Implementazione e valutazione di un nuovo algoritmo di processing e classificazione per la BCI Center Speller = Implementation and evaluation of a new processing and classification algorithm for Center Speller BCI

La comunicazione svolge un ruolo fondamentale nelle attività quotidiane delle persone e nelle interazioni sociali. Vi sono alcune patologie come la Sclerosi Laterale Amiotrofica (SLA) in cui si perde la possibilità di comunicare per via della perdita del controllo dei muscoli volontari, nonostante le funzioni cognitive siano inalterate; per questi soggetti, Treder et al. hanno ideato la BCI Center Speller, che consiste in uno speller basato su acquisizione del segnale EEG durante stimolazione visiva. L' uso di tale BCI non richiede movimento oculare, quindi essa è adatta anche in fase avanzata di tale patologia. Nella versione originale tale BCI usa un algoritmo di classificazione basato sulla LDA, per classificare gli ERP innescati durante l' uso, come conseguenti ad un "evento target" o ad un "evento non target", cioè eventi in cui l' utente vuole rispettivamente selezionare o non selezionare la lettera mostrata a video. In questo lavoro di tesi si propone un algoritmo di processing e classificazione single-trial degli ERP provenienti dai segnali EEG acquisiti dagli autori di questa BCI; le novità principali consistono nell' implementazione del k-fold nell' allenamento del classificatore LDA e nell' inserimento di una terza classe nel processo di classificazione. Tale terza classe assume il significato di "evento non classificato", che potrebbe essere sfruttata per invitare l' utente a ripetere la selezione della lettera piuttosto che effettuare una selezione ritenuta non sufficientemente valida dal classificatore. Si è provato tale algoritmo anche implementando a monte dell' allenamento un bilanciamento del train set tramite estrazione casuale. I risultati mostrano come nel caso di bilanciamento pre-allenamento si ottiene un overfitting del classificatore, con prestazioni non soddisfacenti, mentre utilizzando il train set originale non bilanciato si ottengono buone prestazioni anche nella valutazione del test set. L' algoritmo sviluppato senza bilanciamento risulta essere abbastanza veloce e indipendente dalla bravura dell' utilizzatore, sebbene per la sua realizzabilità in un contesto on-line richiede ulteriori analisi.