Segnale elettroencefalografico epilettico: analisi spettrale e machine learning

L’elettroencefalografia è la registrazione dell’attività elettrica cerebrale mediante diversi elettrodi disposti in posizioni standard sullo scalpo del paziente. Il segnale così rilevato riflette l’attività elettrica della corteccia cerebrale, che è principalmente legata al sincronismo e alla somma spaziale dei potenziali postsinaptici di numerosi neuroni piramidali. Si tratta, dunque, di uno strumento avente molteplici applicazioni cliniche, diagnostiche, e di ricerca in quanto riesce a riflettere ciò che succede all’interno del cervello del paziente. In questa tesi ci si concentra sull’analisi del segnale elettroencefalografico per la valutazione dell’epilessia, un disturbo neurologico caratterizzato da un’attività elettrica anomala e non controllata di una o diverse regioni del cervello. Gli episodi epilettici sono caratterizzati da convulsioni di durata variabile, che causano perdita di coscienza, contrazioni muscolari improvvise e non controllate, problemi alla vista e all’udito e cambiamenti d’umore. Il segnale elettroencefalografico registrato durante una crisi è visibilmente diverso da un EEG non patologico, in quanto è caratterizzato da tipiche anomalie epilettogeniche, un brusco cambiamento delle frequenze e da un aumento delle ampiezze del segnale. Questa semplice analisi visiva del segnale nel dominio del tempo non basta per avere una diagnosi e una valutazione certa dello stato della malattia. Pertanto, coprono un ruolo fondamentale i metodi di analisi informatizzata, in quanto permettono un’analisi oggettiva anche di lunghe registrazioni dell’EEG, garantiscono la possibilità di monitorare il segnale in tempo reale e permettono il raggiungimento di moltissime applicazioni differenti. Questa tesi propone dei metodi di analisi informatizzata di alcuni segnali elettroencefalografici in MATLAB. I segnali analizzati sono degli EEG non patologici e degli EEG epilettici ricavati da un database pubblico fornito dall’Università di Bonn. In ambiente MATLAB questi segnali vengono analizzati inizialmente nel dominio del tempo e poi attraverso altri due metodi di studio: l’analisi spettrale e il machine learning. L’analisi spettrale dell’EEG riesce a mostrare quali frequenze sono maggiormente attive nel segnale registrato. Uno strumento fondamentale per lo studio in frequenza del segnale è la trasformata discreta di Fourier, attraverso la quale è anche possibile calcolare la densità spettrale di potenza (PSD) del segnale. La PSD del segnale elettroencefalografico può essere stimata attraverso diversi metodi, tra i quali vengono analizzati il metodo del periodogramma, il metodo di Welch, il metodo Multitaper e il metodo autoregressivo. In MATLAB tutti questi metodi vengono implementati sugli EEG del database per valutare quale tra questi approssimi al meglio la PSD del segnale e per estrarre le caratteristiche in frequenza che contraddistinguono i segnali epilettici dai segnali non patologici. Un altro importante strumento di analisi del segnale elettroencefalografico è il machine learning, che attraverso modelli, metodi e algoritmi matematici applicati sui segnali EEG riesce a raggiungere e ad apprendere in maniera automatica un compito. In particolare, si vuole implementare in MATLAB un algoritmo di machine learning che permetta la classificazione dei segnali elettroencefalografici epilettici dai segnali non patologici del database. Questo algoritmo, quindi, può essere usato per verificare se il soggetto ha avuto una crisi epilettica durante la registrazione dell’elettroencefalogramma.