Screening e valutazione otoneurologica del parlato usando Frequency Following Response e metodi di machine learning

Nell’ambito audiologico, le Frequency Following Responses (FFRs) sono risposte cerebrali sottocorticali in grado di emulare le caratteristiche spettrali e temporali del segnale di stimolazione uditiva. La loro registrazione riveste un ruolo fondamentale nell’individuazione di patologie neurologiche e di disturbi della funzione uditiva. Tuttavia, il basso rapporto segnale/rumore (SNR) richiede generalmente un elevato numero di registrazioni (sweep), limitandone l’applicabilità in contesti clinici e in popolazioni difficili da valutare. La presente tesi si propone di applicare metodi di machine learning per identificare la presenza delle FFR e valutare la capacità uditiva dei soggetti sottoposti all’analisi audiometrica. In particolare, l’obiettivo principale è quello di ottenere una valutazione affidabile utilizzando un numero ridotto di sweep, al fine di diminuire il tempo di acquisizione e rendere il protocollo più efficiente e clinicamente applicabile. A tal fine, i segnali FFR sono stati sottoposti a tecniche avanzate di post-processing, tra cui Conventional Averaging (CA), A Posteriori Wiener Filter (APWF) e SubBand filtering (SB), con l’obiettivo di migliorare la qualità del segnale e incrementare il SNR. Successivamente, sono stati estratti specifici indicatori diagnostici relativi alla fedeltà, alla coerenza e alla codifica del segnale, utilizzati come input per modelli di classificazione, basati su Logistic Regression, Decision Tree o Random Forest, finalizzati a definire la presenza/assenza delle FFR. Inoltre, mediante l’applicazione della Principal Component Analysis (PCA), sono stati sviluppati indici sintetici di capacità uditiva, utili per una valutazione multidimensionale delle prestazioni e per il monitoraggio nei percorsi riabilitativi. Le metodologie sviluppate sono state applicate a dataset comprendenti soggetti normoudenti (48 tracciati) e patologici (1 tracciato), nonché individui portatori di impianto cocleare (14 tracciati). I risultati ottenuti dimostrano come sia possibile raggiungere prestazioni di classificazione soddisfacenti anche in presenza di un numero ridotto di registrazioni (dell’ordine del 10% - 25 % del totale), evidenziando il potenziale dell’approccio proposto per applicazioni di screening rapido in contesti clinici di primo livello, come farmacie, ambulatori di medicina generale e negozio di audioprotesi. Nel complesso, l’integrazione tra tecniche di elaborazione del segnale e modelli di machine learning rappresenta una strategia promettente per una valutazione oggettiva, efficiente e accessibile della funzione uditiva.