Implementazione di algoritmi di machine learning per la classificazione del movimento tramite segnali elettroencefalografici

I recenti sviluppi nel campo dell'intelligenza artificiale hanno permesso la decodifica del movimento tramite segnale EEG. È stato dimostrato come sia possibile ottenere ottime performance di classificazione fra più task motori impiegando tecniche di Machine Learning (ML) e di Deep Learning (DL), facendo uso per quest'ultime di reti neurali convoluzionali (Convolutional Neural Networks, CNN). Tuttavia, il gold standard per questo tipo di applicazioni rimane un algoritmo di ML, il Filter Bank Common Spatial Pattern (FBCSP) con classificazione tramite Linear Discriminant Analysis (LDA), anche se simili prestazioni sono state recentemente ottenute con una CNN (Deep ConvNet). L'assenza in letteratura di uno studio che considerasse tutte le principali strategie di addestramento ha ispirato l'indagine svolta in questo elaborato. Sono stati implementati sia l'algoritmo FBCSP+LDA che l'architettura Deep ConvNet, addestrati su un dataset EEG (High-Gamma, disponibile online) ottenuto da 14 soggetti per un totale di 13484 trial motori divisi in 4 classi. L'addestramento con trial appartenenti ad un unico soggetto non ha solamente confermato i risultati precedenti, ma anche dimostrato che impiegando un miglior partizionamento del dataset le CNN sono in grado di superare significativamente le accuratezze di FBCSP+LDA (98.2% vs. 89.6%). L'addestramento con trial appartenenti a più soggetti ha ribadito la superiorità delle CNN (71.5% vs. 47.2%); il divario si amplia ulteriormente utilizzando tecniche di trasferimento della conoscenza (91.3% con transfer learning). Inoltre, addestrando i classificatori con diverse finestre temporali sui trial, si è dimostrato come le CNN siano in grado di raggiungere ugualmente buone performance (87.8% vs. 48.6%). In conclusione, questo studio evidenzia come l'uso di CNN rispetto ad altre metodologie di ML sia in grado di decodificare il segnale EEG con ottime prestazioni anche utilizzando strategie di addestramento differenti.