Fetal development is a rapid and finely regulated physiological process, during which neural mechanisms that allow the fetus to adapt and react to the environment emerge and mature. At the same time, the maternal cardiovascular and metabolic systems undergo profound adaptations to sustain and protect intrauterine growth. Monitoring these dynamic processes is inherently challenging due to their complexity and the fact that the intrauterine environment prevents direct observation; consequently, current antenatal clinical surveillance remains limited. Nevertheless, effective fetal monitoring is crucial. Disturbances in fetal development can have profound consequences for maternal and fetal health, and impaired fetal growth has been associated with a variety of chronic diseases in the offspring later in life. The early and accurate identification of these deviations is necessary to inform strategies to preserve maternal and fetal health. Recent advances in data analysis methodologies and wearable sensing technologies are creating new opportunities to improve the quality of care across multiple areas of medicine. By enabling more precise assessments and extending observation beyond the clinic into real-world settings, these developments are shifting clinical evaluation from isolated snapshots to continuous, ecologically valid monitoring. In the context of electronic fetal monitoring, the fetal heart rate (FHR) and other biosignals can now be recorded continuously in the home environment, offering new opportunities to extract clinically relevant information and opening a window into intrauterine life. The present thesis is situated within this context of transformation, and it aims to advance non-invasive fetal monitoring by applying, developing, and validating methodologies for analysing the antepartum FHR, addressing multiple aspects of autonomic regulation and fetal neurodevelopment. We begin in Chapter 1 with an overview of antenatal electronic fetal monitoring, focusing on the existing methodologies for the acquisition and interpretation of the FHR signal. We then detail the datasets used throughout the thesis, which comprise heterogeneous clinical and wearable data collected through different acquisition modalities and from diverse geographical and clinical settings. This overview provides the necessary contextualization for the subsequent chapters. In Chapter 2, we first use advanced signal processing methodologies to characterize oscillations in FHR signals in healthy and high-risk pregnancies across the second and third trimester of gestation. Characteristics in the FHR recorded from healthy pregnancies are compared with those from pregnancies affected by maternal diabetes and intra-uterine growth restriction (IUGR), a very common pathology of pregnancy which describes a decrease in fetal growth rate that prevents a fetus from obtaining its complete growth potential. A comparison between conventional spectral analysis and Phase Rectified Signal Averaging (PRSA)-based analysis conducted on a large dataset of cardiotocographic (CTG) recordings shows that differences between physiological and pathological pregnancies are most pronounced in the MF band (0.15–0.5 Hz), and that PRSA enhances their detection by better capturing transient oscillatory components. The overlap between the MF band of the FHR and the normal respiratory frequency range in adults led to the hypothesis that oscillations in the FHR within this band may be related to maternal respiration. In the second part of the Chapter, we test this hypothesis with a different dataset of recordings collected with non-invasive fetal electrocardiography, finding a Granger-causal link from maternal respiration to the FHR. These novel findings suggest that maternal breathing is a key driver of Maternal Fetal Cardiac Coupling, and the fetal reaction to maternal breathing may be altered in pathological pregnancies. In Chapter 3 we specifically investigate how the FHR is affected by IUGR, and its potential use for diagnostic purposes. First, we propose a ResNet-based architecture trained via a custom procedure to maximize data use while addressing label uncertainty to predict the presence of IUGR from CTG recordings. Then, we detail additional experiments conducted to move from binary classification towards more advanced monitoring strategies and discuss future developments for this application. Specifically, we report preliminary efforts toward multiclass applications using metric learning to identify complex embeddings with limited training data using Siamese Neural Networks, and the experiments conducted toward building a normative model designed to detect significant deviations from normal fetal developmental trajectories. In Chapter 4, we address Fetal Behavioral States (FBS) classification, specifically focusing on discriminating between periods of fetal activity and quiescence. Monitoring FBSs is crucial for the assessment of fetal development, as the emergence of well-defined FBSs represents one of the earliest observable markers of neurodevelopmental trajectories. The chapter presents the progressive methodological advancements achieved in this area. First, we detail the development of an unsupervised Hidden Markov Model (HMM) designed to segment FHR traces into Active and Quiet states. Then, we describe a supervised Deep Learning (DL) approach that uses the HMM for pre-training and combines clinical annotations from multiple experts to achieve expert-level performance. Additionally, we present a comparative analysis of the structure of FBSs in healthy and IUGR fetuses, as identified by the model previously described. This analysis uncovered significant differences in their development and organization. Finally, we describe the model adaptations introduced to move from in-clinic FHR signal analysis to home-based monitoring, enabling continuous, long-term assessment of FBSs. We also present the application of the model to very long overnight recordings, leading, to the best of our knowledge, to the first automatically generated fetal “hypnograms” reported in the literature. Overall, this thesis addressed heterogeneous yet complementary aspects related to the fetal neural regulation of the FHR across the second half of gestation, contributing to the advancement of non-invasive fetal monitoring through dataset development, physiological investigation, and methodological innovation. We found evidence for the existence of a physiological link between the FHR and maternal respiration within a frequency band where we showed that significant differences emerge in pathological pregnancies, demonstrated the potential of DL for the identification of clinically relevant conditions such as IUGR, and developed methodologies to support the automatic estimation of FBSs across different acquisition modalities, including home-monitoring settings. We also show how alterations in the FBS architecture in fetuses with IUGR. Taken together, these contributions help strengthen the foundations for more informative, scalable, and accessible approaches to fetal surveillance.

