universita` politecnica delle marche facolta` di ingegneria

UNIVERSITA’ POLITECNICA DELLE MARCHE
FACOLTA’ DI INGEGNERIA
Corso di Laurea Triennale in Ingegneria Biomedica
BRAIN COMPUTER INTERACTION:
ACQUISIZIONE DI SEGNALI CEREBRALI E
IMPLEMENTAZIONE DEL METODO ICA
Relatore:
Prof. Aldo Franco Dragoni
Anno Accademico 2009-2010
Tesi di Laurea di:
Annachiara Celso
Dove c'è una grande volontà non possono esserci grandi difficoltà.
(Niccolò Machiavelli)
Alla mia famiglia e ai miei amici.
Senza di voi, non sarei mai arrivata a questo punto.
INDICE
Introduzione
I.
pag. 1
Brain Computer Interaction: innovazione nel rapporto
uomo-computer
pag. 1
II.
Cosa sono le neuroscienze
pag. 3
III.
Struttura e obiettivi della tesi
pag. 4
Capitolo 1: Cenni di Neurofisiologia
1.1.
1.2.
Il Sistema Nervoso Centrale
pag. 6
1.1.1. L’unità fondamentale: il Neurone
pag. 6
1.1.2. La sinapsi
pag. 8
1.1.3. Potenziale di riposo e potenziale d’azione
pag. 8
1.1.4. Struttura del Sistema Nervoso Centrale
pag. 10
1.1.5. La corteccia cerebrale e le funzioni dei lobi
pag. 13
Il Sistema Nervoso Periferico
pag. 15
Capitolo 2: Modalità di rilievo dell’attività cerebrale
2.1.
2.2.
pag. 5
pag. 17
La Brain Imaging
pag. 17
2.1.1.
SPECT e PET
pag. 18
2.1.2.
Dalla risonanza magnetica alla fMRI
pag. 20
2.1.3.
La Magnetoencefalografia
pag. 22
2.1.4.
NIRS
pag. 23
L’Elettroencefalografia
pag. 24
2.2.1.
Il Tracciato
pag. 27
2.2.2.
I Potenziali Evocati
pag. 28
i
Capitolo 3: I Sistemi BCI
pag. 32
3.1.
Definizione di BCI
pag. 32
3.2.
Scelta del sistema di rilievo
pag. 34
3.3.
Struttura di una BCI
pag. 35
3.3.1.
Acquisizione dei segnali EEG
pag. 36
3.3.2.
Pre-processamento del segnale
pag. 38
3.3.3.
Analisi, classificazione e traduzione
pag. 39
Capitolo 4: I Potenziali Evento-Correlati
pag. 41
4.1.
Le componenti ERP
pag. 43
4.2.
Analisi dei dati ERPs
pag. 46
4.3.
Artefatti
pag. 48
4.3.1.
Artefatti extra-fisiologici
pag. 49
4.3.2.
Artefatti fisiologici
pag. 50
Capitolo 5: Metodo ICA e Algoritmi per l’Analisi delle
Componenti Indipendenti
pag. 55
5.1.
Il metodo ICA
pag. 55
5.2.
Algoritmi per l’analisi delle componenti indipendenti
pag. 57
5.2.1.
L’Infomax
pag. 57
5.2.2.
Il FastICA
pag. 59
5.2.3.
Analisi e implementazione del software per
il trattamento dei dati elettroencefalografici
pag. 63
Conclusioni
pag. 68
Elenco delle figure
pag. 70
Bibliografia
pag. 72
Webgrafia
pag. 74
ii
INTRODUZIONE
I.
Brain Computer Interaction: innovazione
nel rapporto uomo-computer
Per Brain Computer Interaction si intende un settore della ricerca volto alla costruzione
di interfacce in grado di collegare direttamente il cervello umano ad un dispositivo
elettronico come un computer.
Diversamente dai tradizionali dispositivi di input come mouse e tastiere, queste
interfacce permettono a persone affette da gravi disabilità motorie di interagire con un
pc senza comandi muscolari, ma attraverso l’uso di onde cerebrali.
In sostanza, una BCI o Brain Computer Interface è una soluzione per acquisire ed
elaborare comandi impartiti direttamente dal cervello, per mezzo di strumenti
computerizzati. Dopo una fase di classificazione real-time, i segnali vengono
riconosciuti, distinti e associati a comandi per controllare strumenti ed interagire
attivamente.
La Neurofisiologia e gli sviluppi riguardanti la struttura del cervello umano e le
funzionalità che questo possiede, hanno portato allo sviluppo, negli ultimi decenni, di
ricerche finalizzate al raggiungimento di interfacce uomo-computer sempre più
avveniristiche.
Esistono odiernamente delle interfacce che consentono di controllare il dispositivo
elettronico mediante la voce, il movimento degli occhi, delle palpebre o addirittura della
lingua. Ovviamente, però, queste si basano su movimenti muscolari che, seppur minimi,
possono essere problematici o addirittura impossibili per persone con gravi paralisi. La
possibilità di controllo mediante impulsi cerebrali ha fatto sì che la ricerca si dirigesse
verso periferiche che non richiedano il movimento da parte dell’utente.
Tutto questo è stato possibile grazie agli sviluppi che le tecniche di rilevazione
dell’attività cerebrale hanno avuto negli ultimi decenni e grazie anche all’elaborazione
di algoritmi sempre più efficienti per la decodifica dei segnali biologici.
1
A differenza infatti di dispositivi che richiedono un movimento muscolare (ad esempio
l’occhio, un dito), una Brain Computer Interface interviene laddove una disabilità, una
compromissione del canale nervoso o l’amputazione di un arto impediscano l’uso del
sistema motorio. Da sempre si è fantasticato su come arrivare ad un’interazione diretta
tra cervello e computer capace di interpretarne l’attività.
Nelle BCI vengono fatti tentativi con vari tipi di segnali elettrici cerebrali, ognuno con
vantaggi e svantaggi. Le difficoltà sono notevoli considerando la quantità di dati da
elaborare velocemente e la diversità che caratterizza ogni cervello. Ciò rende
indispensabile un addestramento del paziente ed un adattamento del software per ogni
singolo individuo.
Una BCI è in grado di registrare i segnali provenienti dal cervello, di convogliarli
all’esterno e di trasformarli in comandi che il computer interpreta e utilizza per produrre
in output una determinata funzione che può essere anche fisica. I segnali generati
nell’area corticale sono acquisiti dall’esterno del cranio tramite appositi sensori ed
elaborati con algoritmi che trasformano le modulazioni volontarie o involontarie delle
onde cerebrali, in comandi per un software o un dispositivo permettendo a questo di
realizzare un determinato compito.
La modalità di interazione mediante una BCI è ben lontana dalla lettura del pensiero ma
è una rilevazione di una volontà. Il presupposto su cui si basa tale tecnologia è che, in
individui con funzioni cerebrali integre, gli impulsi neurali vengono comunque generati
anche se non vengono poi trasmessi alla zona corporea.
Giacché una BCI può donare al cervello un nuovo canale di controllo e di
comunicazione che non prevede l'uso dell'apparato muscolare, le sue applicazioni si
stanno muovendo a maggior ragione nell’ambito della disabilità. Numerose patologie
come la sclerosi laterale amiotrofica, la distrofia muscolare, la paralisi cerebrale
possono del tutto invalidare il funzionamento dei canali attraverso i quali il cervello
controlla il movimento.
Grazie a questi dispositivi, pazienti il cui sistema nervoso periferico è gravemente
compromesso possono trovare un miglioramento della loro qualità della vita.
Pensando al futuro, le applicazioni offerte da un’interfaccia BCI sono pressoché infinite.
Ovviamente riguardo questa branca della ricerca rimangono aperte questioni relative
2
all’etica, alla metodologia, alle soluzioni ingegneristiche e ai costi per permettere un uso
in larga scala delle interfacce.
La sfida più importante sarà sicuramente quella di rendere il loro utilizzo il più naturale
e intuitivo possibile.
II. Cosa sono le neuroscienze
Le neuroscienze sono una disciplina di frontiera che negli ultimi trent’anni ha accolto
contributi da settori molto diversi tra loro: dalla neurofisiologia alla biologia
molecolare, dalla psicologia sperimentale alla filosofia. Con il passare del tempo, ciò ha
portato alla visione di esiti interessanti e clamorosi, spesso imprevedibili. Gli studi di
neuroscienze si basano sul fatto che ogni comportamento è espressione di una funzione
del cervello.
Alla base di fenomeni cognitivi e affettivi come pensiero, memoria, linguaggio,
emozioni, ci sono quindi attività elettriche e chimiche. Lesioni di specifiche aree
cerebrali determinano disturbi di tali funzioni. Circa cento anni fa dall’incontro di
discipline come biochimica, fisiologia, neuroanatomia, psicologia, istologia, è emerso
sempre più lo stretto rapporto che lega il cervello al comportamento umano.
A partire dagli studi di Galvani sull’attività elettrica dei neuroni, passando poi alle
trasmissioni chimiche scoperte da Claude Bernard e grazie anche agli studi di Darwin,
dimostrare una stretta correlazione tra aree cerebrali e funzioni superiori divenne
sempre più inevitabile.
Nei primi anni del ‘900 nacquero due diverse correnti contrastanti: la teoria dei campi
cerebrali associati e la teoria del connessionismo cellulare. La prima corrente affermava
che non era possibile stabilire una localizzazione precisa delle aree deputate a
determinate funzioni; qualsiasi area corticale era ritenuta in grado di svolgere qualsiasi
compito. La seconda, invece, sosteneva che ciascuna manifestazione comportamentale
fosse conseguenza dell’azione di specifiche regioni cerebrali delimitate da circuiti
nervosi definiti. Odiernamente si è a conoscenza che ogni zona del cervello è deputata a
3
svolgere le proprie funzioni. Queste, però, seguono più vie nervose in modo tale da
evitarne una completa compromissione in caso di lesioni di una zona.
II. Struttura e Obiettivi della tesi
L’obiettivo di questa tesi è quello di addentrarsi nei principi che regolano lo sviluppo
che la ricerca sulla Brain Computer Interaction sta avendo negli ultimi anni, a partire
dalle basi di neurofisiologia. A tal proposito, una prima parte è dedicata alla descrizione
anatomo-fisiologica del sistema nervoso umano. Una seconda sezione approfondisce,
invece, quali sono le più importanti tecniche di rilievo non invasive dell’attività
cerebrale, vista come punto di partenza per lo svolgimento di funzioni superiori.
Ciascuna metodica di rilievo può far parte di una Brain Computer Interface e dunque un
capitolo, oltre alla descrizione del percorso del segnale all’interno dell’interfaccia, è
dedicato al confronto tra le varie tecniche, ponendo in evidenza il perché la ricerca si
stia direzionando verso il perfezionamento dell’uso elettroencefalografico.
Gli ultimi due capitoli focalizzano l’attenzione sull’analisi qualitativa e quantitativa del
tracciato EEG, introducendo il concetto di potenziale evento correlato. Indice di
interesse per l’introduzione di input per algoritmi di decisione, gli ERPS (Event Related
Potentials) sono però immersi nell’EEG di fondo e necessitano per questo di
processamenti per la loro estrazione, oltre che di rimozione di eventuali artefatti.
Altro obiettivo della tesi è quello di studiare e analizzare un metodo valido per il
trattamento dei segnali elettroencefalografici utili alla Brain Computer Interaction:
l’Analisi delle Componenti Indipendenti (Independent Components Analysis, ICA).
Per questo motivo, dopo la descrizione della procedura sfruttata da tale metodica,
vengono esposte le linee guida dei due principali algoritmi che la implementano:
l’Infomax e il FastICA. A proposito di quest’ultimo, nell’ultimo paragrafo viene
riportato un codice sorgente in linguaggio C volto alla comprensione pratica di come
questo algoritmo agisce sul segnale elettroencefalografico.
4
CAPITOLO 1
Cenni di Neurofisiologia
Il fine che le neuroscienze si prefiggono è quello di capire le attività mentali, i
meccanismi mediante cui riusciamo ad avere percezioni, ci muoviamo e ricordiamo.
Una delle più rinomate frontiere della scienza è quella della comprensione delle basi
biologiche della conoscenza dei processi mentali che ci consentono di agire, di
percepire, di apprendere o di ricordare.
Figura 1: Schema a blocchi del sistema nervoso
Il sistema nervoso umano è composto da due differenti elementi capaci l’uno di
elaborare i dati e l’altro di trasmettere informazioni.
Questo comprende il sistema nervoso centrale, che consta di encefalo e midollo spinale,
e il sistema nervoso periferico, costituito dai gangli e dai nervi periferici, che sono
disposti al di fuori del cervello e del midollo spinale.
Il sistema nervoso centrale e quello periferico, sebbene siano anatomicamente distinti,
sono reciprocamente connessi ed interagiscono tra di loro nello svolgimento delle
rispettive funzioni. Il primo elabora e interpreta i segnali somatici e viscerali che
5
arrivano dalle varie parti del corpo fornendo loro una risposta; il secondo, costituito da
nervi motori o sensitivi, ha il compito di trasmettere i segnali a muscoli, ghiandole o
organi bersaglio, da e verso il sistema nervoso centrale.
Il sistema nervoso centrale è una struttura bilaterale. E’ essenzialmente simmetrica,
formata da sei parti principali: il midollo spinale, il bulbo, il ponte (con il cervelletto), il
mesencefalo, il diencefalo e gli emisferi cerebrali. L’assegnamento di specifiche
funzioni a specifiche aree, è stato possibile grazie ad una moltitudine di tecniche
sperimentali.
Andiamo ad analizzare in dettaglio le componenti del sistema.
