Analisi multivariata per la classificazione dell'attività EEG di soggetti affetti da epilessia con assenze dell'infanzia

This work was performed as part of a scientific collaboration with the Biomedical Engineering Unit of the Department of Neurophysiopathology and Diagnostic Epileptology of the "C. Besta" Neurological Institute Fondation. We aimed at investigating alteration of neuronal interaction structures in patients affected by absence seizures. The main feature of a typical absence is a brief impairment of consciousness together with generalized, synchronous, bilateral 3 Hz spikes in the electroencephalogram (EEG). We assumed that this disease is due to an abnormal neural connectivity. The purpose of this study is to verify the existence of altered brain connections by studying the EEG activity during the inter-ictal state. Advanced signal processing techniques were carried out on the EEG recordings of 10 patients suffering from childhood absence epilepsy and of 10 healthy subjects. We applied a frequency domain approach able to describe the direction of information flow between multivariate series (Partial Directed Coherence) with the aim of defining the neural relations from the spontaneous measurement of EEG signals. The statistical analysis of these estimates showed significant differences in term of network of connectivity between patients and controls. In particular we found that the frontal region had a greater number of altered connections. A set of connections with different behavior between the two groups was then identified and a semi-automatic method, based on variable selection, was built. We performed supervised classification techniques (Linear Discriminant Analysis and Support Vector Machines) in order to identify the best model able to place each subject in its corresponding clinical group. In addition, the use of a non-supervised classification approach highlighted the excellent performances of the algorithm. Moreover, the model was implemented on a test set in order to prove its effectiveness and the result was the exact classification of the entirety of subjects.

Il presente lavoro di tesi si è svolto nell'ambito di una collaborazione scientifica con l'Unità di Ingegneria Biomedica della Fondazione I.R.C.C.S. Istituto Neurologico "C. Besta" di Milano (Unità Operativa Neurofisiopatologia ed Epilettologia Diagnostica). Lo studio si è focalizzato sull'analisi dei meccanismi di interazione patologici tra aree cerebrali in pazienti affetti da epilessia con assenze dell'infanzia. Il segnale EEG durante una crisi d'assenza è caratterizzato da un'improvvisa comparsa di scariche punte-onda ritmiche, bilaterali, sincrone, in entrambi gli emisferi a circa 3 Hz. Si ipotizza che questa oscillazione sia causata da un'attività ipersincrona dei neuroni corticali, dovuta alla presenza di pattern di connettività alterati. L'obiettivo della tesi è stato verificare se questi pattern di connettività siano già presenti nella fase inter-ictale, quando l'EEG è caratterizzato da un'attività di fondo normale al confronto visivo. I dati in analisi consistono in registrazioni EEG di 20 soggetti: 10 pazienti e 10 controlli. Il lavoro di tesi si è concentrato sulla stima della dipendenze causali (connettività effettiva) tra regioni cerebrali, ottenuta mediante la Partial Directed Coherence. Tale indice si fonda sull'identificazione del modello autoregressivo multivariato in grado di descrivere le dinamiche del sistema di sincronizzazione. L'analisi statistica delle stime di connettività ha individuato la presenza di differenze significative tra le reti di interazioni corticali di pazienti e controlli. In particolare, si è riscontrata una significativa differenza nell'attività della regione frontale, per cui si registra un livello di sincronizzazione maggiore verso le aree posteriori nei pazienti rispetto ai controlli. Questi risultati hanno permesso di costruire un metodo di classificazione in grado di discriminare i soggetti nel corretto gruppo di appartenenza, fondato sull'utilizzo di tecniche di classificazione supervisionata (Linear Discriminant Analysis e le Support Vector Machines). L'algoritmo proposto si basa sull'estrazione delle variabili (connessioni) che caratterizzano i network di connettività delle due popolazioni, specificando il modello di classificazione ottimale che distingue esattamente i pazienti dai controlli. Il metodo descritto definisce un sistema semi-automatico in grado, inoltre, di classificare correttamente tre soggetti test non coinvolti nella sua costruzione, a partire dall'analisi delle registrazioni EEG nella fase inter-ictale.