari (Fig. 4.6). La simmetria bilaterale è preservata entro 5° in tutti i frame analizzati, valore al di sotto della soglia di sensibilità tipica dei sistemi optoelettronici di laboratorio per movimenti non patologici [@aleksic_2024_cmj_validation].

Sotto il profilo della Ground Reaction Force, i valori di picco stimati con i due metodi si collocano in un range più ampio di quello tipicamente riportato per soggetti amatoriali. @linthorne_2001_vertical_jump indica picchi propulsivi compresi fra 1,8 e 2,4 BW per squat jump; @mcmahon_2018_cmj_force_phases riporta intervalli analoghi (2,0-2,8 BW) per CMJ con contromovimento. I picchi misurati in questo lavoro variano da 3,50 BW (trial_04, atterraggio rigido) a 5,22 BW (trial_03, metodo Pelvis), con un fattore 1,3-2 di scostamento dal limite superiore della letteratura. Tre fattori concorrono a questa discrepanza e vanno dichiarati apertamente. Primo, il valore di picco riportato in Tab. 4.13 è il massimo globale della curva sull’intero trial e in diversi casi corrisponde al picco di atterraggio piuttosto che al picco propulsivo (cfr. il profilo del trial_03 in Fig. 4.12), che sistematicamente eccede la fase di spinta nel nostro dataset; la letteratura citata si riferisce in prevalenza al picco propulsivo. Secondo, la doppia derivazione numerica della traiettoria del bacino o del CoM a 200 fps amplifica il rumore residuo post-filtraggio anche dopo un Butterworth del quarto ordine a fase zero, e i transienti di accelerazione spurii sopravvivono come picchi locali nel segnale GRF. Terzo, le condizioni del soggetto non sono standardizzate per intensità atletica; i confronti con range “amatoriale” rimangono pertanto qualitativi. Il profilo della forma d’onda — fase di unweighting, fase di braking, picco propulsivo, volo, atterraggio — riproduce comunque la struttura attesa dalla letteratura [@linthorne_2001_vertical_jump; @mcmahon_2018_cmj_force_phases], il che suggerisce che la pipeline non introduce distorsioni qualitative macroscopiche e che la discrepanza è quantitativa, da attribuire alla combinazione dei tre fattori citati.

Sotto il profilo dei momenti articolari, i valori ottenuti dall’analisi di Inverse Dynamics al ginocchio — 1623 Nm sul lato destro e 1930 Nm sul sinistro per il trial_02 con metodo CoM — eccedono di un fattore 4-5 il range di letteratura per il momento netto esterno al ginocchio durante il CMJ (100-400 Nm) [@cleather_2013_hip_knee]. Questa discrepanza non riflette un errore di stima ma una differenza di convenzione metodologica fra le due grandezze poste a confronto. L’output di Inverse Dynamics in OpenSim con pelvi libera è il momento generalizzato a livello del grado di libertà articolare, una grandezza che incorpora le contribuzioni inerziali di tutti i segmenti corporei a monte dell’articolazione — bacino, tronco, arti superiori, testa. La letteratura citata riporta invece il momento netto esterno articolare, misurato con sistemi optoelettronici accoppiati a pedana di forza e rappresentato nel sistema di riferimento locale del segmento distale rispetto all’articolazione; quest’ultima grandezza esclude per costruzione le inerzie dei segmenti sovrastanti. Il confronto diretto fra momento generalizzato OpenSim e momento netto esterno della letteratura è quindi fisicamente scorretto. La via per un confronto rigoroso è il ricalcolo del momento al ginocchio nel reference frame locale del segmento, eseguito come post-processing dei dati ID già disponibili; questa estensione è identificata come direzione di lavoro futuro in §5.8. La pipeline conserva comunque la capacità di discriminare strategie motorie diverse: il trial_04 (atterraggio rigido) produce un picco estensore di +1137 Nm contro i +1377 Nm del trial_01 (atterraggio ammortizzato), un’asimmetria coerente con la maggiore decelerazione richiesta dal primo gesto.