1.1. Il Sistema Nervoso Centrale
Il Sistema Nervoso Centrale è composto da un insieme di tessuti specializzati deputati
alla ricezione e al riconoscimento di stimoli provenienti sia dall’interno che dall’esterno
del corpo, e all’elaborazione di risposte.
I tessuti specifici sono formati da due diversi tipi di cellule. Le cellule della glia offrono
essenzialmente una funzione di supporto. I neuroni rappresentano l’unità fondamentale
del sistema nervoso centrale.
1.1.1. L’unità fondamentale: il Neurone
Il sistema nervoso umano è caratterizzato da una serie di cellule, dette neuroni,
organizzate in reti che percorrono tutto il corpo. Questi circuiti inviano messaggi da una
parte all’altra del corpo sottoforma di segnali elettrici.
La peculiarità di queste particolari cellule è la capacità di ricevere stimoli e di condurre
impulsi provenienti dai nervi trasmettendo così informazioni ad altre parti del corpo.
6
Figura 2: Anatomo-fisiologia di un neurone
I neuroni possono essere definiti come l’unità costitutiva del sistema nervoso periferico
e di quello centrale. Oltre ad avere il compito di processare l’informazione, hanno la
peculiarità fondamentale di possedere proprietà elettriche di tipo attivo. Queste
proprietà consentono la propagazione di un segnale elettrico senza attenuazione.
I neuroni sono in grado di generare, analizzare e propagare i segnali elettrici frutto del
linguaggio proprio del cervello. Pur avendo molteplici forme, tutte sono riconducibili a
degli elementi base (figura 2). Centralmente, il neurone presenta un corpo cellulare
detto soma o pirenoforo. Qui sono localizzati nucleo e organuli che espletano le
funzioni cellulari.
A partire dal corpo cellulare hanno origine due prolungamenti citoplasmatici
responsabili delle proprietà di eccitabilità e conducibilità del neurone. Da uno dei due
poli origina l’albero dendritico; esso consente al neurone di ricevere i segnali dai
neuroni afferenti e di propagarlo in direzione del soma.
Proprio a seconda della complessità dell’albero dendritico, i neuroni trovano
differenziazione nella morfologia e nel numero di segnali che possono essere ricevuti. Il
polo opposto è caratterizzato dalla presenza dell’assone, o neurite, che trasmette il
segnale verso altri neuroni. L’estremità dell’assone si ramifica e ciascun ramo termina
con un bottone sinaptico o terminazione sinaptica. Mediante queste terminazioni
avviene il contatto del neurone con i dentriti o i corpi dei neuroni adiacenti definendo
così il circuito neuronale.
7
Gli assoni dei neuroni che compongono il sistema nervoso periferico sono ricoperti da
un involucro protettivo o guaina mielinica costituita da una lunga catena di cellule di
Schwann. Con questo metodo viene garantita la propagazione degli impulsi lungo
l’assone la cui velocità raggiunge i 100 m/s. I meccanismi di polarizzazione e
depolarizzazione della membrana permettono la generazione degli impulsi elettrici.
1.1.2. La sinapsi
La sinapsi è la zona di contatto attraverso la
quale i neuroni comunicano tra loro.
Esistono due tipi di sinapsi: le sinapsi elettriche e
quelle chimiche.
Le sinapsi elettriche collegano direttamente un
neurone ad un altro, ossia esiste un canale (o gap)
tra il citoplasma delle due cellule. Per merito di
questo canale il percorso per la corrente elettrica
che fluisce tra due neuroni è a bassissima
resistenza,
così
che
la
trasmissione
è
estremamente veloce. Esse si trovano per
Figura 3: Struttura di una sinapsi
esempio nei neuroni piramidali della corteccia,
nel tessuto cardiaco e all’interno della retina.
Sono invece molto rare nelle cellule del sistema nervoso centrale (SNC) dell’uomo
adulto. Nelle sinapsi chimiche, invece, lo scambio di informazioni avviene tramite il
rilascio di agenti chimici, detti neurotrasmettitori, dal terminale presinaptico alle
ramificazioni dell’assone.
1.1.3. Potenziale di riposo e potenziale d’azione
La cellula nervosa contiene, ed è immersa, in un fluido costituito da acqua e sali, per la
maggior parte ionizzati. In particolare, nella soluzione si trovano ioni di diversa polarità
quali Cloro, Potassio, Sodio , Calcio.
8
In condizioni di riposo, tra l'esterno e l'interno della cellula esiste una differenza di
potenziale di 70 mV con l'esterno positivo rispetto all'interno. L'impulso nervoso si
origina nella parte dell'assone prossima al corpo cellulare e consiste in una variazione
transitoria del potenziale di membrana di riposo.
La membrana del neurone non è continua ma è costituita da un doppio strato di
fosfolipidi contenente milioni di passaggi formati da proteine, attraverso i quali gli ioni
possono attraversare il doppio strato.
La carica e la differenza di potenziale a cavallo della membrana dipendono istante per
istante dalle concentrazioni di ioni intra ed extra-cellulari. Gli ioni maggiormente
interessati alla propagazione dei potenziali d'azione sono Na+ e K+ . In condizioni di
riposo, la corrente ionica totale è nulla e le concentrazioni di Na+ e K+ sono:
•
Na+ intracellulare « Na+ extracellulare
•
K+ intracellulare » K+ extracellulare
Questo gradiente di concentrazione è mantenuto da un meccanismo di trasporto attivo
chiamato pompa sodio-potassio, a spese di una grossa energia metabolica. La pompa
sodio-potassio, a riposo, espelle la maggior parte degli ioni Na+ e porta all'interno della
cellula ioni K+ . Tutti i segnali elettrici sono la conseguenza di variazioni del potenziale
di membrana a riposo dovute a flussi di corrente attraverso la membrana. Dette
variazioni possono essere utilizzate per generare messaggi nervosi. In particolar modo,
quando il potenziale di membrana di una cellula nervosa si riduce di 10 mV, si genera
un potenziale d’azione che transitoriamente annulla il potenziale di membrana e ne
inverte la polarità (figura 4).
Quando il neurone è a riposo, molti canali per il Potassio, ma non tutti, sono aperti e
gran parte dei canali per il Sodio è chiusa. Durante l'impulso si aprono improvvisamente
moltissimi canali per il Sodio in un breve tratto di fibra nervosa, cosicché quella parte è
interessata da un forte ingresso dello ione Na+ nella cellula.
Si verifica così la depolarizzazione della membrana, vale a dire un aumento di carica
positiva all'interno del neurone. I canali per il Sodio poi si richiudono, mentre si aprono
quelli per il Potassio in numero maggiore di quando la cellula è a riposo.
9
Figura 4: Potenziale d'Azione
Tutta la sequenza dura all'incirca un millisecondo. I canali del Sodio, una volta aperti,
tendono spontaneamente a richiudersi, anche se la depolarizzazione viene mantenuta, e
poi sono incapaci di riaprirsi per qualche millesimo di secondo; i canali del Potassio
rimangono aperti per tutta la durata della depolarizzazione.
Per un dato livello di depolarizzazione, il numero di ioni Na+ che entra è inizialmente
maggiore del numero degli ioni K+ che esce, la membrana diventa negativa all'esterno
rispetto all'interno. Poco dopo il flusso uscente di ioni K+ predomina e il potenziale di
membrana viene ripristinato.
1.1.4. Struttura del Sistema Nervoso Centrale
Il sistema nervoso centrale (SNC) è costituito dall'encefalo, racchiuso nella scatola
cranica, e dal midollo spinale, contenuto invece nel canale vertebrale.
1) IL MIDOLLO SPINALE
Nell’organismo il midollo spinale va a costituire la zona di elaborazione centrale e di
collegamento ricevendo gli impulsi sensoriali e inviando segnali motori di risposta.
Figura 5: Midollo spinale sezionato trasversalmente
10
Situato all’interno del canale vertebrale e di forma cilindrica, occupa la prima parte del
cosiddetto rachide (dalla base del cranio alla seconda vertebra lombare).
Nel senso della lunghezza, esso è suddiviso in segmenti corrispondenti alle vertebre
cervicali, toraciche, lombari, sacrali e coccigee. Da ciascun segmento si diparte da ambo
i lati un nervo spinale. Immaginando di sezionare il midollo trasversalmente (figura 5)
sarebbe visibile un foro: il canale centrale. Si noterebbe, inoltre, che vi sono territori
ben delimitati e in rapporto fra loro, rispettivamente la sostanza grigia e la sostanza
bianca. La sostanza grigia è costituita dai corpi delle cellule nervose a differenza della
sostanza bianca composta dagli assoni.
Il midollo spinale è atto a ricevere le fibre nervose afferenti dalla periferia, e a proiettare
le fibre efferenti verso gli organi periferici.
Le fibre afferenti possono essere somatiche, qualora trasportino gli impulsi dalla
superficie corporea al sistema nervoso centrale, o viscerali, qualora provengano da
organi interni.
Le fibre nervose efferenti trasmettono gli impulsi di risposta del SNC agli organi
periferici quali muscolo o ghiandole.
I neuroni che innervano i muscoli sono denominati motoneuroni e i loro corpi sono
localizzati nelle corna anteriori del midollo spinale. Quest’ultimo inoltre è rivestito da
delle guaine dette meningi.
2) L’ENCEFALO
Le strutture principali che compongono l’encefalo umano sono il tronco encefalico, il
cervelletto e il cervello propriamente detto.
Figura 6: Encefalo in sezione sagittale
11
•
Il tronco encefalico
Il tronco encefalico può essere considerato come il proseguimento del midollo
spinale ed è caratterizzato da tre differenti regioni: il bulbo, il ponte e il
mesencefalo. Le funzioni da esso svolte sono le seguenti: consente il transito di tutti
i fasci di fibre che collegano cervello e midollo spinale; ospita i nuclei dei nervi
cranici; controlla funzioni fondamentali come l’attività cardiaca, la respirazione, lo
stato di coscienza ecc.
Andando nel dettaglio si può dire che nel bulbo sono situati i neuroni che
controllano respirazione, cuore e apparato gastrointestinale, mentre il ponte è
fondamentale per il controllo dell’espressione facciale.
Per quanto riguarda il mesencefalo, invece, esso ospita nuclei coinvolti nei
meccanismi di visione e udito, ma anche strutture fondamentali per il controllo dei
movimenti
•
Il cervelletto
Posteriormente al ponte, alla base del cervello, è situato il cervelletto, prima
porzione del sistema nervoso a specializzarsi nel controllo dei movimenti. Grazie ai
collegamenti con tutte le regioni cerebrali (retina, corteccia, tronco encefalico), esso
è deputato all’apprendimento motorio e alla coordinazione dei movimenti.
•
Il cervello
Il cervello è costituito da sostanza bianca circondata esternamente da un involucro di
sostanza grigia, la corteccia cerebrale. La morfologia è molto complessa e le
dimensioni sono notevoli. Costituito da una massa ovoidale convessa, il cervello
umano è diviso in due emisferi. La superficie rugosa ha la particolarità di essere
caratterizzata da numerosi solchi o circonvoluzioni.
All’interno di questo complesso organo si evidenziano due porzioni distinte: il
diencefalo e il telencefalo. Il diencefalo è costituito dal talamo responsabile della
modulazione della coscienza dell’individuo, dall’epitalamo contenente l’epifisi, e
12
dall’ipotalamo. Quest’ultimo, oltre a garantire l’omeostasi corporea, regola
l’appetito, il bilancio idrico, la pressione arteriosa, la temperatura, la frequenza
cardiaca.
Per sistema limbico inoltre si intende una serie di strutture poste centralmente
all’encefalo responsabili di risposte conscie e inconscie. Il cervello può essere
suddiviso in quattro regioni denominate lobo frontale, lobo temporale, lobo parietale
e lobo occipitale.
1.1.5. La corteccia cerebrale e le funzioni dei lobi
Le funzioni cerebrali sono localizzate principalmente nella corteccia che ricopre gli
emisferi cerebrali. In ciascuno dei due emisferi la sovrastante corteccia è suddivisa in 4
lobi anatomici distinti: frontale, parietale, occipitale e temporale. Questi lobi possiedono
funzioni specializzate.
Il lobo frontale è deputato, in gran parte, alla programmazione delle azioni di controllo
del movimento. Quello parietale alla percezione di sensazioni somatiche e alla
rappresentazione della propria immagine corporea. Il lobo occipitale è connesso con la
visione mentre quello temporale con l’udito e con alcuni aspetti della memoria,
dell’apprendimento e del comportamento emotivo.
Ciascun lobo possiede una serie di circonvoluzioni o ripiegamenti caratteristici.
Figura 7: Lobi cerebrali
13
Le peculiarità nell’organizzazione della corteccia cerebrale sono essenzialmente due. In
primo luogo ciascun emisfero è correlato con i processi sensitivi della parte opposta del
corpo; le vie nervose afferenti che entrano nel midollo spinale dal lato destro del corpo,
infatti, passano nella parte sinistra prima di arrivare alla corteccia cerebrale. In altre
parole, le aree motrici di un emisfero controllano i movimenti della metà opposta del
corpo. In secondo luogo, i due emisferi, pur essendo complementari e strutturati
similmente, non sono completamente simmetrici e ciò comporta delle differenze dal
punto di vista funzionale. La divisione in solo quattro lobi, tuttavia, non risulta
sufficiente per definire tutte le aree e le specifiche funzioni che un individuo può
svolgere.
Pur essendo stati proposti diversi tipi di suddivisione della corteccia cerebrale, la
classificazione più accreditata è quella di Brodmann che ha individuato ben 52 diverse
aree all’interno della corteccia. Ognuna è stata conseguentemente trovata la specifica
funzionalità. Lesioni di determinate aree, però, non compromettono totalmente lo
svolgimento di una attività. Le funzioni di alto livello sono, infatti, delocalizzate e
conferiscono al cervello una notevole plasticità.
