Academic literature on the topic 'Segnali neurali'

Lo studio delle metastasi vertebrali in risonanza magnetica permette di superare la rigida distinzione in lesioni osteolitiche e osteoaddensanti, uso che inizialmente proposto dalla radiologia tradizionale è stato mantenuto, pur se con critiche, anche con l'avvento di metodiche più moderne. La lesione osteorarefacente e la lesione osteosclerotica sono i due estremi di un continuum che prevede numerosi eventi di transizione non solo nell'ambito dello stesso paziente, ma addirittura in corso di malattia prima e dopo trattamento. Gli elementi di semeiotica RM sono le alterazioni di segnale e le alterazioni morfologiche. Nelle lesioni osteolitiche il processo di infiltrazione si evidenzierà come una tenue ipointensità nelle sequenze dipendenti dal T1 e netta iperintensità nelle sequenze dipendenti dalla densità protonica, dal T2 e dal T2 star. Qualora venga interessato completamente il corpo vertebrale sarà possibile apprezzare una deformazione morfologica dello stesso. Tale alterazione risentirà dei tempi di infiltrazione midollare caratterizzandosi o come esuberante con allargamento degli angoli diedri somatici dando un aspetto di vertebra «rigonfia» o come riduttiva con crollo vertebrale da collasso inizialmente interno. La somministrazione di mdc determinerà una ricostruzione morfologica del corpo vertebrale nel caso di infiltrazione totale e di omogeinizzazione di segnale con la parte sana restante della vertebra nei casi di infiltrazione parziale. Tale comportamento alla somministrazione di mdc spiega la necessità di eseguire preliminarmente le sequenze dipendenti dal T1 prima del mdc e induce ad un atteggiamento critico sulla utilità delle sequenze dopo contrasto. Le lesioni osteoddensanti o osteosclerotiche saranno caratterizzate da segnale nettamente ipointenso nelle sequenze appesantite in T1, e ipointenso nelle sequenze appesantite in T2. Tale comportamento rispecchia la formazione di tessuto osseo prodotto dagli osteoblasti, attivati o da sostanze secrete dal tumore o dalla presenza di tessuto «diverso» dal midollo osseo a capacità irritante. La somministrazione di mdc non determina variazioni del quadro in T1 per l'assenza di fenomeni reattivi vascolari. L'estrinsecazione extradurale è la complicanza più frequente della localizzazione vertebrale metastatica: le neoplasie che più frequentemente causano questo aspetto sono i carcinomi e tra questi l'origine mammaria e polmonare coprono da sole il 50% delle lesioni. Il segnale RM di questo tessuto neoformato risentirà dell'alta componente acquosa della lesione con ipointensità nelle sequenze dipendenti dal T1 e iperintensità nelle sequenze dipendenti dal T2; la somministrazione di mdc determinerà intensa impregnazione sia per l'assenza di barriera nei capillari neoformati, riproducenti il tessuto di origine extraneurale, sia per l'ampio spazio extracellulare. La localizzazione leptomeningea delle metastasi è evento oltremodo raro. Le neoplasie che più frequentemente possono dare disseminazione leptomeningea sono distinguibili in extraneurali, neurali ed ematologiche. Le lesioni hanno aspetto nodulare o a placca, oppure possono estendersi a panno sull'aracnoide, avvolgendo le radici di emergenza. Sedi più frequenti sono le parti più declivi come il cul-di-sacco durale e la cauda equina (73%), verosimilmente per motivi gravitari. In RM le lesioni appaiono come agglomerati focali di segnale isointenso al midollo nelle immagini dipendenti dal T1, e di alto segnale possono mimetizzarsi col liquor nelle sequenze dipendenti dal T2. La somministrazine di mdc rende tali noduli palesi, per l'alto tasso di impregnazione, e permette di svelare lesioni di piccole dimensioni talvolta mimetizzate per la contiguità con strutture di segnale simile. Più difficile è la semeiotica RM della cosiddetta «carcinomatosi» meningea. La diagnosi differenziale nei casi di metastasi leptomeningee nodulari, ad anamnesi oncologica muta, si pone con i neurinomi (schwannomi) della cauda; con i neurinomi multipli della neurofibromatosi tipo 2, con i piccoli ependimomi della cauda. Nel caso della carcinomatosi leptomeningea vanno scartate le leptomeningiti granulomatose (tubercolosi e sarcoidosi) e le aracnoiditi reattive e postchirurgiche.