Le forze articolari interne al ginocchio (Joint Reaction Forces) riportate da @cleather_2013_hip_knee — 6,9-7,1 BW di compressione tibio-femorale durante il CMJ — non sono confrontabili con questa tesi perché la fase di Joint Reaction Analysis non ha prodotto output validi, per le ragioni tecniche discusse in §5.4. Il valore resta come riferimento per l’estensione muscle-driven della pipeline.

5.3 Implicazioni applicative: risoluzione e frame rate

L’equivalenza pratica fra 480p e 1080p e la soglia critica fra cinematica e cinetica del frame rate hanno conseguenze operative immediate per chiunque utilizzi la piattaforma in contesti diversi dal laboratorio. Le indicazioni seguenti traducono i risultati di §5.1 in raccomandazioni di utilizzo.

Sotto il profilo della risoluzione spaziale, il finding principale è che il fattore limitante nella qualità della stima cinematica non è la risoluzione del pixel di input ma l’architettura della rete di pose estimation. RTMPose elabora ogni frame ricampionandolo internamente a una dimensione fissa di addestramento [@jiang_2023_rtmpose]; di conseguenza i pixel in eccesso rispetto al minimo necessario non producono guadagno informativo. Questo comportamento ha tre implicazioni pratiche. Primo, gli archivi video registrati o conservati a risoluzioni inferiori — comuni in dataset storici o streaming compressi — sono analizzabili con la piattaforma con perdita marginale, a condizione di applicare un upscaling preliminare alla risoluzione nominale di addestramento. Secondo, l’investimento in telecamere ad alta risoluzione (4K) non porta benefici misurabili per il task di analisi del CMJ in questa configurazione; le risorse marginali sono meglio spese su altri assi — frame rate, calibrazione, sincronizzazione. Terzo, il finding va dichiarato col suo perimetro: la combinazione peggiorativa 480p a 25 fps non è stata valutata per la stima della GRF — solo per la cinematica — e rappresenta una lacuna esplicita di questo lavoro.

Sotto il profilo del frame rate, il finding ha un peso applicativo maggiore perché identifica tre regimi distinti di utilizzo, ognuno coerente con un tipo di indagine biomeccanica. Per analisi qualitative — riconoscimento delle fasi, valutazione della simmetria, descrizione del pattern di coordinazione — un frame rate di 25-30 fps è sufficiente. La cinematica articolare ricostruita a 25 fps preserva la sequenza delle fasi, mantiene la simmetria bilaterale entro 5° e produce ROM sottostimati di non più del 5% rispetto al nativo a 200 fps. In questo regime, le acquisizioni con webcam consumer o smartphone in modalità video standard sono pienamente utilizzabili. Per analisi cinematiche semi-quantitative — quantificazione del ROM, timing degli eventi, confronti inter-trial — un frame rate di 50-60 fps mantiene l’errore sui ROM al di sotto del 5% e identifica gli istanti di toe-off e atterraggio con risoluzione di 20 ms. Per analisi cinetiche assolute — stima del picco propulsivo della GRF, calcolo dei momenti articolari, valutazione della potenza esplosiva — è richiesto un frame rate di almeno 100 fps; per la caratterizzazione del picco di atterraggio, dove la dinamica è più impulsiva, si raccomandano almeno 200 fps. La soglia critica di 80 fps trovata empiricamente è coerente con il teorema di Nyquist applicato a un transiente propulsivo di durata \(\tau \approx 100\) ms (Sezione 4.8).

Il costo computazionale segue una distribuzione coerente con questi regimi ma in direzione opposta: la riduzione del frame rate produce uno speedup sostanziale, mentre la riduzione della sola risoluzione spaziale non porta alcun risparmio misurabile. La variante a 25 fps elabora un trial di 2,5 secondi in 44 secondi sull’hardware di riferimento (MacBook Pro M2 Max), contro i 137 secondi della variante nativa — uno speedup di 3,09× (Tab. 4.18). La variante a 480p a frame rate nativo impiega praticamente lo stesso tempo del 1080p nativo (136,6 vs 137,1 secondi): il modello RTMPose ricampiona comunque l’input a dimensione fissa, e il numero di campioni temporali processati da OpenSim resta invariato. Il principale collo di bottiglia computazionale è rappresentato dal comparto OpenSim CPU, in particolare dalle fasi di Inverse Kinematics e Joint Reaction Analysis, che dipendono linearmente dal numero di campioni temporali ma non dalla risoluzione spaziale.