Figura 8: Aree di Brodmann
14
1.2. Il Sistema Nervoso Periferico
Il sistema nervoso periferico è composto dai nervi periferici la cui funzione è quella di
collegare il cervello e il midollo spinale con muscoli, organi di senso o appartenenti ai
sistemi circolatorio, escretore, respiratorio o digerente. I nervi periferici ospitano i gli
assoni dei neuroni sensoriali e di quelli motori. I primi trasmettono al SNC i segnali
provenienti da tutto il corpo, mentre i secondi trasmettono la risposta del sistema
nervoso centrale agli organi bersaglio o ai muscoli.
La porzione motoria del sistema nervoso periferico può essere suddivisa in due parti: il
sistema nervoso somatico e il sistema nervoso autonomo.
I neuroni del sistema nervoso somatico stabiliscono sinapsi con i muscoli scheletrici e
controllano il movimento volontario. I loro corpi cellulari si trovano nella sostanza
grigia del midollo spinale, e i loro assoni raggiungono direttamente i muscoli
controllati.
I neuroni del sistema nervoso autonomo controllano invece le risposte involontarie e
stabiliscono sinapsi con il cuore, i muscoli lisci e le ghiandole; è controllato sia dal
midollo allungato sia dall'ipotalamo. Un’ulteriore suddivisione è quella che scompone il
sistema nervoso autonomo in sistema nervoso simpatico e sistema nervoso
parasimpatico.
Il sistema nervoso simpatico agisce sugli organi interni in modo da preparare
l'organismo ad affrontare un'attività dispendiosa da un punto di vista energetico: battito
cardiaco, irrorazione dei muscoli, dilatazione delle pupille, espansione delle vie aeree
per un maggiore afflusso di ossigeno.
Il sistema nervoso parasimpatico è invece associato ad attività caratteristiche dei
momenti di ozio, come ad esempio la fase digestiva postprandiale. Inoltre gli assoni
parasimpatici si trovano nei nervi che hanno origine dall'encefalo e dalla base del
midollo spinale.
Al contrario, gli assoni simpatici si trovano nei nervi che hanno origine dalle sezioni
mediana e inferiore del midollo spinale.
15
In entrambi i sistemi, simpatico e parasimpatico, si trovano neuroni che trasmettono
messaggi in sequenza dal sistema nervoso centrale a ciascun organo bersaglio, ma le
sinapsi che stabiliscono sono localizzate in sedi diverse.
Nel sistema nervoso simpatico la sinapsi è localizzata nei gangli vicini al midollo
spinale, mentre nel sistema nervoso parasimpatico la sinapsi è localizzata nei gangli più
piccoli situati intorno o in prossimità di ciascun organo bersaglio.
16
CAPITOLO 2
Modalità di rilievo dell’attività cerebrale
Il cervello, nella sua complessità e macchinosità ha da sempre affascinato l’uomo.
Ippocrate di Kos (V secolo a.c.) scrisse: “..e dal cervello e soltanto dal cervello
prendono origine i nostri piaceri, la gioia, il riso, il gesto, come pure la tristezza, il
dolore, la depressione, le lacrime. Attraverso il cervello pensiamo, vediamo, ascoltiamo
e distinguiamo il bello dal brutto, il male dal bene...”.
Gli sviluppi ottenuti nel campo della ricerca riguardante la rilevazione della attività
cerebrale, hanno consentito di evidenziare la sempre più stretta relazione tra specifiche
funzioni e determinate aree del cervello.
Il connubio tra la neuroanatomia, in grado di descrivere i vari elementi dell’encefalo, e
la neurofisiologia, che analizza il comportamento delle singole aree, ha dato risultati il
più delle volte sorprendenti e avveniristici.
Tutto questo, insieme alla neuro ingegneria, ha permesso di elaborare sistemi di
rilevazione dei dati cerebrali utili alla visualizzazione e all’interpretazione degli stessi.
2.1. La Brain Imaging
Lo sviluppo di tecniche neuroradiologiche nel campo di Neuroimaging o Brain Imaging
sempre più avanzate, ha consentito di conoscere meglio la neurofisiologia del sistema
nervoso e le patologie cerebrali.
Per Functional neuroimaging (Neuroimaging Funzionale) si intende l’utilizzo di
tecniche di neuroimaging il cui obiettivo è quello di stimare il metabolismo cerebrale
per consentire l’analisi e lo studio della correlazione tra specifiche aree cerebrali e
determinate funzioni.
17
Queste metodiche, a partire proprio dalle variazioni emodinamiche frutto dell’attività
nervosa, sono in grado di individuare le aree attivate nel cervello. Infatti, maggiore è
l’attività funzionale di un dato tessuto cerebrale, maggiore è il suo metabolismo. Come
risultato si avrà un aumento di richieste energetiche in termini di ossigeno e glucosio.
Le cellule nervose, e in particolare i neuroni, sono caratterizzate da una necessità
continua di apporto di energia che, come è noto, all’interno del corpo umano, è fornito
dal sangue. In tal modo, le aree deputate in un determinato istante allo svolgimento di
una funzione, saranno contraddistinte da un aumento localizzato di flusso ematico che
consente un maggior apporto di ossigeno e glucosio. Le immagini ottenute con le
metodiche di Neuroimaging hanno la peculiarità di essere in vivo e non invasive,
rappresentando così un rilevante passo avanti. Le tecniche a cui si fa maggior
riferimento sono la "single photon emission computerized tomography" (SPECT), la
"positron emission tomography" (PET), la "functional magnetic resonance imaging"
(fMRI) e la "magnetoencephalography" (MEG).
2.1.1.
SPECT e PET
La tomografia ad emissione di singolo fotone (Single Photon Emission Computerized
Tomography, SPECT) e la tomografia ad emissione di positroni (Positron Emission
Tomography, PET) sono due tecniche diagnostiche tomografiche che permettono di
ottenere, in vivo e in modo non invasivo, mappe di distribuzione di un tracciante
radioattivo in specifiche aree dell’organismo. Le metodiche PET e SPECT si traducono,
quindi, in una somministrazione, il più delle volte endovenosa, di un tracciante
radioattivo, nella successiva rilevazione delle radiazioni, e nella traduzione in immagini
tomografiche. Pur avendo molte analogie, la PET e la SPECT differiscono per i sistemi
di rilevazione delle radiazioni e per i traccianti radioattivi usati nell’esame.
Per quanto riguarda la PET (Tomografia ad Emissione di Positroni), oltre ad essere
molto costosa, è presente solo in centri specializzati. Il principio su cui si basa è
l’utilizzo di un composto radioattivo come tracciante e la visualizzazione del
decadimento delle molecole che lo costituiscono. Tale decadimento, infatti, provoca la
liberazione di positroni e cioè elettroni positivi. A loro volta, i positroni sono soggetti a
scontro che da luogo alla propagazione di radiazioni elettromagnetiche gamma. Le
18
radiazioni, dopo essere state registrate ed elaborate elettronicamente, vengono usate per
la formazione di immagini che permettono la localizzazione delle aree da cui hanno
origine. La PET, dunque, consente di individuare la regione cerebrale caratterizzata da
un accumumo di radiotracciante. Con l’uso ad esempio di glucosio radioattivo, è
possibile determinare le zone cerebrali con un metabolismo particolarmente attivo in un
determinato istante. Questo accade durante l’esecuzione di un compito o in casi di
epilessia o tumori.
La PET, per esami di attività cerebrale, viene sempre più sostituita dalla fMRI o
risonanza magnetica funzionale, caratterizzata da un risoluzione temporo-spaziale
maggiore e in cui non è necessario l’uso di sostanze radioattive
La PET mantiene una importanza sostanziale per lo studio scientifico del legame di certi
farmaci a determinati tipi di recettori cerebrali.
Figura 9: Tipica immagine PET
La SPECT (ovvero tomografia computerizzata a emissione di fotoni singoli) è una
tecnologia simile alla PET ma più semplice, in quanto pur utilizzando anch’essa
composti radioattivi, questi emettono in modo diretto le radiazioni elettromagnetiche
gamma. Può essere impiegata per visualizzare una riduzione dell'attività cerebrale
causata da malattie neurodegenerative e per confermare la loro diagnosi. Può anche
19
aiutare a evidenziare processi di neurodegenerazione focali come le demenze frontotemporali. Non è richiesta comunque nella diagnosi di routine, perché nella maggior
parte dei casi (malattia di Alzheimer e demenze cerebrovascolari) non aumenta la
precisione diagnostica.
2.1.2.
Dalla Risonanza Magnetica alla fMRI
La risonanza magnetica è uno degli esami radiologici odiernamente più rilevanti in
neurologia. Esso utilizza campi magnetici ed è quindi una tecnica totalmente innocua
che assicura, inoltre, una buona risoluzione delle strutture cerebrali e spinali.
La RM è eseguita facendo uso o meno di iniezioni endovenose di mezzi di contrasto che
a differenza di quelli utilizzati nelle TAC, comportano pochi rischi per il paziente.
Questo mezzo di contrasto permette la visualizzazione di processi infiammatori o di
tessuti molto vascolarizzati (es. tumori).
Figura 10: Encefalo in Risonanza Magnetica
Uno degli sviluppi più importanti della RM è la risonanza magnetica funzionale che,
pur non avendo impieghi clinici, risulta molto utile negli studi scientifici. Mediante la
fMRI, infatti, si è in grado di determinare la distribuzione delle singole funzioni
cerebrali (linguaggio, musicalità, comportamenti e immaginazione)
20
La fMRI è una tecnica che sfrutta le proprietà magnetiche dei nuclei degli atomi
costituenti la materia e il nostro corpo. I segnali di risonanza delle molecole
magnetizzabili sono rilevati grazie all’aiuto di campi magnetici e onde radio. Quando
eseguiamo un compito, ad esempio la lettura di una parola, il movimento di una mano o
il riconoscimento di una immagine, alcune aree cerebrali specifiche vengono chiamate
allo svolgimento di quella funzione. In termini di attività, quelle aree sono anche
caratterizzate, durante l’espletamento del compito, da un maggiore consumo di
ossigeno. Come risulato, si ha una variazione del rapporto tra ossiemoglobina e de
ossiemoglobina nelle regioni attivate. Questa variazione può essere rilevata dal segnale
di risonanza magnetica e usata per la formazione di immagini molto utili. Queste aree,
dal punto di vista del segnale di risonanza, sono caratterizzate dal cosiddetto effetto
BOLD (Blood Oxygenation Level Dependent). L’esame consiste nel posizionamento
della testa del soggetto in una bobina a radiofrequenza e nell’esposizione a campi
magnetici e onde radio che non vengono percepiti dal paziente. L’azione delle onde
radio sui tessuti provoca l’oscillamento delle molecole, che risuonando, sono in grado di
emettere segnali.
I segnali emessi vengono rilevati e successivamente analizzati da un computer. Le
immagini di attivazione che vediamo non sono delle foto istantanee perchè la fMRI, a
differenza della risonanza magnetica su cui si basa, produce immagini indirette rispetto
a ciò che accade nel cervello. Sono frutto di un’elaborazione di dati statistica e
rappresentano un effetto secondario dell´attività neuronale che è molto più rapida. Sono
delle mappe della distribuzione di questo effetto su tutto il cervello. Per consentire
l’elaborazione statistica è importante che il paziente in esame ripeta lo stesso compito
più volte, in modo tale da permettere la traduzione dei dati in una mappatura delle
funzionalità cerebrali.
21
2.1.3.
La Magnetoencefalografia
La MEG (Magnetoencefalografia) è una tecnica che misura i deboli campi magnetici
prodotti dall’attività del cervello umano. Questi campi sono il risultato dell’attività
sincrona di migliaia di neuroni. Dalla distribuzione dei campi è possibile risalire alla
regione cerebrale attivata.
Per esempio, dopo stimolazione di vari punti della pelle è possibile calcolare le aree in
cui sono proiettati questi punti nella corteccia cerebrale .
Permette quindi di ottenere in modo non invasivo una mappa funzionale del cervello di
un individuo.
Figura 11: Esame MEG ed elmetto con sensori SQUID
La magnetoencefalografia prevede l’uso di un elmetto contenente da 150 a 300 sensori,
denominato SQUID, come quello che si può vedere in figura. Gli SQUID permettono di
convertire l’energia magnetica in impulsi elettrici, di sicuro più facili sia da registrare
che da analizzare. Le registrazioni MEG vengono poi sovrapposte a immagini
tridimensionali ottenute con la RMN. Oltretutto, i risultati magnetoencefalografici,
22
possono essere combinati con i risultati ottenuti con la risonanza magnetica. Questa
combinazione consente di raccogliere in modo simultaneo una quantità di informazioni
sull’attività e sull’anatomia del cervello altrimenti inimmaginabili.
2.1.4.
NIRS
La spettroscopia ottica nel vicino infrarosso (NIRS ovvero near infrared spectroscopy) è
la tecnica introdotta più di recente nell’ambito degli studi non invasivi del cervello.
Nell’intervallo spettrale da 600 nm a 1000 nm, la radiazione ottica può infatti penetrare
nei tessuti biologici per alcuni centimetri sfruttando il basso assorbimento dei principali
cromofori endogeni. Per effetto delle microscopiche discontinuità nell’indice di
rifrazione dei tessuti biologici causate dalla presenza di un numero elevato di strutture
con dimensioni e forme differenti, la radiazione ottica NIR subisce molteplici eventi di
diffusione che non solo determinano la ridistribuzione della luce nel tessuto in un ampio
volume, ma causano anche la riemissione dei fotoni in prossimità dei bordi geometrici
del tessuto, permettendo così un’indagine non invasiva del mezzo attraversato.