La fotopletismografia (PPG) è una tecnica recente per la misura del volume del sangue arterioso basata sullo studio della variazione dell'assorbanza fra emoglobina ossigenata e deossigenata. I suoi vantaggi sono la semplicità dell'apparato, il basso costo e la non invasività. L'età biologica di un individuo è determinata non solo dall'età cronologica, ma anche da altri fattori come lo stile di vita, possibili patologie, dieta, esercizio fisico, stress. Lo studio dell'età biologica è quindi importante per la possibilità di diagnosticare possibili malattie o problemi con il proprio stile di vita. In questa tesi svilupperemo diversi modelli di machine learning e reti neurali per la regressione dell'età biologica utilizzando delle features estratte da un dataset di segnali PPG. La quantità di sangue che transita nel sistema vascolare dipende infatti dal tono vascolare e questo a sua volta dipende dall'età del soggetto.

La Brain Computer Interface, con l’acronimo BCI, è un mezzo per la comunicazione tra cervello e macchina. La comunicazione si basa sulla emanazione di segnali elettrici del cervello che vengono rilevati da un dispositivo, il quale invia i segnali digitalizzati ad un elaboratore. I segnali elettrici, chiamati EEG, permettono al cervello di regolare la comunicazione tra le diverse cellule neurali. La BCI intercetta questi segnali e, previa elaborazione, permette di ottenere diversi diagrammi, detti metriche, per poter misurare, sotto svariati aspetti, il funzionamento del cervello. Le ricerche scientifiche sulle EEG hanno rilevato una correlazione tra i segnali elettrici nel cervello di un soggetto con il suo livello di performance e stato emotivo. È quindi possibile comprendere, tramite una serie di parametri, come la mente dei soggetti reagisce a stimoli esterni di svariata tipologia durante lo svolgimento di un’attività. L’elaboratore, che riceve il segnale dalla BCI, è il componente che si occupa di trasformare i segnali elettrici, generati dal cervello e digitalizzati, in risultati facilmente interpretabili dall’utente. Elaborare i segnali EEG in tempo reale porta a dover utilizzare algoritmi creati appositamente per questo scopo e specifici perle metriche preposte. Lo scopo di questa tesi è quello di presentare un progetto sullo sviluppo della fase di smistamento dei dati ricevuti dall’elaboratore. Nel contempo si fornirà una conoscenza scientifica minima per comprendere le scelte fatte. Tale progetto è stato reso possibile dalla collaborazione con l’azienda Vibre, che si dedica allo sviluppo di un sistema comprendente BCI ed elaboratore.

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.

Nei sistemi di sorveglianza moderni, soluzioni composte dall’unione di telecamere a circuito chiuso e tecniche di intelligenza artificiale, rappresentano lo strumento principale per fronteggiare minacce e pericoli in diversi ambienti: ambienti pubblici, abitazioni private, uffici, strutture critiche come ospedali o scuole. Questi sistemi vengono equipaggiati da robuste tecniche di computer vision, le quali permettono di riconoscere e rilevare oggetti e persone, attraverso sequenze di immagini in maniera automatica. L’obiettivo è predire l’azione degli elementi osservati in un determinato scenario per aumentare l’efficienza globale di un sistema di sorveglianza. Tuttavia, l’analisi delle immagini può subire importanti cali di prestazioni in diverse circostanze, dovuti alla natura dei sensori video e dalle limitazioni che essi introducono. Nel progetto di tesi presentato, si discute lo sviluppo di un sistema di riconoscimento di situazioni di pericolo i cui dati elaborati sono acquisiti da sensori audio. Negli ultimi anni, la sorveglianza audio ha riscosso un grande interesse grazie alla flessibilità di utilizzo, sia per la diversità delle situazioni in cui può essere impiegata, sia per la possibilità di essere combinata con la controparte video in sistemi ibridi. Il sistema proposto è costituito da una rete neurale convoluzionale, la cui architettura si ispira fortemente alla VGG19. Al suo ingresso vengono fornite immagini costruite a partire da porzioni di stream audio e trasformate in rappresentazioni tempo-frequenza quali: spettrogramma, spettrogramma in scala Mel e gammatonogramma. L’obiettivo è stato quello di costruire un modello di classificazione di eventi audio di pericolo, per i quali si sono considerati suoni come: vetri che si infrangono, colpi di pistola e urla. Successivamente si è condotto un confronto sia tra le performance indotte dall’utilizzo delle tre rappresentazioni, sia tra la rete neurale e una tecnica di classificazione standard quale l’SVM

