Analisi della performance neurocognitiva usando un singolo canale EEG = Assessment of neurocognitive performance using a single EEG channel

Lo studio del sonno attraverso l’analisi dei segnali polisonnografici (PSG) è importante per la determinazione della performance neurocognitiva (PNC) di un soggetto. Il riconoscimento delle prime fasi di addormentamento potrebbe aiutare a prevenire errori dovuti alla ridotta capacità di rispondere a stimoli esterni e conseguenti incidenti in ambiti della vita quotidiana e lavorativa, come la guida o l’utilizzo di macchinari potenzialmente pericolosi. Solitamente questa analisi è operata da tecnici di laboratorio ed è effettuata guardando tracciati di molteplici segnali (EEG, EOG, EMG ed ECG) provenienti dal corpo umano. In questo studio si è cercato di sviluppare un metodo completamente automatico che replicasse il lavoro svolto da un tecnico specializzato. Questo permetterebbe di ridurre la variabilità della classificazione intra- e inter-operatore e di far risparmiare tempo ai medici, lasciando il lavoro di classificazione ad un calcolatore. In particolare, è stato utilizzato un singolo canale EEG (C4-M1 secondo il sistema internazionale 10-20) e come classificazione delle fasi del sonno è stata utilizzata quella proposta da Hori nel 1996, che valuta lo stato ipnagogico del soggetto, ossia il passaggio dalla veglia alle prime fasi del sonno, utilizzando 8 fasi. La descrizione dello scoring di queste fasi risulta però non essere ben definita come quella dello standard Rechtschaffen e Kales (R&K), rendendo il processo di classificazione automatica molto complesso. I dati sono stati forniti dal centro di medicina del sonno dell’ospedale Molinette di Torino. Questi sono stati acquisiti su un gruppo di 16 soggetti in 2 condizioni differenti: sani e deprivati di sonno. In entrambi i casi sono stati misurati i tempi di reazione tramite stimoli visivi insieme ad una serie di segnali fisiologici. I tracciati di EEG sono stati suddivisi in epoche da 5 secondi e classificati secondo Hori. Da questi tracciati sono state classificate epoche appartenenti alle prime 3 classi (H1-H3). Si è cercato di riprodurre la classificazione del tecnico di laboratorio seguendo 2 strade: utilizzando approcci basati su reti neurali e utilizzando un modello decisionale euristico (DH), basato su features estratte dal segnale EEG grezzo o filtrato. La prima non ha fornito risultati soddisfacenti a causa della limitatezza del data set a nostra disposizione, mentre con la seconda sono state ottenute buone performance, come mostrato nella sezione risultati di questa tesi, seppure con basse prestazioni nella fase di transizione H2, che non sempre può essere ricondotta ad uno stato fisiologico. I risultati ottenuti con l’algoritmo di decisione euristica si prestano bene a miglioramenti futuri, con l’utilizzo di nuove features e lo sviluppo di metodi alternativi.