Nell’ambito delle tecniche NIRS, la tecnica nota come spettroscopia di riflettanza
utilizza una coppia di fibre poste ad una distanza di alcuni centimetri per sondare in
modo non invasivo le proprietà ottiche di un tessuto biologico. L’analisi spettrale della
luce riemessa consente infine di determinare la concentrazione dei costituenti in vivo. In
particolare, la tecnica NIRS può ottenere informazioni sull’emodinamica e sul
metabolismo ossidativo nei muscoli e nel cervello sfruttando le differenti proprietà
ottiche di HHb e O Hb.
I sistemi NIRS per il monitoraggio funzionale non invasivo dell’attività cerebrale
devono essere compatti, veloci (tempo di acquisizione minore di 1 s e dotati di capacità
di acquisizione multipla. Sin dalle prime applicazioni della tecnica fNIRS, sono stati
sviluppati tre approcci fondamentali: spettroscopia in continua (continous wave fNIRS,
fNIRS-CW), nel dominio delle frequenze (frequency domain fNIRS, fNIRSFD) e
risolta nel tempo (time-resolved fNIRS, fNIRS-TR). Nei sistemi fNIRS-CW si inietta
nel tessuto una luce con potenza costante (fornita da una lampada, da un LED o un
laser) e si rivela la diminuzione di ampiezza della luce incidente. Nei sistemi fNIRS-FD
23
si utilizzano sorgenti di luce modulata in ampiezza e si registra la diminuzione di
ampiezza e lo sfasamento della luce riemessa.
Infine, nei sistemi fNIRS-TR si investe il tessuto con impulsi laser ultracorti e si registra
la distribuzione temporale dei fotoni diffusi. Grazie al costo relativamente modesto, alla
semplicità e alla solidità generale, i sistemi fNIRS-CW sono stati ampiamente impiegati
non solo in ricerca di base, ma anche in applicazioni precliniche portando allo sviluppo
di strumenti commerciali.
Più recentemente, sono stati usati con efficacia anche prototipi e strumenti fNIRS-FD.
Il vantaggio potenziale dei sistemi fNIRS-TR è la possibilità di ottenere maggiori
informazioni sul mapping funzionale del cervello umano in virtù della discriminazione
tra i coefficienti di assorbimento e scattering del tessuto cerebrale (cosa non possibile
con la tecnica fNIRS-CW e difficile con la fNIRS-FD), di una maggiore profondità di
penetrazione e di una migliore risoluzione spaziale rispetto alle altre tecniche ottiche.
La tecnica fNIRS può quindi rivelarsi un'interessante alternativa alla tecnica fMRI o
PET in quanto può essere utilizzata in un ambiente naturale, presso il letto del paziente,
su soggetti non collaborativi (es. bambini) e per compiti che richiedono un compito
motorio esplicito.
2.2. L’Elettroencefalografia
L’elettroencefalografia è una tecnica di rilievo dell’attività cerebrale che prevede la
registrazione dell’attività elettrica di superficie della corteccia, conseguenza dell’attività
sincrona di migliaia di neuroni. Il rilievo di tale attività avviene attraverso degli elettrodi
in argento rivestiti da AgCl e quindi costituisce una metodica non invasiva. Gli elettrodi
vengono posizionati a contatto della pelle nel cranio, ma, in genere, per ottenere una
maggiore facilità di utilizzo, vengono pre-posizionati su delle apposite cuffie secondo
determinati schemi.
I potenziali caratteristici di un EEG, frutto dell’attività dei neuroni, vanno dai 10 ai 150
µV. L’informazione principale di tali potenziali è la frequenza che varia nel range 0,440 Hz.
24
Le frequenze vengono divise in cinque bande associate a differenti stati mentali.
•
Delta: la frequenza varia nel range 1-3 Hz. Rilevabili nelle zone temporoparietali
dei bambini, sono spesso presenti in individui adulti sottoposti a stress
emozionale.
•
Theta: la frequenza varia nel range 4-7 Hz. Sono indice di sonno profono
dell’individuo. Presentano un’ampiezza oscillante tra 1 e 200 µV.
•
Alpha: occupano la banda 8-12 Hz. Hanno un’ampiezza che si aggira intorno ai
50 µV e sono rilevabili in zona occipitale. Corrispondono a una condizione di
veglia con occhi chiusi o ad uno stato di riposo.
•
Beta: la frequenza varia da 13 a 30 Hz. Si classificano in due diverse tipologie. Il
tipo 1 somiglia all’onda alpha successiva ad una apertura oculare mentre il tipo 2
è corrispondente ad un’attività intensa del SNC conseguente all’assunzione di
droghe.
•
Gamma: occupano il range 37-42 Hz e sono associate alla risoluzione dei
problemi e ad altre elevate attività mentali
Figura 12: Bande Beta ed Alpha: differenze in ampiezza
25
Ovviamente questi segnali devono essere letti da un dispositivo elettronico e
successivamente interpretati. La conduzione elettrica di questi segnali verso il
dispositivo di lettura avviene tramite gli elettrodi. Lo schema di posizionamento più
usato è il sistema 10-20.
Figura 13: Schema di posizionamento 10-20
Ciascun elettrodo è segnalato da una sigla che identifica la regione della corteccia su cui
è posizionato (Fp=Fronto-parietale, F=Frontale, C=Centrale, P=Parietale, T=Temporale
e O=Occipitale) e uno dei due emisferi (dispari=emisfero sinistro, pari=emisfero
destro).
Le registrazioni elettroencefalografiche fanno ricorso ad una coppia di elettrodi;
ciascuna coppia costituisce uno specifico canale per il dispositivo di lettura
corrispondente alla differenza di potenziale tra i due elettrodi.
Di consuetudine viene utilizzato un terzo elettrodo per collegare del soggetto della
registrazione a terra; questo per evitare l’effetto dannoso che possibili scariche elettriche
provenienti dall'apparecchiatura, possono avere sul corpo del soggetto.
26
2.2.1.
Il Tracciato
Come precedentemente detto, l’EEG rileva l’attività cerebrale di tipo elettrico attraverso
degli elettrodi superficiali posti sul cranio. Il cambiamento fluttuante e continuo di tale
attività provoca, tra i vari elettrodi, delle piccole differenze di potenziale che vengono
registrate nel corso del tempo. In tal modo si ottiene un tipico tracciato EEG.
Ogni elettrodo utilizzato per l’esame è indice dell’attività della zona cerebrale più vicina
e questo consente all’EEG di fornire informazioni anche sulla localizzazione. In caso di
stimolazione sensoriale o di attività psichica, i suoi risultati appaiono evidenti
all’interno del tracciato.
Figura 14: Differenze tra le bande a seconda delle condizioni dell'individuo
ed effetti sull'EEG dell'apertura degli occhi
27
Già lo stesso Hans Berger, primo studioso, agli inizi del ‘900 dell’elettroencefalografia,
notò come la sola apertura degli occhi causasse una variazione della banda alpha. Il
proseguire degli studì dimostrò, negli anni ‘70, che queste variazioni della banda alpha,
denominate ritmi µ, sono presenti sopra l’area motoria in preparazione ad un
movimento volontario (de sincronizzazione alpha).
Oltre questo, parve evidente come questo processo fosse seguito da oscillazioni della
banda beta (sincronizzazione beta). Questi due fenomeni possono, quindi essere visti
come l’inizio e la fine di un movimento da parte del soggetto. Studi recenti hanno
dimostrato come anche la sola immaginazione di tale movimento, produca questi effetti
misurabili con un EEG. Proprio su questo si basa la ricerca volta allo sviluppo delle
Brain- Computer Interface.
2.2.2. Potenziali evocati
I potenziali evocati si definiscono come la risposta cerebrale ad uno stimolo sensoriale.
Generalmente, data la bassa ampiezza, questa risposta si confonde con l'attività
elettroencefalografica di fondo. Tuttavia, se si fa la media delle risposte ad un numero
congruo di stimoli uguali, è possibile far emergere la risposta direttamente
corrispondente a quel dato stimolo. L’obiettivo di tale tipo di stimolazione è quello di
verificare la funzionalità della specifica via sensoriale analizzata.
Figura 15: Modalità di rilievo di un Potenziale Evocato
28
Esistono quindi specifici test per le varie modalità sensoriali:
Potenziali Evocati Somatosensoriali (PESS): consistono nella stimolazione
con piccole scosse elettriche del tronco nervoso. Viene utilizzato un nervo al
polso per gli arti superiori, o alla caviglia (per gli arti inferiori).
Successivamente si registra l'impulso sensitivo lungo il decorso del nervo.
Potenziali Evocati Motori: vengono eseguiti stimolando la corteccia cerebrale
o il midollo spinale con un magnete. Lo stimolo provoca una risposta motoria
che viene registrata a livello dei muscoli degli arti superiori ed inferiori con
elettrodi di superficie. Consente di valutare la funzionalità delle vie motorie.
Potenziali Evocati Acustici (PEA o BAERS): vengono eseguiti facendo
ascoltare dei toni puri da un lato e mascherando la parte opposta con rumore
bianco. Permettono di esplorare le vie acustiche nel loro percorso lungo il tronco
dell'encefalo.
Potenziali Evocati Visivi (PEV): consistono nel far fissare al soggetto uno
schermo che alterna ritmicamente un'immagine. Si registra la risposta dalle
regioni occipitali con elettrodi di superficie.
Figura 16: Rilievo di un PEV
29
Potenziali Evocati Evento-Correlati (ERPs): consistono nel far riconoscere al
soggetto degli stimoli acustici o visivi infrequenti che vengono intercalati ad
altri stimoli molto più frequenti ma con caratteristiche diverse e registrando una
specifica risposta di riconoscimento che si genera a livello cerebrale.
Figura 17: Differenza di scala tra EEG ed ERP
Le risposte elettriche relativamente piccole a eventi specifici possono essere osservate,
ad esempio, estraendo la media dei tracciati EEG su una serie di prove, ovvero facendo
ricorso alla tecnica dell’averaging. Le ampie oscillazioni di fondo dell’EEG rendono
possibile rilevare con una singola prova la risposta evocata dallo stimolo sensoriale.
Calcolando la media di molteplici successioni di stimoli uguali, il rumore di fondo
dell’EEG viene eliminato e resta soltanto il potenziale evento-correlato (ERP). Si noti in
figura 17 la differenza di scala tra le onde dell’EEG e le onde dell’ERP.
30
Figura 18: Potenziale Evocato Uditivo che evidenzia un'onda P300
In figura 18 possiamo osservare un potenziale evocato uditivo che evidenzia un’onda
P300. L’attribuzione di un significato da parte del soggetto, determina la comparsa
dell’onda o click che avvisa dell’arrivo di uno stimolo.
Convenzionalmente le onde elettroencefalografiche positive sono delle deflessioni verso
il basso.
31
CAPITOLO 3
I Sistemi BCI
Una delle direzioni più importanti che lo sviluppo tecnologico sta seguendo è quello di
fornire alle persone diversamente abili la possibilità di conquistare una maggiore qualità
della vita. Tutto ciò impiegando dispositivi di tipo elettronico che consentono una vera e
propria interazione con il mondo esterno.
Le possibilità di comunicazione offerte da una BCI consentono di interagire con il
mondo circostante anche a persone impossibilitate ad effettuare movimenti di alcun
tipo; questo a patto che il soggetto venga istruito e che sia presente un feedback
prodotto da un monitor.
In un’epoca in cui l’interazione con l’ambiente digitale che ci circonda è sempre più
complessa e frequente, il coinvolgimento sempre più diretto e attivo dell’utente è
auspicato dall’evoluzione di un nuovo progetto, ovvero la connessione tra la mente
stessa e il computer.
Di seguito verrà spiegato più in dettaglio cosa si intende per Brain-Computer Interface.
3.1. Definizione di BCI
Una Brain Computer Interface o BCI è definibile come un protocollo di comunicazione
tra sistema nervoso centrale e un dispositivo, il cui obiettivo è quello di creare una
connessione immediata tra cervello e computer.
In tal modo si offre una nuova modalità di comunicazione che non prevede l’uso
dell’apparato muscolare. Una BCI converte i comandi provenienti dal cervello in azioni
effettuabili all’interno di un computer.
32
Attualmente è già possibile controllare, sfruttando questi principi, delle protesi articolari
utilizzando rilevatori per elettroencefalogrammi. Un qualsiasi dispositivo che monitora
e registra le attività cerebrali può essere parte di una BCI.
Un algoritmo è conseguentemente deputato alla traduzione dei dati rilevati in un
linguaggio comprensibile alle macchine.
Questo principio rappresenta una notevole opportunità per persone con ridotte capacità
motorie; esso è in grado, infatti di offrire canali di comunicazione che non dipendono
dai normali canali di uscita del cervello come nervi periferici e muscoli. I segnali
cerebrali saranno utilizzati per muovere un braccio robotizzato o una neuroprotesi.
Tutto quello che una BCI esegue, è rilevare determinati pattern dal cervello,
discriminare una volontaria modifica di questi e tradurla in una specifica azione.
Ovviamente questo dispositivo ha bisogno di un’affidabile strumento per il rilievo
dell’attività mentale dell’uomo; queste possono richiedere l’uso di procedure invasive
(inserimento di elettrodi nel cervello), o essere sofisticate tecniche di brain imaging. Per
progettare una BCI è necessario valutare, tra tutte le modalità descritte nel capitolo 2,
quale sia la più adatta.
Figura 19: Scopo di una BCI
33
3.2. Scelta del sistema di rilievo
Con il termine Brain Imaging, abbiamo detto che si intendono tutte le tecniche di analisi
cerebrale nelle sue componenti funzionali e strutturali. Le immagini sono ottenute in
modo non invasivo e con tali metodi sono stati raggiunti sviluppi importanti per la
prevenzione e la diagnosi di patologie neurologiche e psichiatriche.