La tesi, sviluppata in collaborazione con ARCES (centro di ricerca dell’Università di Bologna), mira allo sviluppo di una coppia encoder/decoder che ha le sue fondamenta nel paradigma del Compressed Sensing (CS). Questo basa la sua efficacia sull’ipotesi di sparsità del segnale da codificare. La caratteristica principale della soluzione proposta sta nell’utilizzo di una rete neurale profonda che opportunamente allenata è in grado sia di assolvere ai compiti del codificatore che di fare da supporto al blocco che si occupa della decodifica del segnale compresso. Nel dettaglio, la rete neurale sviluppata è in grado, a partire dal segnale compresso, di individuare quali elementi del segnale in ingresso siano non nulli, ovvero le posizioni che caratterizzano la sua rappresentazione sparsa. Questo riduce di gran lunga la complessità del ricostruttore, riducendolo di fatto al calcolo della pseudoinversa di una matrice rettangolare in piedi con un numero di righe inversamente proporzionale al livello di compressione raggiunto. La tesi discute inoltre: il livello di sparsità che caratterizza il segnale elettrocardiografico (segnale di riferimento per questo elaborato); due differenti blocchi di codifica associati a differenti costi computazionali; pone le basi per una diversa definizione di sparsità che tiene conto sia della compressione che della possibile presenza di sorgenti di rumore.

L’epilessia è una patologia neurologica che si manifesta attraverso crisi epilettiche, improvvise e ricorrenti interruzioni delle normali funzioni cerebrali, che spesso portano ad una alterazione dello stato di coscienza del soggetto. L’aspetto peculiare delle crisi, ossia l’avvenire in modo improvviso e apparentemente imprevedibile, è anche quello maggiormente debilitante per il paziente, sia dal punto di vista fisico che psicologico. Benché la maggioranza dei soggetti epilettici ottenga il controllo delle crisi attraverso terapia farmacologica, il 25% dei pazienti presenta crisi non controllabili attraverso le odierne terapie disponibili. Diventa quindi fondamentale la progettazione di nuovi sistemi non invasivi che consentano, attraverso l’analisi di tracciati elettroencefalografici (EEG), la detezione delle crisi epilettiche, anche preventivamente, e che sulla base dei dati rilevati siano utili per il monitoraggio della malattia e per la somministrazione di trattamenti e terapie alternative. Lo scopo di questa tesi è dimostrare la fattibilità di sistemi di detezione di crisi epilettiche basati su EEG di superficie, proponendo alcuni esempi ritrovati in letteratura. Il primo sistema presentato basa la detezione sulle oscillazioni ad alta frequenza registrate nel tracciato EEG, che si sono rivelate essere buoni biomarker per valutare sia la severità della patologia sia l’outcome del trattamento chirurgico. Il secondo esempio è quello di un sistema closed loop che, in risposta alla rilevazione di precisi cambiamenti nel tracciato EEG o nella frequenza cardiaca riconducibili alla crisi epilettica, attiva la risposta di un dispositivo di stimolazione del nervo vago per ridurre durata e gravità della crisi o evitare che questa abbia luogo. L’ultimo sistema presentato utilizza, con buoni risultati, reti neurali artificiali convoluzionali per classificare i tracciati EEG e determinare se rappresentano attività normale, preictale o ictale.

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.

L'obbiettivo di questo elaborato è valutare le prestazioni di vari algoritmi di Machine Learning e Deep Learning nel distinguere tra le condizioni Non-Line-of-Sight (NLoS) e Line-of-Sight (LoS) e nel rivelare la presenza del respiro umano in condizioni NLoS, utilizzando segnali Ultra-Wide Band (UWB). A tal fine sono stati presi in considerazione quattro esperimenti: uno per la classificazione LoS-NLoS e tre per valutare l'efficacia degli stessi algoritmi nel distinguere tra le situazioni di presenza e assenza del respiro. I dati ottenuti tramite le varie campagne di misure sono stati elaborati in modo da ricavare diversi dataset su cui eseguire l'addestramento dei modelli. Tra questi, troviamo i segnali nel dominio del tempo (dati grezzi), i segnali trasformati tramite Fast Fourier Transform (FFT) orizzontale e verticale, e gli attributi estratti dai dati grezzi. Dopo aver analizzato i dati acquisiti sono stati applicati gli algoritmi oggetto di questo elaborato. Tra questi, sono state utilizzate diverse architetture a Reti Neurali (NN), Gradient Boosting Decision Trees (GBDT) e metodi di tipo unsupervised combinati a tecniche di riduzione della dimensionalità. Per il conseguimento dei risultati ci si è serviti del moderno linguaggio di programmazione Python. Le accuratezze più alte sono state ottenute grazie ad un’architettura a Reti Neurali Ricorrenti (RNN) del tipo Long Short-Term Memory (LSTM). Altri risultati di particolare interesse sono quelli ottenuti tramite l'algoritmo di clustering K-Means, che risulta molto più semplice e consente di risparmiare all'utente la dispendiosa procedura di etichettatura dei dati fornendo comunque elevate accuratezze. Infine è stata caratterizzata la validità generale dei modelli utilizzando tecniche di Transfer Learning. Da tali esperimenti è emersa un'alta adattabilità di tali modelli, anche in presenza di una scarsa quantità di dati su cui eseguire il training.

