Algortimi di spike detection per applicazioni neuroprotesiche: sviluppo di modelli, implementazione e valutazione delle performance

I disordini neurologici costituiscono il 6,3% delle cause di malattia in tutto il mondo, diventando una delle priorità della sanità globale. Per trattare questi disordini si utilizzano farmaci, ma alcuni pazienti possono risultarne resistenti. La Neuroingegneria propone soluzioni innovative per la cura e la riabilitazione di queste patologie, proponendo, tra le varie soluzioni, le neuroprotesi, capaci di sostituire un’area danneggiata del cervello o di ricollegare artificialmente due aree disconnesse bypassando la lesione che ha causato il danno. Tra questi, il dispositivo sviluppato presso la University of Kansas (KUMC) si è dimostrato essere efficace in esperimenti effettuati su topi con lesione focale in area motoria. Il funzionamento di questo dispositivo è basato sull’impianto di micro-elettrodi in due regioni cerebrali disconnesse a causa di una lesione. Questi creano un ponte in grado di ricollegare le due aree scollegate attraverso la registrazione di eventi (spike) in una delle due aree, e la seguente somministrazione di corrente nella seconda. In questo tipo di dispositivi, è importantissimo effettuare una identificazione corretta degli spikes. Il mio lavoro di tesi si inserisce nell’ambito della collaborazione tra il Rehab Technologies Lab (IIT, Genova), dove ho svolto il tirocinio, e la KUMC in relazione al progetto per lo sviluppo di neuroprotesi innovative per il recupero motorio a seguito di danni cerebrali. Nello specifico, il mio lavoro di Tesi si concentra sulla Spike Detection (SD), di cui uno dei problemi fondamentali è la mancanza di un ground truth, ovvero di una conoscenza a priori della localizzazione degli spikes nel tracciato. Nel contesto descritto sopra, si inseriscono gli obiettivi di questa Tesi: fornire un ground truth, studiare e adattare un set di algoritmi di SD già presenti in letteratura, modificare un algoritmo ad alte prestazioni sviluppato all’interno di IIT in passato e confrontare le prestazioni di tutti gli algoritmi di SD.