I dispositivi MEG e fMRI sono molto voluminosi e costosi e limitano le loro
applicazioni in ambienti specializzati. I NIRS hanno dimensioni più ridotte e sono meno
costosi e si basano, come già detto, sulla risposta dinamica del flusso sanguigno
cerebrale. Questo rende il processo di analisi più lungo e non adatto ad applicazioni in
tempo reale, prerequisito essenziale per costituire una BCI.
Tra i parametri descrittivi di una immagine, infatti, è importante ricordare la risoluzione
spaziale e quella temporale.
Per risoluzione spaziale, si intende la possibilità di distinguere oggetti piccoli e
ravvicinati (ad esempio un sistema di barre nere alternate a spazi chiari). Questo tipo di
risoluzione viene normalmente espressa nel dominio della frequenza spaziale (cl/mm).
Si definisce risoluzione spaziale di un sistema d’imaging, il massimo numero di coppie
di linee per unità di distanza che possono essere contate correttamente.
La risoluzione temporale di una tecnica di immagine, invece, indica quante immagini
possono essere acquisite nell’intervallo di tempo ed è ovviamente dipendente dal tempo
richiesto per l’acquisizione di una singola immagine.
PET, SPECT e fMRI sono tecniche caratterizzate da un’elevata risoluzione spaziale, ma
hanno l’inconveniente di avere una bassa risoluzione temporale.
Questo non accade con EEG e MEG, caratterizzate da elevata risoluzione temporale che
permette di seguire l’evoluzione dei processi nervosi. Tali processi costituiscono la base
per un’analisi dell’informazione sensoriale o della nascita di un programma motorio.
Queste tecniche consentirebbero, inoltre, di avere apparecchiature meno ingombranti.
I segnali MEG hanno il vantaggio di non essere influenzati dalle proprietà dielettriche e
resistive dei tessuti e non hanno bisogno di un potenziale di riferimento elettrico.
Questo lascerebbe pensare che sia il sistema più adatto per costruire una BCI. In verità
questo presenta diversi limiti. Primo tra tutti il numero eccessivamente basso di siti di
registrazione simultanea. In secondo luogo il notevole impegno in termini di tempo e di
34
strutture hardware e software di cui la mappatura delle sorgenti dei campi magnetici
necessita. In ultimo l’alto costo delle attuali tecnologie di registrazione.
Seppur il segnale elettroencefalografico sia di difficile analisi poiché i fenomeni di
interesse sono completamente immersi nell’EEG di fondo, la sua non invasività, la
facile reperibilità e il suo semplice utilizzo hanno fatto sì che le ricerche si dirigessero
verso l’analisi e l’approfondimento di questa tecnica di acquisizione. L’obiettivo è
quello di riconoscere lo stato mentale del soggetto tramite il segnale EEG; questo
garantirebbe la costruzione di un dispositivo portatile utilizzabile come Brain-Computer
Interface. Quest’ultima può sottoporre i dati EEG a una serie di processamenti che ne
estraggono degli indici qualitativi. La loro variazione nel tempo è usata come input per
algoritmi di decisione frutto dello stato mentale del soggetto.
Ovviamente l’EEG deve essere sensibile all’immaginazione di atti motori, deve cioè
poter variare durante un compito immaginativo rispetto a una situazione di riposo. Una
BCI basata su una attività endogena e cioè su attività elettroencefalografica generata
internamente al soggetto, consente all’utente, dopo un periodo di addestramento, la
generazione autonoma di pattern per la comunicazione e il dialogo.
Rilevante ai fini della comunicazione corretta, è l’utilizzo di un feedback per consentire
al soggetto di modulare il proprio EEG facendo ricorso al canale visivo. L’utente non fa
altro che imparare a modificare le composizioni elettriche della sua attività cerebrale.
L’interazione diretta necessita l’acquisizione e l’analisi dei segnali in tempo reale così
da permetere un’istantanea interpretazione.
Analizziamo ora la struttura di una Brain- Computer Interface.
3.3. Struttura di una BCI
Per comprendere come una BCI si sviluppi, è molto utile fare riferimento ad uno
schema a blocchi (figura 20). La prima parte è costituita da un sistema di acquisizione
che permette di registrare l’attività cerebrale del soggetto. In secondo luogo, i segnali
devono essere pre-elaborati in modo tale da eliminare gli artefatti costituiti dall’attività
oculare o muscolare. Successivamente, mediante l’analisi e la traduzione, vengono
estratte le caratteristiche rilevanti ai fini dell’invio di comandi e controlli.
35
Acquisizione dei
segnali
Preelaborazione
dei segnali
Analisi e
classificazione
Traduzione
DISPOSITIVO
CONTROLLATO
UTENTE
Figura 20:: Schema a blocchi del percorso del segnale in una BCI
Ovviamente per capire l’importanza di ciascuno step, è utile considerarli singolarmente.
Come precedentemente affermato, il metodo di rilievo più adatto per la costruzione di
una BCI è quello della elettroencefalografia; scomponiamo
scomponiamo il percorso del segnale
acquisito proprio con tale tecnica.
tecnica
3.3.1.
Acquisizione dei segnali EEG
Il sistema
stema di acquisizione di una BCI ne determina sicuramente la qualità. Nel capitolo
precedente
abbiamo
ampiamente
descritto
i
principi
sui
quali
si
basa
l’elettroencefalografia.
I segnali EEG, tuttavia, necessitano di molteplici operazioni prima di poter essere
tradotti in comandi o controlli per il dispositivo. Prima tra tutti, è l’amplificazione dei
segnali stessi. I deboli segnali elettrici provenienti dagli elettrodi, devono essere
amplificati per poter essere letti con una risoluzione maggiore. In questa operazione
viene utilizzato
to un amplificatore per strumentazione realizzato sulla base di un semplice
amplificatore differenziale. Esso è un tipo di amplificatore capace di fornire in uscita
un segnale pari alla differenza dei segnali ai suoi due ingressi. È caratterizzato da una
elevata precisione e una bassa tolleranza agli errori. Il suo massimo impiego è la
misurazione di segnali di debole entità. La caratteristica fondamentale di questo tipo di
amplificatore è la capacità di eliminare l’effetto di disturbo comune ai due ingressi.
ingres Ciò
permette di migliorare le qualità del segnale amplificato,
amplificato eliminando le interferenze
36
elettromagnetiche comuni ai due ingressi. Questo tipo di insensibilità alla componente
di segnale comune presente contemporaneamente ai due ingressi, è denominata rapporto
di reiezione in modo comune o CMRR, inversamente proporzionale all'amplificazione
in modo comune. Una minore amplificazione di modo comune è un fattore positivo
poiché correlato all’amplificazione delle interferenze trasportate, quindi un rapporto di
reiezione del modo comune alto è una caratteristica positiva per un amplificatore.
Il secondo step dell’acquisizione dei segnali EEG, si identifica in un primo filtraggio
passa alto (AC-coupler o accoppiatore in alternata) che elimina l’eventuale componente
continua presente nel segnale di polarizzazione degli elettrodi. Tale componente, se
successivamente amplificata, causerebbe la saturazione degli amplificatori.
Nei moderni EEG è presente il DRL o Driven Right Leg, realizzato da un integratore
invertente, che permette di isolare il paziente da scariche di corrente pericolose se
collegato direttamente a massa.
Il range di frequenze indesiderate maggiori di quelle elettroencefalografiche vengono
eliminate con un filtraggio passa basso conseguente alla prima amplificazione del
segnale, che consente di eliminare anche gli effetti di aliasing durante il
campionamento. Questo è l’ultimo step che il segnale percorre prima dell’elaborazione.
Il campionamento viene effettuato facendo ricorso ad un convertitore analogicodigitale; il segnale viene quantizzato in una serie di bit interpretabili da un dispositivo
elettronico.
Ovviamente bisogna evitare effetti indesiderati di campionamento, rispettando la regola
che impone una frequenza di campionamento minimo due volte superiore della
larghezza di banda del segnale da campionare (come noto, nel caso di un segnale EEG
la larghezza di banda è di circa 40Hz).
La qualità del segnale digitalizzato dipende in principal modo dalla risoluzione di
quantizzazione, cioè dal numero di bit utilizzati per rappresentare un valore di tensione,
e dalla frequenza di campionamento. Maggiore è la quantizzazione e migliore è la
risoluzione.
Dopo il campionamento, il segnale viene trasmesso ad un computer o ad un dispositivo
hardware/software per l'elaborazione.
37
3.3.2.
Preprocessamento del segnale
Dopo l’acquisizione, il nostro segnale può subire una elaborazione iniziale. In questa
fase verranno identificati ed eliminati particolari tipi di interferenze e artefatti di origine
cardiaca, oculare o muscolare. Questi ultimi verrebbero sicuramente individuati
all’interno del tracciato elettroencefalografico da personale specializzato, ma ciò
impedirebbe una loro eliminazione in tempo reale. L’artefatto più rilevante, è stato
dimostrato essere quello derivante dal movimento oculare e dal battito delle palpebre.
Figura 21: Tracciato privo di artefatti
Figura 22: Tracciato con artefatto oculare
38
L’aumento di potenziale provocato tra cornea e retina è di circa 100 mV; ciò comporta
notevoli scostamenti in ampiezza e in frequenza che impediscono una normale lettura
del traccia EEG.
Come vedremo più approfonditamente nei capitoli 4 e 5, esistono vari metodi per la
rimozione di questi disturbi alla lettura. Questi si classificano in procedure di reiezione e
di sottrazione. Le prime consistono nello scartare parte del tracciato EEG contaminato
dagli artefatti, in base a individuazioni automatiche o visuali. Le seconde interpretano il
tracciato EEG come sintesi del segnale elettroencefalografico vero e proprio, e dei
segnali generati da fonti di disturbo; un elettrooculogramma consente il rilievo del
segnale relativo al movimento oculare che, tramite sottrazione, viene eliminato.
Tuttavia, nuovi metodi basati sulla Blind Source Separation, o separazione cieca delle
sorgenti, consentono, giustappunto, la separazione delle attività cerebrali da quelle
oculari o muscolari nelle registrazioni EEG.
3.3.3.
Analisi, classificazione e traduzione
Questo step del percorso del segnale è deputato all’analisi e all’estrazione delle
caratteristiche di interesse. Nelle rilevazioni dell'attività cerebrale nella banda µ nella
corteccia sensomotoria, vengono adottate tecniche di trasformazione del segnale nel
dominio delle frequenze, utilizzando, ad esempio, la trasformata di Fourier. La
trasformata di Fourier permette di rappresentare un segnale tempovariante come
sommatoria di sinusoidi a frequenze differenti con le relative fasi e ampiezze.
Le Brain Computer Interface fanno ricorso a trasformate nel dominio discreto del
tempo. Ciò permette di avere una rappresentazione frequenza/ampiezza del segnale
elettroencefalografico. Questa trasformata consente di ottenere, inoltre, lo spettro del
segnale e cioè una sua rappresentazione bidimensionale.
Un segnale può essere quindi analizzato in ampiezza a seconda della frequenza di
interesse; nel caso delle onde µ, le frequenze d'interesse variano da 8 a 13 Hz con un
picco a 9,1 Hz. Con una sessione di training, un soggetto ha la possibilità di controllare
l'ampiezza di questo intervallo di frequenze, ed è quindi in grado di utilizzare
quest'abilità per il controllo unidimensionale di un dispositivo (il cursore del mouse è il
dispositivo maggiormente utilizzato inizialmente).
39
Esiste, oltretutto, la possibilità di controllare dispositivi bidimensionali, misurando le
differenze tra i due emisferi. Controllando le onde che arrivano da uno o dall'altro
emisfero c'è la possibilità di muovere un dispositivo in 2 dimensioni migliorando
notevolmente l'uso pratico in un sistema BCI. Questi rilievi necessitano dell’utilizzo di
filtri spaziali in grado di determinare la posizione dell’attività cerebrale. Le
caratteristiche estratte sono soggette a traduzione in modo tale da inviare controlli al
cursore di un mouse come anche ad una protesi artificiale.
40
CAPITOLO 4
I potenziali Evento-Correlati
Come abbiamo approfondito nel capitolo 2, il tracciato elettroencefalografico può essere
visto come une rilevazione dell’attività elettrica cerebrale di tipo spontaneo e cioè non
associata ad un particolare evento. Si è anche visto che è possibile rilevare un’attività
cerebrale in risposta ad un determinato stimolo facendo riferimento ai potenziali
evocati. Per ciascuna stimolazione sensoriale, infatti, il cervello risponde con onde
rilevabili dal tracciato EEG. Studi sperimentali hanno provato che un dato potenziale
compare dopo intervalli all’incirca costanti dallo stimolo. L’ampiezza di tale risposta è,
tuttavia, di entità troppo ridotta rispetto all’attività rilevata dall’intero tracciato
elettroencefalografico. Diventa perciò indispensabile elidere le oscillazioni casuali e
indipendenti dalla zona di interesse. Dal tracciato si estrae quindi la risposta media di
una serie di risposte singole in modo tale da cancellare le variazioni di potenziale che
non sono sincronizzate con lo stimolo e da sommare quelle sincronizzate a condizione
che siano in fase. Dopo una serie di operazioni è possibile evidenziare questa onda
evocata media all’interno dell’intera attività rilevata. Questa sarà rappresentata da un
picco con polarità positiva o negativa.
Come già descritto in precedenza, i potenziali evocati possono essere stimolo-correlati o
evento-correlati. I primi dipendono esclusivamente dalle caratteristiche dello stimolo
agente sul soggetto, mentre i secondi sono legati al contesto psicologico del soggetto.
