Biomedical signal processing is fundamental in investigating and quantifying the information captured by neuro-electrophysiological recordings, such as local field potential (LFP), electrocorticogram (ECoG), electroencephalography (EEG) and magnetoencephalography (MEG). These biosignals have been traditionally studied by linear approaches such as descriptive statistics, and the analysis of the frequency content in terms of power spectral density (PSD). However, in the last few decades, concepts and techniques from nonlinear dynamics integrated the classical linear techniques to assess important information about brain functioning in both physiological and pathological conditions. Moreover, despite the potentiality of nonlinear approach in understanding the complex pathophysiology of neurodegenerative diseases has been shown by several scientific works, the lack of concrete advices about the correct implementation and the appropriate selection of the input parameters which influence the measures, make the applications still far from the clinical practice. The purpose of this thesis is to evaluate the performance of a set of selected nonlinear processing techniques, defining specific criteria for the appropriate parameter selection in order to increase the repeatability of the algorithms along different signals. In this regard, the fractal scaling properties of the time series is quantified by the power-law exponent (β-exponent) and the detrended fluctuation analysis (DFA), while predictability and regularity are estimated by different entropy indices, namely the Approximate Entropy (ApEn), the Sample Entropy (SampEn) and the multiscale entropy (MSE). Insights about the application of the algorithms and the correct parameters setting were presented on simulated time series, but in order to provide examples of the implementation of the measures on real neurophysiologic signals, also two clinical datasets, proposed as test benches, are evaluated. The first one, related to local field potentials recorded from Parkinsonian patients, was analyzed in order to evaluate which is the measure that better enounce the possible effects of the levodopa on patients. The second one, focused on electroencephalograms acquired from different groups of patients, was examined with the purpose to verify if the use of parameters may point out possible distinctions among four neurological diseases, i.e. Alzheimer’s disease (AD), Mild Cognitive Impairment (MCI), Lewy Body dementia (LBD) and Frontotemporal dementia (FTD). The results of this study highlighted the importance of guidelines for a suitable implementation of nonlinear measures on neurophysiological signals. This might provide effective support to the correct choice of nonlinear measures, minimizing the errors made due to an improper selection and enabling future researches to better answer the still open questions in terms of clinical interpretation in neural data.

L’elaborazione dei segnali biomedici è fondamentale per studiare e quantificare le informazioni acquisite da segnali elettrofisiologici, quali il potenziale di campo locale (LFP), l’elettrocorticografia (ECoG), l’elettroencefalografia (EEG) e la magnetoencefalografia (MEG). Questi segnali sono stati tradizionalmente studiati attraverso approcci lineali come le statistiche descrittive e l’analisi del contenuto in frequenza in termini di densità spettrale di potenza (PSD). Tuttavia, negli ultimi decenni, le tecniche classiche sono state integrate dai concetti e dalle tecniche della dinamica non lineare al fine di valutare importanti informazioni sul funzionamento del cervello in condizioni sia fisiologiche che patologiche. Inoltre, nonostante la potenzialità dell’approccio non lineare nella comprensione della complessa fisiopatologia dei disturbi neurodegenerativi sia stata dimostrata da diversi lavori scientifici, la mancanza di consigli concreti, in merito alla corretta implementazione e all’appropriata selezione dei parametri di ingresso che influenzano la misura, rende le applicazioni ancora lontane dalla clinica pratica. Lo scopo di questa tesi è quello di valutare le prestazioni di un insieme di tecniche di elaborazione non lineare selezionate, definendo specifici criteri per un’appropriata selezione dei parametri in modo da aumentare la ripetibilità degli algoritmi su diversi segnali. A questo proposito, la proprietà di ridimensionamento frattale della serie temporale viene quantificata dal power-law exponent (esponente β) e dalla detrended fluctuation analysis (DFA), mentre la predicibilità e la regolarità vengono stimate attraverso diversi indici entropici, definiti Approximate entropy (ApEn), Sample entropy (SampEn) e Multiscale entropy (MSE). Gli approfondimenti sull’applicazione degli algoritmi e sulla corretta impostazione dei parametri sono stati presentati su serie temporali simulate, ma anche due dataset clinici, proposti come banco di prova, sono stati valutati al fine di fornire esempi di attuazione delle misure su segnali neurofisiologici reali. Il primo esempio, basato sui segnali LFP acquisiti da pazienti affetti da Parkinson, è stato analizzato in modo da valutare quale sia la misura che meglio evidenzia i possibili effetti della levodopa sui pazienti. Il secondo, centrato su segnali elettroencefalografici acquisiti da diversi gruppi di pazienti, è stato esaminato con l’obiettivo di verificare se l’utilizzo dei parametri possa sottolineare possibili distinzioni tra i quattro gruppi di patologie neurologiche, che sono Alzheimer, deficit cognitivo lieve, demenza frontotemporale, malattia a corpi di Lewi. I risultati di questo studio hanno sottolineato l’importanza di linee guida per un’implementazione più adatta delle misure non lineari su segnali neurofisiologici. Questo potrebbe fornire un supporto efficace alla scelta corretta delle misure non lineari, minimizzando gli errori commessi a causa di una selezione impropria e consentendo alle ricerche future di rispondere meglio alle domande ancora aperte in termini di interpretazione clinica nei dati neurali.