La conseguenza operativa è che la piattaforma può essere eseguita su un laptop consumer accoppiato a due dispositivi mobili — nel setup di riferimento un iPhone 13 e una GoPro Hero 9 — senza dipendenze cloud, senza licenze commerciali e senza hardware specializzato. Questa è precisamente la configurazione che la tesi si era proposta di realizzare. Le scelte operative ottimali variano con l’obiettivo: per screening di campo o analisi qualitative, 480p a 25 fps è una configurazione percorribile; per analisi cliniche o sportive con stime cinetiche, la risoluzione resta sacrificabile ma il frame rate deve salire ad almeno 100 fps.

5.4 Limiti del Proof of Concept

Questo lavoro è un Proof of Concept. Dimostra la fattibilità tecnica della piattaforma e ne caratterizza il dominio operativo, ma non costituisce una validazione quantitativa né una qualificazione clinica. La distinzione è essenziale per interpretare correttamente i risultati presentati: i numeri sono prodotti da un sistema scientificamente costruito e internamente coerente, ma la loro corrispondenza con le grandezze fisiologiche reali rimane verificata solo qualitativamente, attraverso il confronto con la letteratura.

La limitazione strutturale principale è l’assenza di una misura di riferimento indipendente: nessuna acquisizione di questa tesi è stata effettuata con pedana di forza in parallelo, né con un sistema optoelettronico da laboratorio. Senza ground truth, le metriche disponibili sono la plausibilità rispetto alla letteratura (§5.2) e la coerenza interna fra varianti, nessuna delle quali permette di calcolare un errore assoluto. Un lavoro futuro che affianchi la piattaforma a una pedana di forza è la prima estensione necessaria per trasformare il PoC in uno studio di validazione.

Sulla catena di analisi dinamica due punti meritano una segnalazione. La Joint Reaction Analysis nella sua forma OpenCap-style non ha prodotto output validi: l’integrazione forward di AnalyzeTool non riesce a soddisfare simultaneamente i vincoli geometrici del modello rigido e le accelerazioni richieste da una traiettoria cinematica IK che non garantisce continuità temporale frame-per-frame. Identificare questa incompatibilità come precondizione necessaria per la JRA in pipeline markerless è di per sé un risultato utile per chi affronti lo stesso problema. In assenza di JRA, i momenti di Inverse Dynamics restano l’indicatore di carico disponibile, ma esibiscono un’asimmetria bilaterale fra arto destro e sinistro non spiegabile dalle lievi differenze cinematiche osservate: l’amplificazione avviene plausibilmente nella doppia derivazione delle coordinate articolari, che traduce differenze sub-pixel in differenze percepibili sulle accelerazioni. La piattaforma in questa configurazione non è quindi affidabile per applicazioni che richiedono il rilevamento di asimmetrie laterali di entità contenuta.

Altri limiti residui riguardano modello e assunzioni di pipeline. La distribuzione della GRF fra i due arti è assunta simmetrica al 50%, accettabile per CMJ su superficie piana ma scorretta per soggetti con asimmetrie posturali significative. Il modello muscoloscheletrico generico è tarato su proporzioni medie maschili e può fallire nel rappresentare conformazioni anatomiche distanti da quel riferimento; questo bias è una limitazione del modello, non della pipeline, ma si manifesta sui dati raccolti e va dichiarato. La stima delle forze articolari, anche quando la JRA fosse valida, resterebbe un lower bound fisiologico perché il modello non include la co-contrazione muscolare antagonista, quantificata in letteratura nell’ordine del 20-40% delle forze totali [@cleather_2013_hip_knee]. Tutte queste limitazioni hanno percorsi di rimedio identificabili, discussi in §5.7.