La possibilità di decodificare i movimenti delle varie parti del corpo a partire dai segnali elettroencefalografici (EEG) sta assumendo sempre più importanza: infatti, tale decodifica può consentire di comprendere meglio i correlati neurali alla base del movimento (e le loro alterazioni nelle patologie) e può contribuire alla realizzazione di Brain-Computer Interface. Tra le tecniche di intelligenza artificiale che appaiono più promettenti in questo ambito vi sono le reti neurali convoluzionali (CNN). In questo elaborato di tesi, è stata impiegata una CNN, già proposta in letteratura, per un nuovo compito di decodifica di segnali EEG, consistente nella decodifica di tre classi di movimento: apertura-chiusura della mano, prono-supinazione dell’avambraccio, flesso-estensione del gomito. Il dataset utilizzato (segnali EEG e di movimento registrati su 13 soggetti sani) è stato acquisito presso la Graz University of Technology e reso disponibile pubblicamente. Inizialmente, i segnali EEG del dataset sono stati elaborati così da verificare la presenza del Movement Related Cortical Potential (MRCP), ovvero un potenziale EEG negativo che ha inizio prima dell’onset del movimento e per analizzare differenze spazio-temporali nell’MRCP con il tipo di movimento. Successivamente, la rete è stata addestrata al riconoscimento delle tre classi di movimento e le prestazioni di decodifica valutate su un test set. Inoltre, è stato applicato un metodo che quantifica l’importanza delle feature spazio-temporali dell’input dato alla rete per la discriminazione delle tre classi, in modo da identificare quali elettrodi e quali intervalli temporali dell’input siano più rilevanti per la decodifica di ciascuna classe. In questo modo, viene fornita un’interpretazione delle feature rilevanti apprese dalla rete, e tali feature possono essere confrontate con gli MRCP, per evidenziare se la rete impara caratteristiche diverse (non visibili negli MRCP) utili alla discriminazione.

Gli studi degli ultimi quarant’anni hanno evidenziato che gli astrociti, cellule non neuronali del Sistema Nervoso Centrale, pur essendo definite cellule non eccitabili, sono attivamente coinvolti nel mantenimento dell'omeostasi cerebrale e nel controllo della trasmissione sinaptica. I meccanismi alla base della funzionalità degli astrociti, ed in particolare i segnali mediati da variazioni della concentrazione di calcio intracellulare stanno emergendo come potenziale bersaglio per lo sviluppo di applicazioni tecnologiche in neuroscienze. Fra i materiali a base di carbonio, il grafene ed i suoi derivati hanno suscitato un notevole interesse nel campo biomedico, in virtù delle proprietà meccaniche, elettriche e di biocompatibilità. Il presente lavoro riporta lo studio dell'interazione di materiali a base di ossido di grafene con cellule astrogliali e si propone di indagare l'effetto della stimolazione elettrica operata mediante differenti dispositivi ITO-GO (ossido di indio stagno-ossido di grafene) sui segnali di [Ca2+]i in astrociti primari neocorticali di ratto. I risultati dimostrano che i substrati a base di GO e la loro funzionalizzazione con molecole alifatiche promuovono l’adesione astrogliale. Inoltre, la stimolazione elettrica extracellulare induce differenti risposte di [Ca2+]i in astrociti a seconda del dispositivo utilizzato: i)risposte oscillatorie rapide, tipiche dell’aumento di [Ca2+]i mediato dal rilascio di calcio dagli stores citoplasmatici erano osservate in astrociti su ITO e ITO-rGO. ii)Le cellule su dispositivi ITO-GO mostravano risposte a lento incremento di [Ca2+]i, caratteristiche dell’influsso di calcio extracellulare, la cui dinamica sembra dipendere dallo spessore del GO. La possibilità qui presentata di modulare selettivamente i [Ca2+]i astrogliali, utilizzando diversi dispositivi ITO-GO, pone le basi per un potenziale sviluppo di dispositivi biomedici rivolte agli astrociti e dirette alla diagnosi e terapia di disfunzioni cerebrali.