Metanalisi delle metodologie di processing del segnale EEG per l'ottimizzazione delle Brain Computer Interfaces basate sul Motor Imagery task = Meta-analysis of EEG signal processing methodologies for the optimization of Brain Computer Interfaces based on Motor Imagery task

Recentemente, il settore dello sviluppo delle Brain Computer Interface (BCI) ha visto una significativa espansione, influenzando diverse discipline tra cui psicologia, elettronica, neuroscienza, elaborazione dei segnali e riconoscimento di immagini. Le BCI sono impiegate per generare comandi o segnali di controllo a partire dai segnali EEG registrati dallo scalpo, offrendo il potenziale di migliorare la qualità della vita per diverse categorie di individui. Al fine di migliorare le prestazioni di una BCI basata sul Motor Imagery (MI) task e ottimizzare i tempi computazionali, è stato condotto uno studio dello stato dell'arte che ha portato alla realizzazione di una metanalisi. La ricerca di articoli è stata condotta in conformità con le linee guida del "Preferred Reporting Items for Systematic Reviews and Meta-Analysis" (PRISMA), che ha portato all'individuazione di 22 studi pertinenti. Questi studi forniscono una panoramica delle diverse tecniche di elaborazione dei segnali EEG nell'intervallo temporale 2019-2023, comprese le metodologie di machine learning e di deep learning impiegate sia per la feature extraction che per la feature classification. I dataset presi in considerazione in questi studi sono dataset pubblici ottenuti da individui sani, raccolti per vari scopi, tra cui competizioni internazionali, trial clinici ed esperimenti specificamente progettati per valutare le BCI basate su MI. Molti di questi approcci prendono in considerazione reti neurali convoluzionali (CNN), alcune delle quali sono di tipo più tradizionale, come EEGNet o AlexNet (note nell'ambito dell'ingegneria neurale da diversi anni), mentre altre migliorano queste architetture attraverso il fine-tuning dei parametri o l'introduzione di strati più profondi, come il Self Attention Layer. In alternativa, alcune proposte esplorano approcci di machine learning come la Support Vector Machine (SVM) o la Linear Discriminant Analysis (LDA). Le prestazioni in termini di accuratezza, nel caso di task binari (ad esempio, movimento immaginario della mano destra o sinistra), variano dal 53.7% al 99.35%, mentre per task multi-classe (coinvolgendo non solo gli arti superiori ma anche la lingua ed entrambi i piedi) il range si estende dal 57.29% al 95.33%. Questa ampia variazione è influenzata dalle differenze nei dataset utilizzati nei diversi studi, ognuno con un numero diverso di partecipanti. Inoltre, un altro fattore che potrebbe contribuire all'ampia gamma di risultati è la diversità nelle tecniche di pre-processing applicate inizialmente ai segnali EEG grezzi, oltre alle metodologie di estrazione e classificazione delle caratteristiche considerate in questa review. La presente metanalisi fornisce una guida chiara per lo sviluppo di BCI basate su MI e suggerisce per le future ricerche di estendere tali approcci a dataset più ampi, inclusi dati acquisiti da pazienti affetti da patologie come, ad esempio, gli stroke patients. Questo consentirebbe di testare le BCI direttamente su individui che potrebbero trarne i massimi benefici nell’ambito dell’ingegneria riabilitativa. Inoltre, viene proposto l’utilizzo di tecniche all’avanguardia di data augmentation al fine di aumentare ulteriormente le dimensioni dei dataset, evitando problemi di overfitting.