Analisi non lineare del sonno attraverso spettri di ordine superiore del segnale EEG decomposto = Nonlinear analysis of decomposed sleep EEG through higher order spectra.

Scopo principale di questa tesi è di fornire una metodologia per la caratterizzazione delle fasi del sonno attraverso una decomposizione empirica del segnale EEG, singolo canale, e tramite lo studio degli spettri di ordine superiore, o più nello specifico, del Bispettro. Sulla base di queste considerazioni, è stata poi progettata una rete neurale artificiale (ANN), volta alla classificazione automatica delle fasi del sonno. Il segnale è stato decomposto tramite Empirical Mode Decomposition (EMD). Questa metodologia, attraverso un processo di sifting, è in grado di decomporre il segnale come somma di un certo numero di Intrinsic Mode Functions (IMFs), funzioni con inviluppi simmetrici caratterizzati un contenuto frequenziale decrescente. Il Bispettro è il primo degli Higher Order Spectra (HOS), e rappresenta una generalizzazione del concetto di funzione di autocorrelazione, o della densità spettrale di potenza. Mentre quest' ultima rappresenta una misura della varianza di un processo, il Bispettro va ad investigare sul momento statistico di ordine 3, o skewness. Questo mette, inoltre, in evidenza relazioni di non linearità di un segnale non individuabili con le tradizionali valutazioni spettrali. Il segnale EEG, infatti, registra l' attività dei neuroni corticali. La registrazione rileva l' informazione di circa 30 miliardi di neuroni, interconnessi fra loro attraverso meccanismi fisiologici estremamente complessi e non lineari. Avere a disposizione metodi, basati su questa acquisizione, in grado di poter modellizzare il problema, e poter quindi prevedere dei fenomeni, porterebbe vantaggi non irrilevanti. Fra tutti i segnali che, oggi, vanno ad investigare sull' attività cerebrale, il segnale EEG è, infatti, quello con una più semplice acquisizione, il più economico ed il meno invasivo. Inoltre, l' utilizzo di un singolo canale rende il modello più ergonomico, più confortevole per il soggetto e privo di rumore di cross-talk che potrebbe sussistere fra registrazioni multicanale. Sono state analizzate due diverse derivazioni del segnale EEG, Fpz-Cz e Pz-Oz, acquisite su individui di età compresa fra i 25 e i 34 anni, disponibili sul datatabase pubblico Physionet. Per entrambe le acquisizioni sono state progettate delle ANN dalle performance comparabili ai metodi di classificazione proposti in letteratura.