Decomposizione e analisi tempo-frequenza del segnale EEG nelle fasi del sonno mediante Trasformata Wavelet = Decomposition and time-frequency analysis of the EEG signal in sleep stages using Wavelet Transform

L'obiettivo principale di questo lavoro era quello di ottenere un classificatore automatico delle fasi del sonno a partire da un segnale Elettroencefalografico (EEG) ottenuto con acquisizione singolo-canale ed elaborato tramite Trasfromata Wavelet. La classificazione delle fasi del sonno è un tema ricorrente in letteratura: la polisonnografia, o analisi del sonno, è un test utilizzato per la diagnosi dei disturbi del sonno. Questo prevede la registrazione delle onde cerebrali, dei livelli di ossigeno nel sangue, del battito cardiaco e del respiro, dei movimenti oculari e delle gambe. La classificazione automatica delle fasi del sonno e, in particolare, dello stato ipnagogico del soggetto (fase di transizione tra lo stato di veglia e lo stato di sonno), riveste al giorno d'oggi particolare importanza dal momento che consente applicazioni real-time, mentre il test polisonnografico dà la possibilità di effettuare esclusivamente elaborazioni offline. Per il presente lavoro di tesi sono stati utilizzati segnali provenienti dal database pubblico PhysioNet: si tratta di segnali EEG acquisiti mediante prelievo bi-polare (canali Fpz-Cz e Pz-Oz), suddivisi in epoche della durata di 30s e preliminarmente classificati da tecnici esperti secondo lo standard della American Academy of Sleep Medicine (AASM), che prevede 5 fasi: Wake (W), Non-Rapid Eye Movement (NREM) 1 (N1), NREM 2 (N2), NREM 3 (N3) e Rapid Eye Movement (REM). Questi segnali sono stati elaborati tramite la Trasformata Wavelet Continua (CWT) e la Trasformata Wavelet Discreta (DWT). La CWT offre una buona rappresentazione tempo-frequenza dei segnali tempo-varianti e di difficile interpretazione come l'EEG: l'analisi multi-risoluzione consente, infatti, di ottenere diverse risoluzioni temporali e frequenziali lungo il piano tempo-frequenza. D'altro canto, la DWT ha proprietà di decomposizione di segnali eccellenti: grazie ad essa è possibile analizzare ogni particolare aspetto del segnale che si sta studiando. Successivamente, al fine di ridurre la dimensione dei dati, sono state estratte alcune features dai segnali elaborati e tra queste sono state utilizzate solo le più rilevanti ai fini della classificazione. Infine, è stata costruita e validata una rete neurale artificiale (ANN) in grado di discriminare la fase del sonno a partire dalle features precedentemente estratte. Confrontandone i risultati con quelli di altri classificatori presenti il letteratura, si può concludere che le prestazioni ottenute sono soddisfacenti.