Studio di modelli per interfacce Uomo-Macchina basate su rappresentazioni matriciali delle componenti in frequenza di segnali EEG

Le Brain-Machine Interface (BMI) rappresentano una tecnologia emergente che consente un'interazione diretta tra il cervello umano e dispositivi esterni, offrendo alle persone affette da gravi disabilità motorie la possibilità di comunicare con il mondo esterno attraverso il controllo di computer e dispositivi assistivi. Nelle BMI basate su segnali EEG, la classificazione degli stati mentali degli utenti, ottenuti dall'analisi dell'attività cerebrale, gioca un ruolo fondamentale nelle prestazioni del sistema. Per questo motivo, questa tesi esplora modelli innovativi che combinano l'approccio riemanniano, spesso considerato stato dell'arte nel campo delle BMI, con il Cross-Frequency Coupling (CFC) per ottenere features discriminanti ed affidabili, al fine di migliorare le prestazioni della classificazione nelle BMI. Le features estratte dai segnali EEG vengono rappresentate tramite matrici di covarianza simmetriche definite positive (SPD), includendo l'interazione tra fase e ampiezza delle diverse bande di frequenza. I risultati sperimentali, osservati nell'ambito di un task di Motor Imagery (MI), dimostrano che l'approccio proposto offre significativi miglioramenti in termini di accuratezza di classificazione rispetto ai metodi tradizionali. In particolare, la combinazione dei diversi metodi di estrazione delle features ha mostrato una performance superiore rispetto all'utilizzo delle singole matrici di covarianza, raggiungendo un'accuratezza media del 73,6\%. Questi risultati evidenziano il potenziale delle metodologie proposte nel migliorare l'efficacia delle BMI, aprendo nuove strade per future ricerche e applicazioni.