Lo sviluppo fetale è un processo fisiologico rapido e finemente regolato, durante il quale emergono e maturano i meccanismi neurali che permettono al feto di adattarsi e reagire all'ambiente. Parallelamente, i sistemi cardiovascolare e metabolico materni subiscono profondi adattamenti per sostenere e proteggere la crescita intrauterina. Il monitoraggio di questi processi dinamici è intrinsecamente difficile a causa della loro complessità e del fatto che l’ambiente intrauterino impedisce l’osservazione diretta; di conseguenza, l’attuale sorveglianza clinica antenatale rimane limitata. Ciononostante, un monitoraggio fetale efficace è fondamentale, poiché i disturbi nello sviluppo fetale possono avere conseguenze per tutta la vita. I recenti progressi nelle metodologie di analisi dei dati e nelle tecnologie indossabili per il monitoraggio, che permettono la rilevazione domiciliare continua della frequenza cardiaca fetale (FHR) e di altri biosegnali, offrono nuove opportunità per estrarre informazioni clinicamente rilevanti e aprire una finestra sulla vita intrauterina. La presente tesi si inserisce in questo contesto di trasformazione e mira a contribuire al miglioramento del monitoraggio fetale non invasivo attraverso l’applicazione, lo sviluppo e la validazione di metodologie per l’analisi della FHR anteparto, considerando molteplici aspetti della regolazione autonomica e del neurosviluppo fetale. Iniziamo nel Capitolo 1 con una panoramica del monitoraggio elettronico fetale antenatale, concentrandoci sulle metodologie esistenti per l'acquisizione e l'interpretazione del segnale FHR. Dettagliamo poi i dataset utilizzati in tutta la tesi, che comprendono dati di FHR eterogenei, raccolti attraverso diverse modalità di acquisizione sia in ambito clinico che a casa e provenienti da differenti contesti geografici. Questa panoramica fornisce la necessaria contestualizzazione per i capitoli successivi. Nel Capitolo 2 utilizziamo metodologie avanzate di elaborazione del segnale per caratterizzare le oscillazioni dei segnali di FHR in gravidanze fisiologiche e ad alto rischio nel secondo e terzo trimestre di gestazione. Le caratteristiche della FHR registrata in gravidanze fisiologiche vengono confrontate con quelle osservate in gravidanze complicate da diabete materno e da ritardo di crescita intrauterino (IUGR), una patologia molto comune in gravidanza caratterizzata da una riduzione del tasso di crescita fetale che impedisce al feto di raggiungere il proprio pieno potenziale di crescita. Un confronto tra l’analisi spettrale convenzionale e l’analisi basata su Phase Rectified Signal Averaging (PRSA), condotto su un ampio dataset di registrazioni cardiotocografiche (CTG), mostra che le differenze tra gravidanze fisiologiche e patologiche sono più pronunciate nella banda MF (0.15–0.5 Hz) e che la PRSA ne migliora l’identificazione, grazie a una maggiore capacità di cogliere componenti oscillatorie transitorie. La sovrapposizione tra la banda MF della FHR e il normale intervallo della frequenza respiratoria nell’adulto ha portato all’ipotesi che le oscillazioni della FHR in questa banda possano essere correlate alla respirazione materna. Nella seconda parte del Capitolo verifichiamo questa ipotesi utilizzando un diverso dataset di registrazioni elettrocardiografiche non invasive, riscontrando una relazione causale di Granger dalla respirazione materna alla FHR. Questi risultati inediti suggeriscono che la respirazione materna rappresenta un aspetto fondamentale della sincronizzazione materno-fetale (MFCC), e che la