Deep Learning applicato ai segnali elettroencefalografici per la decodifica di movimenti di arto superiore eseguiti e immaginati

Gli sviluppi recenti nel campo dell’intelligenza artificiale hanno permesso la decodifica del movimento a partire da segnale EEG; ciò può contribuire, non solo alla realizzazione di Brain-Computer Interface, ma anche allo sviluppo di nuove metodiche per indagare i correlati neurali del movimento. È possibile ottenere elevate performance di classificazione di task motori impiegando tecniche di Deep Learning, facendo uso di reti neurali convoluzionali (Convolutional Neural Network, CNN). In questo elaborato di tesi si è impiegata una CNN (già proposta in letteratura ma utilizzata in un contesto differente) per la decodifica di segnali EEG a 61 canali, acquisiti su 15 soggetti ai quali era stato chiesto di eseguire o immaginare movimenti con l’arto superiore destro. I sei movimenti eseguiti o immaginati comprendevano: flessione-estensione del gomito, supinazione-pronazione dell’avambraccio, apertura-chiusura della mano. Tale dataset è stato precedentemente acquisito dal gruppo di ricerca dell’Institute of Neural Engineering (University of Graz) e reso disponibile online. I segnali EEG sono stati elaborati per indagare la presenza di Movement Related Cortical Potential (MRCP), una deflessione negativa del potenziale EEG, associato alle classi di movimento. Degli MRCP è stato presentato sia il loro andamento nel tempo sia una rappresentazione spaziale tramite mappe topologiche. Successivamente la rete è stata addestrata a riconoscere le classi di movimento, separatamente per movimenti eseguiti e immaginati, e le performance sono state valutate tramite matrici di confusione dalle quali sono state estratte opportune metriche (sensibilità, precisione e F1 score). Inoltre, per individuare i pattern appresi dalla rete per la decodifica, si sono visualizzati i filtri convoluzionali. Infine, si sono applicati due metodi (occlusione dei canali e saliency maps) per la quantificazione dell’importanza degli istanti temporali e spaziali per la classificazione dei task motori.