Algoritmi Bayesiani per il filtraggio di segnali di heart rate variability acquisiti da sensori indossabili in individui affetti da sclerosi multipla o sclerosi amiotrofica laterale

L’obiettivo del presente lavoro di tesi è lo sviluppo di un algoritmo di filtraggio del rumore di misura in segnali heart rate variability (HRV) misurati in individui affetti da sclerosi amiotrofica laterale (SLA) o sclerosi multipla (SM) all’interno del progetto europeo Brainteaser. I dati vengono raccolti per mezzo di un sensore wearable (Garmin vivoactive4). Una volta acquisiti, i tracciati HRV vengono processati da una pipeline di processing, sviluppata in python, che permette di visualizzare il tracciato giornaliero, segmentarlo in finestre, e filtrarlo dal rumore di misura mediante un algoritmo di smoothing Bayesiano adattativo che riesce a stimare, nella finestra stessa, il rapporto segnale-rumore. Come ultimo step le finestre vengono tra loro riconciliate per ottenere nuovamente il tracciato giornaliero intero. La capacità dell’algoritmo, che è quella di produrre un filtraggio migliore rispetto alle tecniche di letteratura, è stata validata confrontando l’errore di quantificazione nell’estrazione di features di HRV rispetto ad un segnale gold standard di riferimento.