Generative Adversarial Network e Deep Neural Network per la generazione e la classificazione di segnali vibrometrici Laser Doppler = Generative Adversarial Network and Deep Neural Network for generation and classification of Laser Doppler Vibrometer signals

La stima della Pulse Wave Velocity (PWV) è divenuta nel corso degli anni la metodica più diffusa per valutare il rischio aterosclerotico negli esseri umani. Infatti, attraverso la stima della velocità con cui l’onda pressoria si muove all’interno di un vaso, è possibile ricavare la rigidezza arteriosa, un parametro strettamente legato all’invecchiamento e al rischio di complicanze cardiovascolari. Un fattore importante riguarda la qualità del segnale, dove la qualità è intesa in senso più ampio, non limitata al Signal Noise Ratio (SNR). Infatti, per una stima più attendibile possibile è necessario disporre di segnali della qualità migliore possibile, per poter identificare i punti del segnale di quali estrapolare la stima come, ad esempio, il Pulse Transit Time (PTT). Le procedure di acquisizione e valutazione dei segnali acquisiti sono strettamente correlate alla capacità dell’operatore che esegue la misurazione, portando all’eliminazione di oltre la metà dei dati acquisiti. La generazione di segnali vibrometrici Laser Doppler (LDV) sintetici permetterebbe di abbattere le acquisizioni in strutture sanitarie per la creazione di dataset con relativi costi sia economici che temporali, e potrebbe offrire una generazione potenzialmente infinita di segnali, tutti diversi tra di loro ma caratteristici della applicazione sanitaria in esame. L'utilizzo di Deep & Machine Learning rende necessaria una mole enorme di dati affinché le reti neurali riescano a comprendere ciò che si nasconde nei segnali biomedicali. In secondo luogo, lo stato dell’arte del processo di quality assessment prevede poche tecniche basate su algoritmi automatici nei nuovi prototipi di dispositivo, ma al giorno d’oggi il più delle volte si fa affidamento al giudizio di un operatore. I due obiettivi di questo lavoro sono la generazione e la valutazione della qualità di segnali LDV: la generazione di segnali passa attraverso la costruzione di una Generative Adversarial Network o GAN come risoluzione del problema di sbilanciamento del dataset mentre il quality assessment si avvale di un’altra rete neurale convoluzionale per automatizzare i processi di classificazione dei battiti acquisiti, nonché per affiancare il giudizio dell’operatore addetto alla classificazione. Infine, viene investigato il contributo che i segnali sintetici apportano nei processi di classificazione per migliorarne la discriminazione. I segnali generati forniscono un affidabile ground truth che permette la validazione di algoritmi per l’analisi di segnali LDV nonché di alcuni parametri clinici fondamentali, algoritmi che possono essere implementati all’interno di un dispositivo per ottenere stime sempre più affidabili.