Questi potenziali sono delle vere e proprie modificazioni elettriche conseguenti ad un
determinato stimolo esterno. Nei potenziali evocati stimolo-correlati, queste
modificazioni sono delle risposte obbligate. I potenziali evento-correlati, a differenza
dei precedenti, sono dipendenti dal contenuto informativo dello stimolo. Essi
compaiono solo se il soggetto è attento allo stimolo o se è attribuito un significato.
41
Le neuroscienze cognitive hanno approfondito, proprio per questo motivo, gli studi su
questa tipologia di potenziali in quanto esse ambiscono, come già sappiamo, a correlare
le funzioni cognitive con le corrispondenti attività cerebrali.
Gli ERPs consistono quindi in delle variazioni dell’EEG. Le oscillazioni di potenziale e
le forme d’onda con deflessioni positive e negative, vengono definite componenti EEG.
La distribuzione dei campi superficiali dipende dall’area corticale attivata. La sede delle
componenti consente di determinare quale area corticale sia attiva in seguito ad una data
stimolazione. I potenziali evento correlati
sono, quindi,
manifestazioni nervose
correlate a stadi specifici della trasmissione e dell’elaborazione dell’informazione.
La problematica della localizzazione delle fonti , e quindi la localizzazione del tessuto
cerebrale attivo, è molto ostica dal punto di vista operativo. Certamente l’integrazione
dell’EEG con altri metodi di visualizzazione funzionale può ridurre notevolmente tale
problema, acuendone però degli altri. In modo molto generale, un ERP è un’attività
neuronale generata quando viene eseguita una determinata funzione. Lo studio degli
ERPs permette di rendere evidente la correlazione tra i segnali registrati e gli stimoli
basandosi sulla variazione del segnale elettrofisiologico che avviene come conseguenza
dello stimolo.
Gli ERPs possono, inoltre, essere considerati come degli indicatori di particolari
condizioni psico-fisiologiche.
Andiamo a descriverne i parametri fondamentali. La latenza indica la distanza, in
termini temporali, tra il momento di applicazione dello stimolo e la comparsa del
potenziale evento correlato. La topografia, invece, indica la posizione sulla superficie
cranica dove la componente è rilevabile con ampiezza maggiore. L’ampiezza, infine,
rappresenta la deflessione della componente rispetto alla condizione di base.
Lo studio dei potenziali evento-correlati impone di tener conto di diversi aspetti onde
ottenere segnali che rispecchino realmente l’attività cerebrale. Riassumiamo i vari
aspetti.
1. Distinguere i picchi dalle componenti
2. Osservando una sola onda, è impossibile valutare la latenza di un picco
3. Diverse ampiezze di picchi o latenze non corrispondono a una diversità di
dimensioni delle componenti o a una loro differente tempistica.
42
L’aspetto principale del loro studio è comprendere come le diverse componenti siano
collegate alle varie funzioni cerebrali.
4.1. Le componenti ERP
Figura 23. Principali componenti ERPs
P1: si trova approssimativamente 50 ms dopo l’inizio dello stimolo uditivo, dopo 100
ms se lo stimolo è di tipo visivo. Questa componente è interpretata, dal punto di vista
funzionale, come un indicatore di attenzione allo stimolo sensoriale.
Per quanto riguarda uno stimolo uditivo, è rilevata con un’ampiezza maggiore nelle
regioni frontali. La stimolazione uditiva provoca la registrazione di tale componente
nelle regioni occipitali.
N1: si presenta dopo 100 ms dall’inizio dello stimolo visivo e ha la sua massima
ampiezza nelle zone frontali. La N1 visiva è più ampia nella regione occipitale e si
riduce quando gli stimoli sono presentati a brevi intervalli temporali.
43
P2: varia poco da individuo a individuo ed è individuata tramite diversi task cognitivi
come quelli di attenzione selettiva e memoria a breve termine. La P2 uditiva è
caratterizzata da un’ampiezza maggiore nelle regioni frontali e tale ampiezza aumenta
all’aumentare dell’intensità dello stimolo. La corteccia uditiva è stata stimata essere la
principale sorgente di questa componente che nel caso di una stimolazione visiva ha una
latenza di 150 ms.
N2: varia molto da individuo a individuo. Un possibile significato psicologico può
essere la cognizione dello stimolo o la selezione di un particolare target. La sorgente di
questa componente è localizzata nella corteccia sopratemporale e nel caso di stimoli
uditivi l’ampiezza aumenta in regione preoccipitale.
Sia per i task visivi che uditivi, la N2 è rilevabile più facilmente dagli elettrodi
frontocentrali.
MNM: è caratterizzata da una latenza che va dai 100 ai 250 ms. E’ più ampia in zona
frontocentrale. Per stimolazioni uditive, è conseguenza di una variazione tonale,
frequenziale o di intensità. In caso di stimolazione uditiva, è un indice di rifiuto
automatico rispetto a stimoli inusuali o di scarsa rilevanza che differiscono per qualche
fattore, come ad esempio la frequenza, dalla sequenza di stimoli standard.
Figura 24: ERPs di origine uditiva
44
N400: È caratterizzata da una latenza di 400 ms ed è correlata a task di comprensione
sia uditiva che visiva oltre ad essere un indice di incongruenza semantica. Il paziente è
sottoposto alla visione di frasi in cui l’ultima parola è semanticamente scorrelata
rispetto alle altre. E’ una componente rilevabile anche quando vengono fatte visionare
immagini incongruenti rispetto al significato della frase o quando in essa sono presenti
errori.
Figura 25: Evidenza di una componente N400
P600: Presenta interpretazioni legate sia alla memoria che al linguaggio. Per la
relazione con la memoria è soggetta ad una latenza di 400 ms e la zona temporoparietale
sinistra rappresenta la sorgente in cui si rileva con maggior ampiezza.
P300: La P300 e’ una componente ERP endogena (si osserva anche in assenza di
stimolo) che compare in risposta a stimoli rilevanti ma rari. E’ senza dubbio quella più
studiata. Ha una latenza di 300 ms ed è localizzata in zona parietale. Per la sua
visualizzazione, è necessario che il soggetto sia concentrato sullo stimolo poiché è
dipendente dall’attenzione.
45
L’ampiezza della P300 e’ maggiore quanto e’ minore la probabilità di comparsa dello
stimolo. Inoltre, la sua latenza e’ funzione del tempo necessario per analizzare lo
stimolo.
La P300 rifletterebbe il cambiamento o l’ aggiornamento del modello interno con cui il
soggetto svolge il compito e interagisce con gli stimoli esterni. E’ più frequente in
corrispondenza delle regioni parietali, centrali e frontali.
Descriviamo di seguito una procedura per individuare la componente P300.
Al soggetto viene fatto visionare lo schermo del computer in cui compare una matrice
6x6 di caratteri alfabetici. Successivamente viene chiesto all’utente di selezionare una
particolare lettera utilizzata come target. Le righe e le colonne della matrice vengono
fatte lampeggiare in modo sequenziale in modo tale che il soggetto possa contare quante
volte il target lampeggi. L’individuazione dell’illuminazione della lettere, determina la
produzione dello stimolo P300 rilevabile da un sistema BCI. I limiti di questa metodica
sono che ciascun individuo è caratterizzato da attenzione e capacità proprie e che la
latenza è soggettiva.
4.2. Analisi dei dati ERPs
Questi potenziali possono essere analizzati mediante la tecnica dell’averaging che
consente di aumentare il rapporto segnale-rumore. Si calcola la media dell’attività EEG
conseguenti al ripetersi di uno stesso stimolo (trials), e si assume che l’EEG risultante
sia costituito da una parte di segnale ERPs e da una parte di rumore o EEG di fondo.
Tuttavia oltre a queste due parti sono presenti anche degli artefatti. L’averaging è una
tecnica in cui il soggetto deve essere sottoposto alla ripetizione di uno stesso stimolo e
prevede di fare la media delle ripetizioni nelle registrazioni elettroencefalografiche
successive alla stimolazione. Ovviamente, essendo l’EEG di fondo casuale, facendo la
media questo tende a zero rendendo possibile l’estrazione delle caratteristiche di
interesse all’aumentare delle ripetizioni. Il rapporto segnale/rumore aumenta in funzione
della radice quadrata delle ripetizioni.
46
Figura 26: Tecnica dell'Averaging
Il limite di questa tecnica è che l’ERP è formato da componenti multiple e non da un
unico segnale. Tali componenti hanno latenze e ampiezze variabili per numerose
ragioni.
Per poter utilizzare il valore medio di un ERP è necessario assumere che per ciascuna
ripetizione dello stimolo, le caratteristiche delle componenti rimangano stabili.
In secondo luogo l’EEG di fondo dovrebbe essere totalmente incorrelato con l’ERP.
L’operazione di media ridurrebbe notevolmente il rumore, ma l’assunzione di
incorrelazione ERP-EEG risulterebbe troppo azzardata data la stretta relazione
dell’attività elettroencefalografica con lo stato di coscienza dell’individuo, le attività di
tipo alfa, beta o delta.
L’utilizzo di una metodica single trial risulta essere una scelta migliore. Con questa
tecnica viene considerato il verificarsi di ogni singolo stimolo in modo tale da
massimizzare l’informazione trasportata dagli ERPs.
La componente più studiata con il metodo single trial è la P300 per due ragioni.
Innanzitutto risulta importante, dal punto di vista teorico, comprendere le relazioni tra la
sua latenza e il tempo di reazione. Oltretutto la P300 presenta una latenza lunga e una
ampiezza maggiore e ciò permette di individuarla in maniera più semplice all’interno
del tracciato rispetto alle altre componenti.
47
Lo studio single trial prevede un preprocessamento per isolare l’ERP dalle sorgenti di
rumore in modo tale da migliorare il rapporto segnale-rumore. Il preprocessamento può
essere effettuato facendo ricorso al dominio frequenziale o a quello temporale.
Lavorando nel primo dominio, si fa ricorso a dei filtri digitali che individuano la
componente significativa sfruttando lo spettro frequenziale. La componente P300 è
sensibile al tipo di filtraggio passa-basso inquanto caratterizzata da una lunga latenza.
Questo rappresenta il fatto che la componente sia situata a basse bande di frequenza. Il
rumore, invece è presente alle alte frequenze. Mediante l’utilizzo di un filtro passa
basso, è possibile eliminare gli artefatti evitando la distorsione del segnale.
La topografia dello scalpo viene usata per la separazione delle componenti nel caso di
operi nel dominio dello spazio; questo sulla base della considerazione dell’elettrodo in
cui la componente può essere rilevata con maggiore ampiezza.
Come vedremo l’analisi delle componenti indipendenti (ICA) rappresenta un buono
strumento per realizzare questo obiettivo.
Per quanto riguarda la classificazione dei single trial ERP, questa può essere realizzata
facendo ricorso metodi appartenenti a due differenti categorie.
La supervised learning è un tipo di analisi discriminante in cui i singoli verificarsi degli
stimoli vengono distinti in base all’appartenenza a determinate categorie descritte a
priori in base alle condizioni sperimentali.
Nella unsupervised learning, invece, i trials sono raggruppati in base alle loro
caratteristiche comuni e non in base a categorie predeterminate. In questo caso i dati
non possono essere stimati con medie o procedure supervisionate poiché queste si
basano su condizioni aprioristiche riguardo il loro contenuto.
4.3. Artefatti
L’elettroencefalografia è una metodica di rilievo dell’attività cerebrale in grado di
registrare attività elettriche di altra natura e che hanno fonti diverse come sorgenti. Un
artefatto è un segnale che, che in un tracciato, non rappresenta attività cerebrale ma
altro. Sono eventi relazionati sempre ad attività di tipo elettrico, ma non derivante
48
dall’attività cerebrale e possono quindi modificare le componenti dei potenziali evento
correlati.
Gli artefatti possono essere di origine interna o esterna al corpo del soggetto sottoposto
ad EEG. I segnali di origine fisiologica hanno fonti interne al corpo mentre quelli
extrafisiologici hanno come fonti l’ambiente o la strumentazione utilizzata per la
registrazione. Descriviamo più in dettaglio quali sono e le principali metodiche che sono
utilizzate per eliminarli.
4.3.1.
Artefatti extra-fisiologici
Artefatto da elettrodo
Un posizionamento non corretto dell’elettrodo è uno degli artefatti di origine
extrafisiologica derivante da un contatto non adeguato con la cute. Ciò provoca la
comparsa, nel tracciato, di onde nette causa di repentine variazioni dell’impedenza
provocate dal distacco dell’elettrodo. Uno dei metodi utilizzati per rimuovere questo
tipo di artefatto, è quello di eliminare il segmento in cui è situato.
Figura 27: Tracciato EEG con artefatto da elettrodo
49
Artefatto da rete
Gli effetti dovuti alla rete elettrica possono essere eliminati mediante una buona messa a
terra del soggetto. Però la strumentazione il più delle volte non è perfetta è questo
disturbo entra a far parte delle registrazione traducendosi in un rumore additivo alla
frequenza 50 Hz. Il tal caso viene utilizzato un filtro di notch in corrispondenza di
quella frequenza.
4.3.2.
Artefatti fisiologici
Artefatto muscolare
I
potenziali
muscolari
rappresentano
uno
dei
più
comuni
artefatti.
Un
elettroencefalografo è in grado di registrare l’attività elettrica della superficie dello
scalpo, ma anche l’attività dei muscoli della testa, sia frontali che temporali.
Ovviamente questi segnali, di tipo elettromiografico, non sono indice di attività
cerebrale e sono considerati come disturbi. La loro durata è inferiore a quelli cerebrali e
sono caratterizzati da una banda frequenziale più alta. Proprio per questo, un metodo
utilizzato per la rimozione è un filtraggio passa-basso.