risposta fetale alla respirazione materna possa essere alterata nelle gravidanze patologiche. Nel Capitolo 3 indaghiamo specificamente come la FHR sia influenzata dalla IUGR, e come questa alterazione possa essere usata a fini diagnostici. Inizialmente, proponiamo un modello di Deep Learning (DL) basato sull'architettura ResNet addestrato tramite una procedura personalizzata per massimizzare l'uso dei dati affrontando al contempo l'incertezza nella diagnosi clinica prenatale. Successivamente, dettagliamo esperimenti aggiuntivi condotti per passare dalla classificazione binaria a strategie di monitoraggio più avanzate e discutiamo gli sviluppi futuri per questa applicazione. Nello specifico, vengono riportati e discussi i risultati preliminari ottenuti in applicazioni multiclasse mediante metric learning, finalizzato all’identificazione di embedding complessi con dati di addestramento limitati tramite reti neurali siamese, nonché gli esperimenti condotti per la costruzione di un modello normativo progettato per rilevare deviazioni significative dalle normali traiettorie dello sviluppo fetale. Nel Capitolo 4, affrontiamo la classificazione degli stati comportamentali fetali (FBS), concentrandoci specificamente sulla distinzione tra stati di Attività e Quiete. Il monitoraggio degli FBS è fondamentale per la valutazione dello sviluppo fetale, poiché l'emergere di FBS ben definiti rappresenta uno dei primi indicatori osservabili delle traiettorie di neurosviluppo. Il capitolo presenta quindi i progressivi avanzamenti metodologici raggiunti in questo ambito. Inizialmente, dettagliamo lo sviluppo di un modello nascosto di Markov (HMM) non supervisionato progettato per segmentare i tracciati FHR negli stati di Attività e Quiete. Successivamente, descriviamo un approccio di Deep Learning supervisionato che utilizza l'HMM per il pre-addestramento e combina annotazioni cliniche di più esperti per raggiungere prestazioni comparabili a quelle di clinici esperti. In seguito, presentiamo un’analisi comparativa della struttura degli FBS stimati dal modello in feti sani e in feti con IUGR, mettendo in luce differenze significative nel loro sviluppo e nella loro organizzazione. Infine, riportiamo le modifiche apportate al modello per passare dall'analisi del segnale FHR in clinica al monitoraggio domiciliare della FHR. Inoltre, illustriamo l’applicazione del modello a registrazioni notturne di lunga durata, che ha portato, per quanto a nostra conoscenza, alla prima generazione automatica di “ipnogrammi” fetali riportata in letteratura. In sintesi, questa tesi ha affrontato aspetti eterogenei ma complementari relativi alla regolazione neurale fetale della FHR durante la seconda metà della gestazione, contribuendo al progresso del monitoraggio fetale non invasivo attraverso lo sviluppo di dataset, l'indagine fisiologica e l'innovazione metodologica. È emerso un legame fisiologico tra la FHR e la respirazione materna in una banda di frequenza che mostra differenze significative nelle gravidanze patologiche; abbiamo dimostrato il potenziale del Deep Learning per l'identificazione di condizioni clinicamente rilevanti come la IUGR, e sviluppato metodologie per supportare la stima automatica degli FBS attraverso diverse modalità di acquisizione, inclusi i contesti di monitoraggio domiciliare. Mostriamo inoltre come si manifestino alterazioni nell'architettura degli FBS nei feti con IUGR. Complessivamente, questi contributi aiutano a rafforzare le basi per approcci più informativi, scalabili e accessibili alla sorveglianza fetale.