5.5 La piattaforma come contributo

Oltre ai risultati biomeccanici, il contributo strutturale di questa tesi è la piattaforma stessa. La pipeline non è uno script monolitico, ma un sistema di moduli indipendenti con interfacce dati stabili, implementazioni sostituibili e output persistiti su disco. Questa scelta è stata adottata fin dall’inizio del progetto come obiettivo di progettazione.

Ogni fase computazionale è descrivibile come un nodo con input e output dichiarati esplicitamente sul filesystem; l’interfaccia fra due fasi adiacenti è interamente definita dalla semantica del dato che le separa (Sezione 3.1). Questa proprietà rende possibile sostituire un singolo modulo — il metodo di stima della GRF, il modello muscoloscheletrico, lo strumento di sincronizzazione — senza dover modificare alcun altro modulo della catena, a patto di rispettare il formato di interfaccia stabilito.

Su questa infrastruttura si innesta il sistema di varianti, organizzato come grafo aciclico orientato (Sezione 3.15): i nodi computazionali condivisi fra varianti diverse vengono eseguiti una sola volta, e i rami divergenti procedono in parallelo. Un’analisi sistematica di sensibilità che con una pipeline monolitica richiederebbe ore di calcolo è riducibile a una singola sessione di esecuzione grazie al riuso dei nodi condivisi.

La riproducibilità è stata applicata in modo sistematico: tutti i parametri risiedono in file di configurazione gerarchici, le dipendenze sono fissate e la pipeline non richiede account cloud né licenze commerciali. L’interfaccia operativa Streamlit traduce questa infrastruttura in un workflow guidato, rendendo la piattaforma utilizzabile anche da chi non è uno sviluppatore della pipeline stessa.

5.6 Confronto architetturale con OpenCap

OpenCap [@uhlrich_2023_opencap] è il sistema più vicino al presente lavoro per scopo: pipeline markerless end-to-end, OpenSim come motore biomeccanico, GRF stimata senza pedana di forza. Le differenze non riguardano l’obiettivo ma l’architettura, e si articolano lungo tre dimensioni.

La prima è la localizzazione del calcolo. La piattaforma di questa tesi opera interamente in locale, garantendo controllo dei dati, operatività offline e possibilità di modifica di ogni componente. OpenCap delega l’elaborazione a server cloud: il setup è più semplice per l’utente finale, ma introduce dipendenze esterne e impedisce l’adattamento della pipeline a casi d’uso specifici.

La seconda è il modello di stima della GRF. OpenCap utilizza un’ottimizzazione muscoloscheletrica che risolve simultaneamente cinematica, dinamica e attivazione muscolare. La piattaforma proposta implementa due metodi più diretti, basati sull’accelerazione del bacino e su quella del centro di massa del modello. Un confronto numerico rigoroso fra i due approcci richiederebbe l’accesso ai file intermedi di OpenCap non pubblicati nell’API ed è identificato come direzione di lavoro futuro.

La terza è il perimetro applicativo. OpenCap è progettato come strumento generale; la piattaforma proposta è specializzata sul Countermovement Jump e ammette assunzioni semplificative — distribuzione simmetrica della GRF, modello Rajagopal come standard — che non sarebbero valide in generale ma riducono la complessità del problema nel dominio considerato. Il valore distintivo non sta in un singolo asse di superiorità, ma nella combinazione di modularità esplicita, esecuzione locale e accessibilità su hardware consumer: una combinazione che apre un dominio operativo complementare piuttosto che concorrente.

5.7 Sviluppi futuri

Il lavoro presentato apre diverse direzioni di ricerca non percorse entro il perimetro del PoC. Le più rilevanti sono indicate qui di seguito, in ordine di priorità.

Validazione con pedana di forza. Il passo successivo prioritario consiste nell’acquisizione di un dataset sincronizzato con pedana di forza su un campione esteso di soggetti, che permetterebbe di calcolare l’errore assoluto sulle stime GRF e di convertire il PoC in uno studio con ground truth.

