Development and optimization of signal processing methods for the characterization of EEG signals during motor protocols

The recording of the brain electrical activity through electroencephalography (EEG) has been proven to be a very useful noninvasive technique for understanding the functional significance of brain rhythms and the way they are generated by the underlying neuronal populations. EEG recordings provide a high temporal resolution and are simple to perform during the execution of different types of motor tasks involving either upper or lower limbs. The investigation of movement-related changes in the brain electrical activity represents an important issue in both neurophysiology and neurorehabilitation. In fact, from a neurophysiological perspective, it would allow to deepen our knowledge about the mechanisms responsible for sensory input processing and motor output generation. Moreover, these findings could be used to define proper rehabilitation therapies for the recovery of impaired motor functions. In this work, we propose optimizations and improvements for some advanced signal processing methods with the aim of providing tools, specifically tailored on EEG signals characteristics, for a better understanding and interpretation of movement-related changes in the brain dynamics. The optimized and improved methods are then applied to real EEG signals acquired on healthy subjects. We propose an optimized version of a Bivariate Time-Variant Autoregressive Model, which allows a higher capability to adapt to variations in the signals dynamics and a higher robustness to artifacts with respect to the standard model. This optimized model is then used to study linear directional interactions between different brain areas. Next, we exploit bispectral analysis for the investigation of nonlinear coupling between brain rhythms. A particular attention is given to the influence of the Signal-to-Noise Ratio (SNR) of the rhythms under investigation on bispectral indices. Then, we investigate the feasibility of brain sources identification using Independent Component Analysis (ICA) from low-density EEG recordings. Finally, we investigate differences in brain activation induced by different motor conditions (i.e. active/passive, robotically assisted/non-assisted hand movements) in healthy subjects. In conclusion, the work presented in this dissertation provides quantitative tools, specifically tailored on EEG signals properties, for the characterization of brain dynamics during movement execution. The application of the optimized and improved methods on real EEG signals demonstrates that they are able to provide a better understanding and interpretation of movement-related changes in brain dynamics.

L’elettroencefalografia (EEG), tecnica non invasiva per la rilevazione dell’attività elettrica cerebrale, rappresenta un valido ed efficace strumento per analizzare e studiare l’attività delle popolazioni neuronali responsabili della generazione dei ritmi cerebrali. I segnali EEG sono caratterizzati da un’ottima risoluzione temporale e sono facilmente acquisibili durante l’esecuzione di diversi tipi di protocolli motori che possono coinvolgere sia gli arti superiori che quelli inferiori. Una tematica molto importante, sia nell’ambito neurofisiologico che in quello neuroriabilitativo, è rappresentata dallo studio e dall’analisi dei cambiamenti nell’attività elettrica cerebrale prodotti dall’esecuzione di un movimento. Tale analisi, da un punto di vista neurofisiologico, permetterebbe di migliorare la comprensione dei meccanismi fisiologici che stanno alla base dei processi di integrazione delle informazioni sensoriali, che il cervello riceve come input, e di generazione dei comandi motori, che il cervello produce come output. Inoltre, la maggiore comprensione di questi aspetti fisiologici agevolerebbe la preparazione e pianificazione di appropriate ed efficaci terapie riabilitative per il recupero di funzioni motorie compromesse. Questa tesi di Dottorato si pone come obiettivo l’ottimizzazione di metodi avanzati di elaborazione dei segnali per la messa a punto di strumenti di analisi, adattati specificamente alle caratteristiche dei segnali EEG, che consentano una migliore interpretazione e caratterizzazione delle variazioni dell’attività cerebrale indotte dall’esecuzione di movimenti. Tali metodi ottimizzati vengono quindi applicati a segnali EEG acquisiti su soggetti sani. Viene proposta l’ottimizzazione di un modello bivariato tempo-variante finalizzata a migliorare la capacità del modello di seguire i cambiamenti nella dinamica del segnale, con una maggiore robustezza nell’aggiornamento dei coefficienti del modello rispetto ad eventuali artefatti. Il modello ottimizzato viene quindi utilizzato per studiare la comunicazione tra diverse aree cerebrali attivate durante l’esecuzione di movimenti. Viene proposto l’uso dell’analisi bispettrale per l’indagine del fenomeno di accoppiamento quadratico di fase tra diversi ritmi cerebrali. Si valuta inoltre, mediante l’utilizzo di simulazioni, l’effetto del rapporto segnale rumore (SNR) dei ritmi in esame sugli indici bispettrali. Viene esplorata la possibilità di identificare sorgenti di attività cerebrale, rappresentate come dipoli elettrici equivalenti, utilizzando l’analisi delle componenti indipendenti (ICA) su segnali EEG acquisiti con un ridotto numero di elettrodi. Infine vengono studiate in soggetti sani le differenze nell’attivazione cerebrale determinate dall’esecuzione di diverse combinazioni di movimenti attivi/passivi, assistiti/non assistiti. I movimenti assistiti sono eseguiti utilizzando un guanto robotico per la riabilitazione della mano. In conclusione, gli strumenti quantitativi di analisi dei segnali EEG sviluppati in questa tesi di dottorato si dimostrano essere, nella loro applicazione a segnali EEG reali, dei validi strumenti per fornire una maggiore comprensione e migliore interpretazione delle variazioni nella dinamica dei ritmi cerebrali che avvengono durante la programmazione e l’esecuzione di movimenti.