Multimodal data processing for better understanding the neuromodulation of locomotion

Motor intent and control rely on complex high-level and spinal networks. Until now, little is known about this system's organization and the role played by the brain, especially during repetitive and stereotyped tasks. Here, a machine learning approach is used to investigate the engagement of different cortical areas during motor activity. In particular, data coming from three subjects with implanted electrodes have been analyzed in the frequency domain to predict their tasks' state. The choice of intracortical data has allowed to elude motion artifacts' presence and exploitation, main concern when using superficial electroencephalography (sEEG) data. However, the machine learning models have been applied also to one subject's sEEG data after proper filtering. Good and satisfactory results have been achieved in the case of not highly stereotyped activity. During ambulation, evidences of brain engagement have been shown even if with lower classification performance. In particular, the intracortical areas that have emerged in the analysis seem to be in line with their relative functionality hypothesized in literature. Finally, comparable results have been achieved with the invasive and non invasive investigations.

Il controllo motorio e la sua pianificazione si basano su un complesso sistema di reti spinali e sovra-spinali. Ancora molti quesiti rimangono senza risposta riguardo l'organizzazione di questo sistema e il ruolo svolto dal cervello, specialmente durante l'esecuzione di attività ripetitive e stereotipate. In questo lavoro, tecniche di machine learning sono state utilizzate per indagare il coinvolgimento di diverse aree corticali durante lo svolgimento dell'attività motoria. In particolare, dati intracorticali registrati su tre soggetti tramite elettrodi di profondità sono stati analizzati nel dominio delle frequenze per decodificare e predire lo stato motorio dei pazienti. La scelta di utilizzare elettrodi impiantati ha permesso di non considerare il problema degli artefatti da movimento, preoccupazione principale nel caso di impiego di electroencefalogramma superficiale (sEEG). Tuttavia, gli stessi modelli di machine learning sono poi stati applicati anche su dati sEEG di un ulteriore soggetto, dopo aver opportunamente filtrato il segnale. Performance comparabili sono state raggiunte tramite l'indagine invasiva e non invasiva. Risultati molto buoni e soddisfacenti sono stati ottenuti nel caso di attività non altamente stereotipate. Durante l'ambulazione, evidenze di un coinvolgimento cerebrale sono state riscontrate, anche se con prestazioni inferiori di classificazione. Infine, le aree intracorticali emerse risultano essere in linea con la relativa funzionalità ipotizzata in letteratura.