Analisi non lineare del segnale EEG nelle fasi del sonno: il ruolo dei dati surrogati = Nonlinear analysis of EEG sleep stages: the role of surrogate data

L’applicazione delle tecniche di Analisi non lineare al segnale elettroencefalografico (EEG), di gran lunga il più complesso e meno “esplorato” dei segnali fisiologici, ha aperto la strada verso un modo nuovo di analizzare questo segnale, finora interpretato dagli ingegneri come un segnale dalla natura stocastica e derivante da processi lineari. Dagli anni ’80 a questa parte si è iniziato a considerare l’EEG come segnale derivante da un sistema dinamico, andando a indagare, in questo modo, la sua complessità. Complessità da cui prendono il nome i parametri che, nel corso di questo lavoro di tesi sono stati calcolati su un data set di segnali EEG divisi secondo la classificazione delle fasi del sonno di Rechtschaffen e Kales, con lo scopo appunto di dimostrare la loro non-linearità e natura deterministica. La dimensione di correlazione, il massimo esponente di Lyapunov, la dimensione frattale e l’esponente di Hurst sono solo alcuni dei parametri calcolati, per i dati a disposizione, implementando degli algoritmi in ambiente MATLAB. Tali algoritmi messi insieme costituiscono, dunque, un vero e proprio “tool” per l’analisi non-lineare del segnale EEG. Nel lavoro di tesi, infine, è stata effettuata, ed in seguito testata, la surrogazione dell’intero dataset. Un dato surrogato è una serie generata artificialmente ottenuta modificando alcune caratteristiche della serie originale. I dati surrogati condividono con la serie originale proprietà come la media, la varianza, la funzione di autocorrelazione e lo spettro di potenza. Tale surrogazione è stata effettuata implementando, sempre su software MATLAB, i tre principali algoritmi di Fourier-Based Surrogation usati oggigiorno per i segnali fisiologici: Phase Randomizzation Algotithm, l’AAFT (Amplitude Adjusted Fourier Transform) e la versione iterativa di quest’ultimo, l’IAAFT (Iterative Amplitude Adjusted Fourier Transform). Una volta eseguita la surrogazione è stato effettuato un test di non-linearità, rigettando l’Ipotesi Nulla che attribuisce al segnale EEG una natura puramente stocastica, dando quindi prova al fondamento del lavoro svolto.