Modelli di Machine Learning per la predizione di attacchi epilettici sulla base del segnale EEG

L’epilessia è una malattia neurologica cronica caratterizzata da convulsioni ripetute e non provocate e con un tasso di prevalenza relativamente alto. Le convulsioni possono essere gestite con l’aiuto di farmaci antiepilettici e altre opzioni di trattamento come l’intervento chirurgico. Sfortunatamente, le persone con epilessia farmaco-resistente non sono in grado di ottenere la piena libertà poiché non esiste un trattamento efficace per gestire il tipo di crisi o la sua causa. La possibilità di previsione dell’attacco prima del suo inizio può rivelarsi cruciale soprattutto in questi pazienti. Su questo presupposto si basa la ricerca, argomento di trattazione di questa tesi, svolta in team multidisciplinare composto da uno studente di Ingegneria per le comunicazioni multimediali e internet, uno studente di Physics of Data, uno studente di Neuroscienze e Riabilitazione Neuropsicologica ed un dottorando in Brain, Mind and Computer Science. Attraverso il rilevamento di convulsioni da lunghe registrazioni EEG l’obiettivo del progetto è quello di esplorare due differenti modelli di deep learning con lo scopo di predire un attacco epilettico. Dopo aver opportunamente pre-processato il segnale, gli spettrogrammi del tracciato antecedente la crisi epilettica sono stati suddivisi in quattro categorie. Il dataset composto dalle immagini del segnale EEG, è stato utilizzato per addestrare e testare in un compito di classificazione una “VGG 16” mediante un’operazione di transfer learning e una “Vanilla CNN” (implementata dallo studente del corso di laurea in Physics of Data) con lo scopo di categorizzare gli spettrogrammi entro le quattro classi.