Data-driven methodologies for non-invasive monitoring of fetal development

Steyde, Giulio
2025/2026

Abstract

Fetal development is a rapid and finely regulated physiological process, during which neural mechanisms that allow the fetus to adapt and react to the environment emerge and mature. At the same time, the maternal cardiovascular and metabolic systems undergo profound adaptations to sustain and protect intrauterine growth. Monitoring these dynamic processes is inherently challenging due to their complexity and the fact that the intrauterine environment prevents direct observation; consequently, current antenatal clinical surveillance remains limited. Nevertheless, effective fetal monitoring is crucial. Disturbances in fetal development can have profound consequences for maternal and fetal health, and impaired fetal growth has been associated with a variety of chronic diseases in the offspring later in life. The early and accurate identification of these deviations is necessary to inform strategies to preserve maternal and fetal health. Recent advances in data analysis methodologies and wearable sensing technologies are creating new opportunities to improve the quality of care across multiple areas of medicine. By enabling more precise assessments and extending observation beyond the clinic into real-world settings, these developments are shifting clinical evaluation from isolated snapshots to continuous, ecologically valid monitoring. In the context of electronic fetal monitoring, the fetal heart rate (FHR) and other biosignals can now be recorded continuously in the home environment, offering new opportunities to extract clinically relevant information and opening a window into intrauterine life. The present thesis is situated within this context of transformation, and it aims to advance non-invasive fetal monitoring by applying, developing, and validating methodologies for analysing the antepartum FHR, addressing multiple aspects of autonomic regulation and fetal neurodevelopment. We begin in Chapter 1 with an overview of antenatal electronic fetal monitoring, focusing on the existing methodologies for the acquisition and interpretation of the FHR signal. We then detail the datasets used throughout the thesis, which comprise heterogeneous clinical and wearable data collected through different acquisition modalities and from diverse geographical and clinical settings. This overview provides the necessary contextualization for the subsequent chapters. In Chapter 2, we first use advanced signal processing methodologies to characterize oscillations in FHR signals in healthy and high-risk pregnancies across the second and third trimester of gestation. Characteristics in the FHR recorded from healthy pregnancies are compared with those from pregnancies affected by maternal diabetes and intra-uterine growth restriction (IUGR), a very common pathology of pregnancy which describes a decrease in fetal growth rate that prevents a fetus from obtaining its complete growth potential. A comparison between conventional spectral analysis and Phase Rectified Signal Averaging (PRSA)-based analysis conducted on a large dataset of cardiotocographic (CTG) recordings shows that differences between physiological and pathological pregnancies are most pronounced in the MF band (0.15–0.5 Hz), and that PRSA enhances their detection by better capturing transient oscillatory components. The overlap between the MF band of the FHR and the normal respiratory frequency range in adults led to the hypothesis that oscillations in the FHR within this band may be related to maternal respiration. In the second part of the Chapter, we test this hypothesis with a different dataset of recordings collected with non-invasive fetal electrocardiography, finding a Granger-causal link from maternal respiration to the FHR. These novel findings suggest that maternal breathing is a key driver of Maternal Fetal Cardiac Coupling, and the fetal reaction to maternal breathing may be altered in pathological pregnancies. In Chapter 3 we specifically investigate how the FHR is affected by IUGR, and its potential use for diagnostic purposes. First, we propose a ResNet-based architecture trained via a custom procedure to maximize data use while addressing label uncertainty to predict the presence of IUGR from CTG recordings. Then, we detail additional experiments conducted to move from binary classification towards more advanced monitoring strategies and discuss future developments for this application. Specifically, we report preliminary efforts toward multiclass applications using metric learning to identify complex embeddings with limited training data using Siamese Neural Networks, and the experiments conducted toward building a normative model designed to detect significant deviations from normal fetal developmental trajectories. In Chapter 4, we address Fetal Behavioral States (FBS) classification, specifically focusing on discriminating between periods of fetal activity and quiescence. Monitoring FBSs is crucial for the assessment of fetal development, as the emergence of well-defined FBSs represents one of the earliest observable markers of neurodevelopmental trajectories. The chapter presents the progressive methodological advancements achieved in this area. First, we detail the development of an unsupervised Hidden Markov Model (HMM) designed to segment FHR traces into Active and Quiet states. Then, we describe a supervised Deep Learning (DL) approach that uses the HMM for pre-training and combines clinical annotations from multiple experts to achieve expert-level performance. Additionally, we present a comparative analysis of the structure of FBSs in healthy and IUGR fetuses, as identified by the model previously described. This analysis uncovered significant differences in their development and organization. Finally, we describe the model adaptations introduced to move from in-clinic FHR signal analysis to home-based monitoring, enabling continuous, long-term assessment of FBSs. We also present the application of the model to very long overnight recordings, leading, to the best of our knowledge, to the first automatically generated fetal “hypnograms” reported in the literature. Overall, this thesis addressed heterogeneous yet complementary aspects related to the fetal neural regulation of the FHR across the second half of gestation, contributing to the advancement of non-invasive fetal monitoring through dataset development, physiological investigation, and methodological innovation. We found evidence for the existence of a physiological link between the FHR and maternal respiration within a frequency band where we showed that significant differences emerge in pathological pregnancies, demonstrated the potential of DL for the identification of clinically relevant conditions such as IUGR, and developed methodologies to support the automatic estimation of FBSs across different acquisition modalities, including home-monitoring settings. We also show how alterations in the FBS architecture in fetuses with IUGR. Taken together, these contributions help strengthen the foundations for more informative, scalable, and accessible approaches to fetal surveillance.