Modelli muscolari attivi. Sia il fallimento attuale della Joint Reaction Analysis sia l’assenza di co-contrazione nelle stime di carico articolare si risolvono introducendo un modello muscolare attivo. La via diretta è la Static Optimization di OpenSim, che distribuisce le forze muscolari minimizzando un criterio di attivazione; un’estensione EMG-driven con elettromiografia di superficie come constraint produrrebbe stime di co-contrazione realistiche. In parallelo, l’approccio di ottimizzazione muscolare via Moco [@dembia_2020_opensim_moco] rappresenta lo stato dell’arte per la stima della GRF senza pedana e merita un investimento per inserirlo come metodo alternativo all’interno della pipeline.

Riduzione della componente manuale del setup. Due passaggi attualmente operatore-dipendenti sono automatizzabili senza modifiche all’architettura: la calibrazione estrinseca via marcatori ArUco fissi nell’ambiente — una prima implementazione è già presente nell’interfaccia ma resta da validare — e la sincronizzazione fra camere via Presentation Time Stamps con clock condiviso NTP/GPS, trigger hardware o LED flash come marker visibile. Entrambe rimuoverebbero alla sorgente le principali fonti di variabilità non riproducibili della pipeline.

Confronti inter-trial e inter-soggetto. L’algoritmo Dynamic Time Warping permetterebbe di allineare serie temporali di durate diverse e costruire template medi di riferimento, rendendo i confronti fra trial e fra soggetti più rigorosi di quelli punto-a-punto attuali.

Pipeline in tempo reale. La modularità non è sufficiente per un’esecuzione in streaming: diversi moduli della pipeline attuale sono intrinsecamente non causali e richiedono l’intera sequenza temporale prima di produrre output.

Il caso più rilevante è il filtraggio: il filtro Butterworth del quarto ordine è applicato con la funzione filtfilt, che processa il segnale in avanti e poi all’indietro per annullare il ritardo di fase. Questa proprietà — desiderabile in post-processing — richiede esplicitamente di conoscere i campioni futuri, ed è incompatibile con l’elaborazione campione per campione. Allo stesso modo, la derivazione numerica dell’accelerazione del CoM usa differenze centrali, che per il punto \(t_k\) richiedono il campione \(t_{k+1}\). E OpenSim Inverse Kinematics, pur ottimizzando ogni frame indipendentemente, è eseguita come job batch sull’intera traiettoria già filtrata.

Un’implementazione real-time richiederebbe quindi di sostituire questi tre elementi: il filtro a fase zero con un filtro causale — un Butterworth single-pass o un filtro di Kalman — accettando il compromesso di uno sfasamento residuo; le differenze centrali con differenze all’indietro, meno precise a parità di intervallo di campionamento; e il batch IK di OpenSim con un solver incrementale a finestra scorrevole. Solo dopo queste sostituzioni il profilo computazionale diventerebbe il vincolo rilevante. A quel punto l’elemento critico diventerebbe il comparto IK, non la pose estimation: RTMPose opera in pochi millisecondi per frame, mentre un passo IK su modello Rajagopal richiede tempi significativamente più lunghi anche in configurazione ottimizzata.

5.8 Conclusioni

La piattaforma sviluppata produce traiettorie articolari coerenti con la letteratura biomeccanica per il Countermovement Jump, profili di GRF con struttura temporale plausibile e valori di picco nell’intervallo di confronto qualitativo per soggetti non elite, e momenti articolari di Inverse Dynamics che — con la qualificazione di convenzione discussa in §5.2 — discriminano correttamente diverse strategie di esecuzione del salto. Il sistema è operativo su un laptop standard accoppiato a due dispositivi consumer, senza dipendenze cloud, senza licenze commerciali e con un workflow utilizzabile da chi non sia uno sviluppatore della pipeline.

I tre risultati biomeccanici principali — l’equivalenza pratica fra risoluzioni 480p e 1080p a parità di frame rate, l’esistenza di una soglia critica di campionamento attorno a 80 fps fra regime cinematico e cinetico, e la convergenza fra i due metodi di stima della GRF al variare dell’intensità del gesto — caratterizzano in modo operativo il dominio di funzionamento della piattaforma e si traducono direttamente in raccomandazioni di utilizzo per scenari diversi dal laboratorio.