Nonlinear analysis of neurophysiological time series : methodological evaluation and clinical application in Parkinson's and Alzheimer's diseases

Ferrara, Rosanna
2020/2021

Abstract

Biomedical signal processing is fundamental in investigating and quantifying the information captured by neuro-electrophysiological recordings, such as local field potential (LFP), electrocorticogram (ECoG), electroencephalography (EEG) and magnetoencephalography (MEG). These biosignals have been traditionally studied by linear approaches such as descriptive statistics, and the analysis of the frequency content in terms of power spectral density (PSD). However, in the last few decades, concepts and techniques from nonlinear dynamics integrated the classical linear techniques to assess important information about brain functioning in both physiological and pathological conditions. Moreover, despite the potentiality of nonlinear approach in understanding the complex pathophysiology of neurodegenerative diseases has been shown by several scientific works, the lack of concrete advices about the correct implementation and the appropriate selection of the input parameters which influence the measures, make the applications still far from the clinical practice. The purpose of this thesis is to evaluate the performance of a set of selected nonlinear processing techniques, defining specific criteria for the appropriate parameter selection in order to increase the repeatability of the algorithms along different signals. In this regard, the fractal scaling properties of the time series is quantified by the power-law exponent (β-exponent) and the detrended fluctuation analysis (DFA), while predictability and regularity are estimated by different entropy indices, namely the Approximate Entropy (ApEn), the Sample Entropy (SampEn) and the multiscale entropy (MSE). Insights about the application of the algorithms and the correct parameters setting were presented on simulated time series, but in order to provide examples of the implementation of the measures on real neurophysiologic signals, also two clinical datasets, proposed as test benches, are evaluated. The first one, related to local field potentials recorded from Parkinsonian patients, was analyzed in order to evaluate which is the measure that better enounce the possible effects of the levodopa on patients. The second one, focused on electroencephalograms acquired from different groups of patients, was examined with the purpose to verify if the use of parameters may point out possible distinctions among four neurological diseases, i.e. Alzheimer’s disease (AD), Mild Cognitive Impairment (MCI), Lewy Body dementia (LBD) and Frontotemporal dementia (FTD). The results of this study highlighted the importance of guidelines for a suitable implementation of nonlinear measures on neurophysiological signals. This might provide effective support to the correct choice of nonlinear measures, minimizing the errors made due to an improper selection and enabling future researches to better answer the still open questions in terms of clinical interpretation in neural data.
AVERNA, ALBERTO
COELLI, STEFANIA
PRIORI, ALBERTO
ING - Scuola di Ingegneria Industriale e dell'Informazione
21-dic-2021
2020/2021
L’elaborazione dei segnali biomedici è fondamentale per studiare e quantificare le informazioni acquisite da segnali elettrofisiologici, quali il potenziale di campo locale (LFP), l’elettrocorticografia (ECoG), l’elettroencefalografia (EEG) e la magnetoencefalografia (MEG). Questi segnali sono stati tradizionalmente studiati attraverso approcci lineali come le statistiche descrittive e l’analisi del contenuto in frequenza in termini di densità spettrale di potenza (PSD). Tuttavia, negli ultimi decenni, le tecniche classiche sono state integrate dai concetti e dalle tecniche della dinamica non lineare al fine di valutare importanti informazioni sul funzionamento del cervello in condizioni sia fisiologiche che patologiche. Inoltre, nonostante la potenzialità dell’approccio non lineare nella comprensione della complessa fisiopatologia dei disturbi neurodegenerativi sia stata dimostrata da diversi lavori scientifici, la mancanza di consigli concreti, in merito alla corretta implementazione e all’appropriata selezione dei parametri di ingresso che influenzano la misura, rende le applicazioni ancora lontane dalla clinica pratica. Lo scopo di questa tesi è quello di valutare le prestazioni di un insieme di tecniche di elaborazione non lineare selezionate, definendo specifici criteri per un’appropriata selezione dei parametri in modo da aumentare la ripetibilità degli algoritmi su diversi segnali. A questo proposito, la proprietà di ridimensionamento frattale della serie temporale viene quantificata dal power-law exponent (esponente β) e dalla detrended fluctuation analysis (DFA), mentre la predicibilità e la regolarità vengono stimate attraverso diversi indici entropici, definiti Approximate entropy (ApEn), Sample entropy (SampEn) e Multiscale entropy (MSE). Gli approfondimenti sull’applicazione degli algoritmi e sulla corretta impostazione dei parametri sono stati presentati su serie temporali simulate, ma anche due dataset clinici, proposti come banco di prova, sono stati valutati al fine di fornire esempi di attuazione delle misure su segnali neurofisiologici reali. Il primo esempio, basato sui segnali LFP acquisiti da pazienti affetti da Parkinson, è stato analizzato in modo da valutare quale sia la misura che meglio evidenzia i possibili effetti della levodopa sui pazienti. Il secondo, centrato su segnali elettroencefalografici acquisiti da diversi gruppi di pazienti, è stato esaminato con l’obiettivo di verificare se l’utilizzo dei parametri possa sottolineare possibili distinzioni tra i quattro gruppi di patologie neurologiche, che sono Alzheimer, deficit cognitivo lieve, demenza frontotemporale, malattia a corpi di Lewi. I risultati di questo studio hanno sottolineato l’importanza di linee guida per un’implementazione più adatta delle misure non lineari su segnali neurofisiologici. Questo potrebbe fornire un supporto efficace alla scelta corretta delle misure non lineari, minimizzando gli errori commessi a causa di una selezione impropria e consentendo alle ricerche future di rispondere meglio alle domande ancora aperte in termini di interpretazione clinica nei dati neurali.
File allegati
File Dimensione Formato  
2021_12_Ferrara.pdf

Open Access dal 25/11/2022

Dimensione 8.01 MB
Formato Adobe PDF
8.01 MB Adobe PDF Visualizza/Apri

I documenti in POLITesi sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/10589/182785