Quantitative measures of autonomic activations during cognitive tasks : a methodological approach.

The widespread diffusion of smartphones and wearable devices has enlarged the scope of applications of biomedical signal processing. Despite the advantages of autonomic signals in terms of practicality and cost of acquisition, in order to explore the brain mechanisms underlying cognitive processes and extract quantitative correlates for cognitive load most studies focus on signals and images deriving from the central nervous system. Nevertheless, brain imaging methodologies generally fail to represent real-world conditions and cannot be transferred out of academia or clinic. This thesis aims to find quantitative indices of cognitive load from autonomic signals with a focus on methodologies that could allow their use in non-controlled conditions. HRV, EDA and respiratory signals were acquired with two different protocols: the first focuses on programming and is part of a multidisciplinary project, called BASE, conducted with the Universidade de Coimbra. The second includes a series of standard autonomic stressors and elicits cognitive load with the N-Back test. Along with classical time-domain batch methods, mono- and bi-variate time-variant models were applied to track frequency variations in time and compute new indices. This approach is well-known in the study of the HRV but relatively new in the study of EDA. The relations between the HRV and the EDA signals, which are still under-researched, were also analysed. Lastly, several indices able to significantly (p<0.05) discriminate cognitive load from other conditions (sit, stand and controlled respiration) were identified. The multimodal approach allowed investigating the commonalities and differences in the information provided by HRV and EDA signals. Specifically, the results suggest that they react differently to different stressors and thus provide complementary information which allows discriminating cognitive load from a wider set of autonomic activations.

La capillare diffusione di smartphones e dispositivi wearable ha esteso gli ambiti di applicazione dell’analisi di segnali. Nonostante i vantaggi dei segnali autonomici, sia per quanto riguarda la praticità che il costo di acquisizione, la maggior parte degli studi scientifici volti a indagare i meccanismi fisiologici che si accompagnano ai processi cognitivi ed estrarre indici quantitativi di sforzo mentale si concentrano su segnali e immagini del sistema nervoso centrale. Tuttavia, gli studi che fanno uso di tecniche di brain imaging difficilmente possono ricreare le condizioni della vita reale e la strumentazione non può essere usata fuori dal laboratorio o ospedale. L’obiettivo di questa tesi è identificare indici quantitativi di sforzo cognitivo con un focus su metodologie che possano essere utilizzate anche in situazioni non-controllate. L’HRV, l’EDA e il segnale respiratorio sono stati acquisiti all’interno di due protocolli: il primo si concentra su task di programmazione e rientra nel progetto BASE, condotto assieme all’università di Coimbra. Il secondo si compone di una serie di stimoli autonomici e uno stimolo cognitivo (N-back). Oltre che ai classici metodi batch, sono stati applicati degli algoritmi mono- e bi-variati per seguire gli andamenti nel tempo ed estrarre nuovi indici. Questo approccio, già validato nello studio di HRV, è invece relativamente nuovo nello studio di EDA. Sono state inoltre analizzate le relazioni tra il segnale di HRV e EDA, che sono ancora poco studiate in letteratura. Infine, vari indici che variano significativamente (p<0.05) tra il task cognitivo e gli altri task sono stati identificati. L’approccio multimodale ha permesso di ricercare gli aspetti in comune e le differenze tra l’informazione fornita dai due segnali. In particolare i risultati suggeriscono che varino in maniera diversa in risposta ai vari stimoli e che quindi forniscano informazione complementare che permette di distinguere lo sforzo cognitivo da un numero più ampio di stimoli autonomici.