Data analytics for the nervous system activity : new feature extraction tools

The nervous system holds a highly significant role within the human body, regulating bodily activities, maintaining homeostasis, and gathering and synthesizing information from various body systems. This complexity attracts the attention of multiple scientific disciplines, exploring different aspects of its functioning. The integration of knowledge stemming from different areas of study is an open and significant question in these fields. Indeed, recent findings highlighted how traditionally independent aspects of the nervous system’s functioning may actually be intertwined: the apparently counter intuitive link between autonomic activity and some psychiatric disorders (e.g. schizophrenia) is only one instance of this phenomenon. This thesis operates within the realms of neurophysiology and computational psychiatry. While the first studies the nervous system’s physiological functioning, the second examines the alterations due to psychiatric conditions, drawing from statistics, machine learning, and related computational approaches. In these fields, managing data dimensionality poses a significant hurdle, compounded by the intricate neural anatomy. Furthermore, the dynamic interactions within this system exhibit extreme complexity, marked by non-linear patterns. These technical challenges give rise to theoretical and computational issues, often addressed in literature through oversimplification. This work employs two main methodological approaches, Functional Data Analysis and spectral analysis, individually and in combination, to extract relevant features from biomedical signal data. These approaches are validated across three categories of biomedical signals: fMRI, EEG, and ECG. Specifically, each section of this thesis concentrates on a unique data source and introduces a methodology tailored to the most relevant aspects of the respective case study. In the first part, we tackle data dimensionality and anatomical complexity in fMRI data. We validate the use of Functional Data Analysis based data reduction techniques on grey matter volume data, optimizing parameter selection, and incorporating Functional Data Analysis based metrics into the computation of functional connectivity maps. The second part leverages the non-linear dynamics present in EEG signals to assess cognitive activity, utilizing Functional Data Analysis, spectral-based methods, as well as their combination. The final segment of the work focuses on evaluating Autonomic Nervous System activity through spectral-based metrics. After addressing questions about sex-based differences in neurophysiology, we propose novel spectral-based metrics to further investigate sympathetic nervous system tone.

Il sistema nervoso svolge un ruolo estremamente significativo all’interno del corpo umano, regolando le funzioni corporee, mantenendo l’omeostasi e raccogliendo e integrando le informazioni provenienti da vari sistemi corporei. Questa complessità attrae l’attenzione di molteplici discipline scientifiche, ciascuna delle quali esplora diversi aspetti del suo funzionamento. L’integrazione di conoscenze ascrivibili da diverse aree di studio è una questione aperta e di rilevanza significativa in questi ambiti. Recentemente, la letteratura ha evidenziato come aspetti del sistema nervoso tradizionalmente considerati indipendenti possano essere invece interconnessi: il collegamento apparentemente controintuitivo tra l’attività autonomica e alcuni disturbi psichiatrici (ad esempio la schizofrenia) è solo un esempio di questo fenomeno. Questa tesi si colloca nel contesto della neurofisiologia e della psichiatria computazionale. Mentre la prima studia il funzionamento fisiologico del sistema nervoso, la seconda ne esamina le alterazioni dovute a patologie psichiatriche, facendo uso di approcci statistici, machine learning, e di altre metodologie computazionali correlate. In entrambi gli ambiti, la gestione della dimensionalità dei dati rappresenta una sfida significativa, ulteriormente complicata dall’intricata anatomia cerebrale. Inoltre, le interazioni all’interno di questo sistema sono caratterizzate da una forte complessità, risultanti nella presenza di dinamiche fortemente non lineari. Queste sfide tecniche generano problemi teorici e computazionali, spesso affrontati attraverso una semplificazione eccessiva dell’oggetto delle analisi. Questa tesi sfrutta principalmente due approcci metodologici, l’analisi dei dati funzionali e l’analisi spettrale, singolarmente e in combinazione, per estrarre caratteristiche significative dai segnali biomedici. Questi approcci vengono validati e dimostrati su tre categorie di segnali: fMRI, EEG e ECG. In particolare, ciascuna sezione di questa tesi si concentra su una singola fonte di dati ed introduce una metodologia adatta agli aspetti più rilevanti dei casi di studio considerati di volta in volta. Nella prima parte, affrontiamo la dimensionalità e la complessità anatomica nei dati fMRI. Validiamo l’uso di tecniche di riduzione dei dati basate sull’analisi dei dati funzionali sui dati del volume della materia grigia, ottimizzando la selezione dei parametri e incorporando metriche basate su analisi dei dati funzionali nel calcolo delle mappe di connettività funzionale. La seconda parte sfrutta le dinamiche non lineari presenti nei segnali EEG per valutare l’attività cognitiva nei soggetti, utilizzando metodi basati su analisi dei dati funzionali, metodi basati sull’analisi spettrale e sulla loro combinazione. La porzione finale del lavoro si concentra sull’analisi dell’attività del sistema nervoso autonomo mediante metriche basate su analisi spettrale. Dopo aver affrontato questioni relative alle differenze di genere in neurofisiologia, proponiamo nuove metriche basate su spettro per investigare ulteriormente il tono del sistema nervoso simpatico.