Deep learning con reti neurali convoluzionali per la classificazione di segnali EEG

Il segnale elettroencefalografico (EEG) è un segnale complesso e la sua analisi ricopre un ruolo importante nell'ambito delle neuroscienze. Le tecniche di Deep Learning, grazie agli sviluppi degli ultimi anni, possono essere utilizzate per l’analisi e la classificazione del segnale EEG. Gli algoritmi di Deep Learning, basati sulle reti neurali multistrato, hanno dimostrato di avere la capacità di estrarre informazioni rilevanti dal segnale EEG e di facilitare il lavoro dell’analista, grazie all'estrazione automatica delle feature del segnale. In questo lavoro è stata studiata l’architettura di una particolare rete neurale convoluzionale, EEGNet. La rete è stata addestrata su due diversi data set di segnali EEG, entrambi pre-elaborati prima di essere dati in input alla rete. Il primo è un data set di potenziali evocati, composto di un’unica sessione contenente eventi da discriminare in 4 classi. Questo data set è stato utilizzato per consentire la comprensione dei metodi da utilizzare per l’addestramento di EEGNet e per valutarne i risultati di performance di classificazione, che sono risultati soddisfacenti. Il secondo data set EEG è di motor imagery: esso comprende sessioni di registrazione di 9 soggetti distinti. In questo caso EEGNet è stata addestrata con un training “within subject” per ognuno dei soggetti con l’obiettivo di distinguere 4 diverse classi di movimenti immaginati. I risultati hanno mostrato come le performance della rete siano diverse da soggetto a soggetto e come le probabilità di successo della classificazione cambino da classe a classe. Infine, è stata addestrata una rete “all subjects” con un data set dato dalla concatenazione dei 9 segnali EEG di ogni soggetto. La classificazione raggiunta è risultata essere persino superiore delle performance di alcune reti addestrate con training “within subject”. Risultati di performance soddisfacenti di EEGNet consentiranno di poterla utilizzare nelle BCI e in applicazioni pratiche cliniche e commerciali.