Figura 28: Tracciato EEG con artefatto muscolare
50
Artefatto cardiaco
La variazione del potenziale cardiaco può propagarsi fino al cranio dando luogo
all’artefatto cardiaco. Questo disturbo è caratterizzato da un’ampiezza variabile a
seconda dei riferimenti usati per l’acquisizione, e si può individuare facilmente.
Ha l’andamento peculiare dei potenziali cardiaci ed è sincronizzato con un eventuale
elettrocardiogramma. Vengono utilizzati vari metodi per la sua rimozione a seconda dei
casi.
Artefatto da pelle
La pelle umana presenta dei fenomeni, come la sudorazione, in grado di far variare
l’impedenza degli elettrodi. Questo provoca onde a bassa frequenza identificate come
derive di potenziali. Tali derive possono essere eliminate attraverso un filtraggio passaalto con frequenza di taglio pari a 1 Hz.
Figura 29: Tracciato EEG con artefatto da pelle
51
Artefatto oculare
Il bulbo oculare può essere visto come un dipolo il cui polo positivo è posto
anteriormente ed è orientato verso la cornea. La rotazione del bulbo sul suo asse causa
un campo di corrente rilevabile da elettrodi posizionati in corrispondenza dell’occhio.
Questo provoca una deflessione in quegli elettrodi. La registrazione combinata di EEG
ed EOG o elettrooculogramma, permetterebbe di evidenziare come tale disturbo si
identifichi come una polarizzazione con segno opposto rispetto all’EOG. Ovviamente,
anche i muscoli presenti nelle vicinanze dell’occhio sono origine di disturbi.
Anche il solo battito delle palpebre causa artefatti all’interno del tracciato
elettroencefalografico. Uno dei metodi utilizzati per eliminarne gli effetti è quello di
rimuovere la sezione del tracciato in cui esso è presente.
Figura 30: Tracciato EEG con artefatto oculare
Ad ogni modo, esistono molteplici e diversi modi per rimuovere gli artefatti dovuti ai
movimenti oculari.
52
•
Rimossione dei trials contenenti tali artefatti
Consiste nell’eliminazione di quei trials in cui i segnali EOG superano una certa
soglia e cioè di tutte quelle prove in cui ci sono delle attività conseguenti alla
chiusura degli occhi da parte del soggetto. L’esecuzione di trials sena movimenti
oculari da parte del soggetto è, tuttavia, molto ostica.
•
Metodi di regressione
Questo metodo permette di valutare la distorsione EEG stimando la relazione
lineare con l’EOG. Il metodo consente di operare sia nel dominio della
frequenza, sia in quello del tempo. Il limite è che la regressione può distorcere la
distribuzione spaziale dell’EEG. Infatti, la sua attività si trasferisce anche
sull’EOG. Eliminando l’attività oculare si rischierebbe, così,
di rimuovere
anche l’attività dei canali frontali.
•
Modellizzazione a sorgente di dipolo
Questa tecnica assume che l’attività oculare sia scorrelata da quella frontale.
La stima dell’attività oculare ottenuta con questa metodica è migliore e consente
di usare le informazioni EEG presenti nell’EOG.
•
Analisi delle componenti indipendenti
Sia il filtraggio che l’eliminazione dei segmenti con artefatto, presentano dei
notevoli limiti. Essi possono, infatti, rimuovere componenti legate all’attività
cerebrale o ridurre il segnale da analizzare.
Recentemente, l’applicazione dell’Independent Component Analisys (ICA) ha
consentito di ripulire i tracciati dalle componenti che non rappresentano attività
cerebrale. Il più rilevante vantaggio di questo approccio è il guadagno che porta
in termini di segnale utile che può essere successivamente analizzato.
53
L’ICA è una metodica in grado di separare un miscelamento di segnali acquisiti
da N canali e con un massimo di N componenti. Molto simile all’analisi delle
componenti
principali,
permette
di
individuare
componenti
spaziali
rappresentanti artefatti di tipo oculare. Una particolarità dell’analisi delle
componenti indipendenti è che riesce a rilevare statisticamente componenti non
necessariamente incorrelate. Il suo limite è, però, che tale algoritmo attribuisce
in modo arbitrario gli artefatti oculari alle componenti. Ciò rende indispensabile
un controllo visivo per testare quale delle componenti rappresenti l’artefatto per
eliminarlo.
54
CAPITOLO 5
Metodo ICA e algoritmi per l’Analisi delle
Componenti Indipendenti
5.1. Il metodo ICA
L’Analisi delle Componenti Indipendenti (ICA ovvero Independent Components
Analysis) è un caso particolare di Blind Source Separation (BSS). Il problema affrontato
dalla Blind Source Separation è quello di separare le sorgenti a partire dalle
osservazioni della gamma di segnali miscelati con il presupposto di non avere
informazioni né sulle sorgenti d’origine e né sul criterio di miscelazione.
I segnali biomedici sono in grado di trasportare informazione riguardo uno o più
processi biologici. La tecnica di analisi delle componenti indipendenti trae vantaggio
dalla natura multicanale di tali acquisizioni. L’ ICA di un vettore, consiste in una
trasformazione lineare in grado di preservare l’informazione che, come risultato,
produce l’indipendenza statistica delle componenti in uscita.
E’ un metodo messo a punto di recente, in cui l’obiettivo è quello di trovare una
rappresentazione di variabili casuali non gaussiane in modo che le componenti originali
siano tra loro statisticamente indipendenti.
Una delle più semplici applicazioni è quella legata al problema del cocktail party in cui
si suppone che la voce del nostro interlocutore sia accompagnata dai segnali sonori
scaturiti da altre conversazioni. In tal caso i segnali vengono separati in modo molto
efficace.
Questo metodo statistico trova le componenti indipendenti, ovvero le sorgenti,
massimizzando l’indipendenza statistica delle componenti stimate.
55
Una delle tecniche usate per misurare l’indipendenza delle componenti, è quella di
stimare la non gaussianità con parametri come la curtosi o la negentropia.
I passi principali assolti dai tipici algoritmi ICA sono il centering, la determinazione del
rumore bianco o sbiancamento, e la riduzione della dimensionalità. Questi stadi
consentono di preelaborare il segnale in modo tale da ridurre la complessità
dell’algoritmo iterativo. Il processo di sbiancamento assicura che tutte le dimensioni
siano trattate in modo equo a priori prima di lanciare l’algoritmo. Il limite del metodo
ICA è che questo non è in grado di determinare il numero esatto delle sorgenti o
l’ordine in cui arrivano, ma può fornire molte applicazioni pratiche. Vi sono molti
algoritmi che possono eseguire l’ICA. Principali esempi sono l’Infomax e il FastICA.
Quest’ultimo, in particolare, utilizza la curtosi come funzione costo. Pur avendo
l’obiettivo più generale di separare segnali sorgenti statisticamente indipendenti a
partire da sovrapposizioni degli stessi, un’importante applicazione di tale metodo viene
utilizzata per la ricostruzione di segnali biomedici attraverso elettroencefalogramma,
risonanza magnetica ecc..
Un esempio dell’applicazione dell’ICA riguarda proprio l’elettroencefalografia, che,
come è stato spiegato nei precedenti capitoli, si identifica come la registrazione delle
differenze di potenziale delle aree dello scalpo umano generate a livello delle corteccia
cerebrale. Ovviamente, data la bassissima ampiezza dei segnali esistono forti
componenti indesiderate derivanti da artefatti di origine fisiologica o extrafisiologica.
Artefatti che l’ICA permette di eliminare.
I primi studiosi di questo metodo furono Herault e Jutten orientati a raggiungere un
modello biologico in modo da codificare il moto per mezzo del rilievo della contrazione
muscolare. Come noto, infatti, il sistema nervoso rileva posizione e velocità mediante
informazioni derivanti dalla contrazione muscolare.
La conclusione a cui pervennero Herault e Jutten fu che il modello che collegava le
frequenze degli stimoli sulle terminazioni primarie e secondarie a posizione e velocità
reciproche, fosse lineare.
L’interesse nella ricerca, almeno fino alla metà degli anni ’90, non si sviluppò in
maniera rilevante verso questa direzione poiché altre tecniche neurali avevano riscosso
giudizi più positivi.
56
La maggiore diffidenza derivava dal fatto che gli studi internazionali non riuscivano a
spiegare come tale modello potesse separare le sorgenti.
A partire proprio dallo scetticismo nei riguardi di questi aspetti, si iniziò ad ampliare le
conoscenze riguardo questo tipo di problematica e numerosi lavori furono proposti
all’interesse internazionale.
5.2. Algoritmi per l’Analisi delle Componenti
Indipendenti
La determinazione del rumore bianco e la riduzione delle dimensioni sono due degli
stadi più frequenti all’interno di algoritmi che implementano l’analisi delle componenti
indipendenti. Questi stadi di preelaborazione permettono di semplificare la complessità
del problema iterativo proprio del metodo ICA. E’ importante ricordare che questo non
è in grado di estrarre il numero esatto di sorgenti del segnale o il loro ordine, ma assume
notevole importanza per la risoluzione della blind signal separation.
Tra i più noti algoritmi che possono eseguire il metodo ICA, troviamo FastICA e
Infomax. Analizziamoli individualmente.
5.2.1.
Infomax
Le tecniche appartenenti al campo della BSS sono utilizzabili ogniqualvolta un array di
N ricevitori raccoglie un insieme lineare di N sorgenti di segnali, analogamente a quanto
descritto nel cocktail party problem.
L’algoritmo Infomax, basato su una rete neurale, è una possibilità di approccio a questo
tipo di problematiche. Tale algoritmo si basa sul fatto che massimizzando l’entropia in
uscita della rete neurale, ovvero il suo flusso in uscita, si può ottenere la determinazione
del modello. L’entropia di una variabile aleatoria è una quantità statistica interpretabile
come una misura dell’informazione acquisita a seguito di ogni osservazione.
Qualitativamente si può affermare che l’entropia di una variabile è tanto maggiore
quanto più essa è casuale o impredicibile.
57
L’entropia H di una variabile aleatoria viene introdotta con riferimento a grandezze
discrete:
· Y è una variabile aleatoria discreta che può assumere unicamente i valori .
Nel caso di variabili aleatorie continue e multi-dimensionali si parla di entropia
differenziale. Se … ) è un vettore aleatorio continuo, con densità f(y), si ha:
… ) · · L’algoritmo Infomax permette di determinare una matrice W in grado di massimizzare
un insieme di input a media nulla, attraverso l’ascesa del gradiente stocastico ed
effettuando questa trasformazione:
La matrice di un mixing W effettua la separazione delle componenti, mentre la non
linearità sigmoidale g( ) fornisce informazioni stocastiche di ordine superiore.
Dopo essere stata inizializzata con la matrice identità, la matrice W viene poi modificata
iterativamente:
∆ ! " 58
Dove è il learning rate della rete neurale, mentre
%$ &
&
' ( )
&
&
Il termine evita l’inversione della matrice ed una eccessiva velocità di
convergenza normalizzando la varianza in tutte le direzioni. Per quanto riguarda la nonlinearità, viene usata la funzione logistica 1 ! exp ., da cui si ricava
%$ 1 2 , che condiziona l’algoritmo andando a ricercare le componenti
indipendenti super-gaussiane con curtosi positiva.
Tutto ciò in linea con l’assunzione che i potenziali evento correlati siano composti da
uno o più serie di attivazioni sovrapposte.
5.2.2.
FastICA
Uno degli algoritmi più usati per la ricerca delle componenti indipendenti, è il FastICA.
Di semplice implementazione, esso opera su dati sbiancati e si basa su un algoritmo di
tipo iterativo che cerca le proiezioni 0 che massimizzano la non-gaussianetà
delle componenti, dove x è la matrice dei segnali osservati organizzati per riga e 0 è
una riga della matrice di unmixing W.
I passi preliminari per l’applicazione del FastICA sono la sottrazione del valor medio
da ogni segnale e il successivo sbiancamento della matrice dei dati attraverso l’analisi
delle componenti principali. Questo permette una semplificazione della stima della
matrice di un mixing poiché diventa ortogonale; in tal modo i gradi di libertà diventano
n(n-1)/2 e non più ' .
La proiezione dati nello spazio delle componenti principali ci permette, in questa fase,
di diminuire la dimensionalità dello spazio, rimuovendo quelle componenti che danno
uno scarso contributo alla varianza totale dei dati iniziali.
59
Sono disponibili due versioni dell’algoritmo. La prima utilizza la curtosi a differenza
della seconda che stima la non-gaussianetà attraverso la negentropia.
Poiché la curtosi è identicamente nulla per variabili aleatorie, massimizzando il suo
modulo si rendono le variabili il meno gaussiane possibili, e quindi il più indipendenti.
La negentropia risulta, tuttavia, una misura più robusta della non-gaussianetà. Poiché le
variabili gaussiane hanno l’entropia più alta tra le variabili con uguale varianza, la
negentropia di una generica variabile è sempre maggiore di zero o uguale a zero nel
caso in cui siano presenti distribuzioni gaussiane. La sua valutazione, però, risulta
abbastanza complessa in quanto richiede la stima della densità di probabilità della
variabile.
Indichiamo di seguito le caratteristiche fondamentali dell’algoritmo:
•
la convergenza è cubica, rendendo quindi l'algoritmo più veloce rispetto ai
classici metodi basati sulla discesa del gradiente, che sono caratterizzati da
convergenza lineare.
•
l'algoritmo gode di una grande facilità d'uso, anche perché non vi sono troppi
parametri da settare.
•
FastICA riesce a trovare le componenti indipendenti mediante qualsiasi funzione
non lineare g, a differenza di altre tecniche che necessitano di informazioni a
priori sulle distribuzioni.
•
le componenti indipendenti possono essere stimate una per una, facendo di
questo uno strumento importante per l'analisi esplorativa dei dati e riducendo
l'onere computazionale.