DELLACA', RAFFAELE
RAVAZZANI, PAOLO GIUSEPPE
16-lug-2026
Data-driven methodologies for non-invasive monitoring of fetal development
Lo sviluppo fetale è un processo fisiologico rapido e finemente regolato, durante il quale emergono e maturano i meccanismi neurali che permettono al feto di adattarsi e reagire all'ambiente. Parallelamente, i sistemi cardiovascolare e metabolico materni subiscono profondi adattamenti per sostenere e proteggere la crescita intrauterina. Il monitoraggio di questi processi dinamici è intrinsecamente difficile a causa della loro complessità e del fatto che l’ambiente intrauterino impedisce l’osservazione diretta; di conseguenza, l’attuale sorveglianza clinica antenatale rimane limitata. Ciononostante, un monitoraggio fetale efficace è fondamentale, poiché i disturbi nello sviluppo fetale possono avere conseguenze per tutta la vita. I recenti progressi nelle metodologie di analisi dei dati e nelle tecnologie indossabili per il monitoraggio, che permettono la rilevazione domiciliare continua della frequenza cardiaca fetale (FHR) e di altri biosegnali, offrono nuove opportunità per estrarre informazioni clinicamente rilevanti e aprire una finestra sulla vita intrauterina. La presente tesi si inserisce in questo contesto di trasformazione e mira a contribuire al miglioramento del monitoraggio fetale non invasivo attraverso l’applicazione, lo sviluppo e la validazione di metodologie per l’analisi della FHR anteparto, considerando molteplici aspetti della regolazione autonomica e del neurosviluppo fetale. Iniziamo nel Capitolo 1 con una panoramica del monitoraggio elettronico fetale antenatale, concentrandoci sulle metodologie esistenti per l'acquisizione e l'interpretazione del segnale FHR. Dettagliamo poi i dataset utilizzati in tutta la tesi, che comprendono dati di FHR eterogenei, raccolti attraverso diverse modalità di acquisizione sia in ambito clinico che a casa e provenienti da differenti contesti geografici. Questa panoramica fornisce la necessaria contestualizzazione per i capitoli successivi. Nel Capitolo 2 utilizziamo metodologie avanzate di elaborazione del segnale per caratterizzare le oscillazioni dei segnali di FHR in gravidanze fisiologiche e ad alto rischio nel secondo e terzo trimestre di gestazione. Le caratteristiche della FHR registrata in gravidanze fisiologiche vengono confrontate con quelle osservate in gravidanze complicate da diabete materno e da ritardo di crescita intrauterino (IUGR), una patologia molto comune in gravidanza caratterizzata da una riduzione del tasso di crescita fetale che impedisce al feto di raggiungere il proprio pieno potenziale di crescita. Un confronto tra l’analisi spettrale convenzionale e l’analisi basata su Phase Rectified Signal Averaging (PRSA), condotto su un ampio dataset di registrazioni cardiotocografiche (CTG), mostra che le differenze tra gravidanze fisiologiche e patologiche sono più pronunciate nella banda MF (0.15–0.5 Hz) e che la PRSA ne migliora l’identificazione, grazie a una maggiore capacità di cogliere componenti oscillatorie transitorie. La sovrapposizione tra la banda MF della FHR e il normale intervallo della frequenza respiratoria nell’adulto ha portato all’ipotesi che le oscillazioni della FHR in questa banda possano essere correlate alla respirazione materna. Nella seconda parte del Capitolo verifichiamo questa ipotesi utilizzando un diverso dataset di registrazioni elettrocardiografiche non invasive, riscontrando una relazione causale di Granger dalla respirazione materna alla FHR. Questi risultati inediti suggeriscono che la respirazione materna rappresenta un aspetto fondamentale della sincronizzazione materno-fetale (MFCC), e che la risposta fetale alla respirazione materna possa essere alterata nelle gravidanze patologiche. Nel Capitolo 3 indaghiamo specificamente come la FHR sia influenzata dalla IUGR, e come questa alterazione possa essere usata a fini diagnostici. Inizialmente, proponiamo un modello di Deep Learning (DL) basato sull'architettura ResNet addestrato tramite una procedura personalizzata per massimizzare l'uso dei dati affrontando al contempo l'incertezza nella diagnosi clinica prenatale. Successivamente, dettagliamo esperimenti aggiuntivi condotti per passare dalla classificazione binaria a strategie di monitoraggio più avanzate e discutiamo gli sviluppi futuri per questa applicazione. Nello specifico, vengono riportati e discussi i risultati preliminari ottenuti in applicazioni multiclasse mediante metric learning, finalizzato all’identificazione di embedding complessi con dati di addestramento limitati tramite reti neurali siamese, nonché gli esperimenti condotti per la costruzione di un modello normativo progettato per rilevare deviazioni significative dalle normali traiettorie dello sviluppo fetale. Nel Capitolo 4, affrontiamo la classificazione degli stati comportamentali fetali (FBS), concentrandoci specificamente sulla distinzione tra stati di Attività e Quiete. Il monitoraggio degli FBS è fondamentale per la valutazione dello sviluppo fetale, poiché l'emergere di FBS ben definiti rappresenta uno dei primi indicatori osservabili delle traiettorie di neurosviluppo. Il capitolo presenta quindi i progressivi avanzamenti metodologici raggiunti in questo ambito. Inizialmente, dettagliamo lo sviluppo di un modello nascosto di Markov (HMM) non supervisionato progettato per segmentare i tracciati FHR negli stati di Attività e Quiete. Successivamente, descriviamo un approccio di Deep Learning supervisionato che utilizza l'HMM per il pre-addestramento e combina annotazioni cliniche di più esperti per raggiungere prestazioni comparabili a quelle di clinici esperti. In seguito, presentiamo un’analisi comparativa della struttura degli FBS stimati dal modello in feti sani e in feti con IUGR, mettendo in luce differenze significative nel loro sviluppo e nella loro organizzazione. Infine, riportiamo le modifiche apportate al modello per passare dall'analisi del segnale FHR in clinica al monitoraggio domiciliare della FHR. Inoltre, illustriamo l’applicazione del modello a registrazioni notturne di lunga durata, che ha portato, per quanto a nostra conoscenza, alla prima generazione automatica di “ipnogrammi” fetali riportata in letteratura. In sintesi, questa tesi ha affrontato aspetti eterogenei ma complementari relativi alla regolazione neurale fetale della FHR durante la seconda metà della gestazione, contribuendo al progresso del monitoraggio fetale non invasivo attraverso lo sviluppo di dataset, l'indagine fisiologica e l'innovazione metodologica. È emerso un legame fisiologico tra la FHR e la respirazione materna in una banda di frequenza che mostra differenze significative nelle gravidanze patologiche; abbiamo dimostrato il potenziale del Deep Learning per l'identificazione di condizioni clinicamente rilevanti come la IUGR, e sviluppato metodologie per supportare la stima automatica degli FBS attraverso diverse modalità di acquisizione, inclusi i contesti di monitoraggio domiciliare. Mostriamo inoltre come si manifestino alterazioni nell'architettura degli FBS nei feti con IUGR. Complessivamente, questi contributi aiutano a rafforzare le basi per approcci più informativi, scalabili e accessibili alla sorveglianza fetale.
File allegati
File Dimensione Formato  
Thesis_GiulioSteyde.pdf

accessibile in internet per tutti a partire dal 29/06/2027

Dimensione 13.53 MB
Formato Adobe PDF
13.53 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/10589/261858