•
l'algoritmo è computazionalmente flessibile e poco esigente in termini di
memoria utilizzata.
60
Al fine di massimizzare la negentropia, si parte da un certo valore iniziale del vettore w.
Dopo aver calcolato la direzione in cui J(y) cresce più rapidamente sulla base dei
campioni x(1)….x(T), si muove il vettore in quella direzione.
Questa idea è contenuta nel metodo di discesa del gradiente, il quale calcola la derivata
di 1 10 rispetto a w e muove w stesso nella direzione del gradiente positivo.
La procedura da ripetere iterativamente è quindi la seguente:
0 2 ! 3
1
4 0 2 ! 1
0
dove 3 è un parametro di apprendimento e la normalizzazione serve per mantenere la
varianza costante e proiettare w sulla sfera di raggio unitario assicurando di lavorare sui
dati sbiancati.
Nel caso in cui si vogliano studiare tutte le componenti contemporaneamente in modo
da limitare la propagazione degli errori, e cioè nel caso di un approccio simmetrico,
l’algoritmo FastICA prevede l’esecuzione di queste operazioni:
a) Centrare la matrice dei dati x in modo da renderla a media nulla
b) Sbiancare i dati
c) Scegliere il numero di componenti indipendenti da stimare (tale numero m può
essere scelto durante lo sbiancamento).
d) Scegliere i valori iniziali, anche casualmente, di norma unitaria per i=1,…,m
e) Per ogni i=1,…,m fare il seguente assegnamento:
5670 89 56:70 890 4 0
61
dove g’ è la derivata di g che a sua volta è la derivata della funzione G, e cioè della
funzione descritta precedentemente; g’ può assumere quindi le seguenti espressioni:
; 1 tanh
; 1 exp @
A
2
; 3 f) Eseguire la ortonormalizzazione di Gram-Schmidt della matrice
0 … 0D E . g) In assenza di convergenza tornare al passo 5
Il fatto che l’algoritmo non faccia particolari ipotesi sulla distribuzione delle sorgenti è
senza dubbio un vantaggio per il FastICA. Scegliendo in modo opportuno la funzione
non polinomiale G( ), è possibile stimare contemporaneamente segnali che presentano
densità di probabilità super o sub-gaussiana. Di solito si usa G(y)=log(coshy), quindi
g(y)=tanh(y) e g’(y)=(1-tanh(y)).
62
5.2.3.
Analisi e implementazione del software per il
trattamento dei dati elettroencefalografici
Nell’ambito di questa tesi, lo studio del metodo ICA è stato affrontato al fine di
permettere la risoluzione del problema della determinazione delle sorgenti e quindi della
rimozione delle sorgenti di rumore da esso evidenziate.
Per comprendere come agisca sui dati elettroencefalografici la tecnica dell’analisi delle
componenti indipendenti, è stato analizzato un software in C++ utilizzando la libreria
open-source IT++ per l’algoritmo FastICA.
IT++ è una libreria IT++ di funzioni e classi per la matematica, l'analisi dei segnali,
l'analisi vocale e le comunicazioni, interamente scritta in C++. Questa consente di
gestire vettori tramite matrici e funzioni che operano su di essi ed è simile alle funzioni
presenti nel pacchetto scientifico Matlab.
IT++ lavora su molteplici combinazioni di compilatori e sistemi operativi. Nel nostro
caso è stato utilizzato il compilatore Dev C++ che utilizza un’interfaccia a linea di
comando (CLI, cioè command line interface). Con questa modalità, l’interazione tra
utente ed elaboratore avviene inviando comandi tramite tastiera e ricevendo risposte
alle elaborazioni tramite testo scritto.
Questo software fornisce in uscita il vettore delle componenti indipendenti, la stima
della matrice dei pesi e il tempo necessario per ogni elaborazione.
Oltretutto consente di scegliere alcuni parametri che vengono memorizzati in array
(argv[ ]). Analizziamolo nel dettaglio.
argv[0]: Nome del file: scelta del nome del file da elaborare.
argv[1]: “b” per il binario o “t” per il testo: importazione del formato dei dati (binario
o testo).
if (argv[1]== 'b' ) {int binario=1;}
…
63
if(binario==1) { file_in= std::fopen(argv[0], "rb");} //lettura binaria
else {file_in= std::fopen(argv[0], "r");} //lettura testo
argv[2]: Numero di componenti indipendenti: scelta del numero di componenti
indipendenti da individuare.
nrIC = argv[2];
argv[3] : Numero di secondi da elaborare;
int unita_di_misura=256;
nrCampioni = unita_di_misura * atoi(argv[3]);
Tenendo contro che nostri dati sono stati campionati a 256 Hz .
argv[4]: Numero di secondi di offset: selezione dell’intervallo di dati da analizzare.
Int secondi_offset = argv[4] * nrIC * unita_di_misura ;
for ( int ijk= 0; ijk < secondi_offset ; ijk ++ )
{
if(binario==1)
{byte_letti=fread(&data_float,sizeof(data_float),1,file_in);} //lettura
binaria
else{fscanf( file_in , "%f", &data_float); } //lettura testo
}
argv[5]: Numero di campionamenti da saltare: selezione dell’intervallo di dati da
analizzare. Permette di saltare il numero di campioni scelti come offset.
int campioni_da_saltare= argv[5];
int letture_vuote_campioni=campioni_da_saltare * nrIC;
for(int ijk=0;ijk<=letture_vuote_campioni;ijk++)
{
if(binario==1)
64
{byte_letti=fread(&data_float,sizeof(data_float),1,file_in);} //lettura
binaria
else{fscanf( file_in , "%f", &data_float); } //lettura testo
}
argv[6]: Eventuale matrice di mixing iniziale: sostituzione della matrice di default
con l’inserimento del nome del file contenente un’eventuale matrice dei pesi iniziale.
if (argv[6] != NULL)
{
mat G = zeros( nrIC, nrIC ); //definisce la matrice di mixing iniziale
file_mix_in = fopen((argv[6], "r"); //apre il file della matrice
//carica i dati della matrice iniziale di mixing e li mette nella matrice G
for ( int i= 0; i< nrIC; i++ )
{
for ( int j= 0; j< nrIC; j++ )
{
fscanf( file_mix_in , "%f", &data_mixing); //modalità testo
G(j,i)= data_mixing;
}
}
}
Una volta recuperati tutti i parametri viene inizializzata una matrice vuota con il
comando:
mat X = zeros( nrIC, nrSamples ); //definisce la matrice di ingresso
e successivamente la matrice X (che ha nrIC colonne e nrSamples righe) viene riempita
distinguendo il caso di formato dei dati binari o testo
for ( int i= 0; i< nrSamples; i++ )
{
for ( int j= 0; j< nrIC; j++ )
65
{
if(binario==1)
{
byte_letti=fread(&data_float,sizeof(data_float),1,file_in);
X(j,i)= data_float;
}
else
{
fscanf( file_in , "%f", &data_float);
X(j,i)= data_float;
}
}
}
Dopo aver inizializzato tutte le variabili e le matrici viene utilizzata la classe Fast_ICA
che appartiene alla libreria IT++.
A questo punto viene creato l’oggetto my_fastica della classe Fast_ICA, viene cioè
eseguito il costruttore di questa classe con il comando:
Fast_ICA my_fastica( X );
I costruttori di una classe sono utili per inizializzare le variabili della classe e per
allocare aree di memoria.
Richiamiamo il metodo set_nrof_independent_components per settare all’interno della
classe il numero di componenti indipendenti da separare (nrIC):
my_fastica.set_nrof_independent_components(nrIC);
Se nei parametri è stata inserita una matrice di mixing iniziale, questa viene caricata
all’interno della classe.
if (matrice_iniziale==1)
{my_fastica.set_init_guess(G);
66
A questo punto inizia l’elaborazione dei dati.
La durata dell’elaborazione è calcolata come differenza tra l’istante di inizio e l’istante
finale e viene fornita nell’output del programma.
start = clock();
my_fastica.separate();
finish = clock();
durata_elaborazione= (double)(finish - start) / CLOCKS_PER_SEC;
67
CONCLUSIONI
In questo lavoro si è partiti dalle conoscenze base sulla neurofisiologia umana per
comprendere appieno il principio secondo cui determinate zone cerebrali sono
responsabili di altrettante determinate funzioni. In secondo luogo l’attenzione è stata
focalizzata sui metodi di rilievo dell’attività cerebrale, indispensabili per la
realizzazione di una Brain-Computer Interface.
Dopo aver analizzato ciascuna tecnica si è passati a descrivere la struttura di una BCI
sottolineando il confronto tra le metodiche di rilievo e motivando la scelta dello studio
più approfondito che la ricerca sta avendo sui dati elettroencefalografici.
Oltre ad un’analisi dei principali artefatti, sono state date informazioni sostanziali sui
potenziali correlati ad evento, poiché basi dei protocolli principali per l’interazione e la
comunicazione tra cervello e computer attraverso l’attività elettrica cerebrale.
Altro obiettivo, assolto da tale tesi, è stata la descrizione di un metodo molto rilevante
per l’estrazione degli ERPs dai dati elettroencefalografici e cioè quello dell’Analisi
delle Componenti Indipendenti.
L’ICA è uno strumento potente utilizzabile in diverse modalità per elaborare i segnali
EEG. Innanzitutto può essere utilizzabile per identificare e rimuovere sorgenti di rumore
come i battiti oculari. In secondo luogo è in grado di selezionare le componenti relative
a determinate attività cerebrali con l’obiettivo di avere comandi precisi e indispensabili
per guidare un sistema BCI.
Di sicuro, questo metodo consente di incrementare in modo notevole il rapporto tra
segnale e rumore dei segnali. Le applicazioni real-time, attualmente, non sfruttano
questa tecnica perché ha bisogno di una potenza di elaborazione elevata. Inoltre i pesi
della matrice di mixing calcolati per costruire le sorgenti neuronali partendo dai dati
registrati per mezzo di EEG, variano consistentemente nel tempo.
Un problema fondamentale riguardante il metodo ICA è l’indeterminazione dell’ordine
delle componenti indipendenti all’interno della matrice delle sorgenti stimate. Un
notevole miglioramento sarebbe sapere quale segnale viene ricavato per primo.
68
Proprio la conoscenza di tale ordine è fondamentale per la costruzione delle componenti
indipendenti nel dominio del tempo e l’eliminazione delle sorgenti di rumore
identificate.
L'impatto di tale sistema di interpretazione dei segnali cerebrali su applicazioni reali che
si avvalgono di segnali elettroencefalografici, tuttavia, sarebbe molto importante.
L’incremento del rapporto segnale-rumore consentirebbe la realizzazione di BCI più
efficienti in modo tale da restituire autonomia a persone diversamente abili e garantire
inimmaginabili capacità di comunicazione. Inoltre, consentirebbe di ottenere affidabili
sistemi di unità di terapia intensiva e chirurgia o applicazioni spaziali e industriali delle
più svariate.
Dopo una prima descrizione del metodo ICA, si è passati alla descrizione dei due
principali algoritmi in grado di metterlo in atto: l’Infomax e il FastICA. A partire
proprio dalle loro linee guida, la tesi si orientata, nell’ultimo capitolo, all’analisi, allo
studio e all’implementazione di un software che segua la traccia dell’algoritmo
FastICA. Questo ci ha permesso di comprendere come agisca effettivamente questo tipo
di procedura dandoci la possibilità di implementare il programma tramite il compilatore.
69
Elenco delle figure
Figura 1: Schema a blocchi del sistema nervoso .............................................................. 5
Figura 2: Anatomo-fisiologia di un neurone .................................................................... 7
Figura 3: Struttura di una sinapsi...................................................................................... 8
Figura 4: Potenziale d'Azione ......................................................................................... 10
Figura 5: Midollo spinale sezionato trasversalmente ..................................................... 10
Figura 6: Encefalo in sezione sagittale ........................................................................... 11
Figura 7: Lobi cerebrali .................................................................................................. 13
Figura 8: Aree di Brodmann ........................................................................................... 14
Figura 9: Tipica immagine PET ..................................................................................... 19
Figura 10: Encefalo in Risonanza Magnetica ................................................................. 20
Figura 11: Esame MEG ed elmetto con sensori SQUID ................................................ 22
Figura 12: Bande Beta ed Alpha: differenze in ampiezza .............................................. 25
Figura 13: Schema di posizionamento 10-20 ................................................................. 26
Figura 14: Differenze tra le bande a seconda delle condizioni dell'individuo ............... 27
Figura 15: Modalità di rilievo di un Potenziale Evocato ................................................ 28
Figura 16: Rilievo di un PEV ......................................................................................... 29
Figura 17: Differenza di scala tra EEG ed ERP ............................................................. 30
Figura 18: Potenziale Evocato Uditivo che evidenzia un'onda P300 ............................. 31
Figura 19: Scopo di una BCI .......................................................................................... 33
Figura 20: Schema a blocchi del percorso del segnale in una BCI ................................ 36
Figura 20: Tracciato privo di artefatti ............................................................................ 38
Figura 21: Tracciato con artefatto oculare ...................................................................... 38
Figura 22. Principali componenti ERPs ......................................................................... 43
Figura 23: ERPs di origine uditiva ................................................................................. 44
Figura 24: Evidenza di una componente N400 .............................................................. 45
Figura 25: Tecnica dell'Averaging ................................................................................. 47
Figura 26: Tracciato EEG con artefatto da elettrodo...................................................... 49
70
Figura 27: Tracciato EEG con artefatto muscolare ........................................................ 50
Figura 28: Tracciato EEG con artefatto da pelle ............................................................ 51
Figura 29: Tracciato EEG con artefatto oculare ............................................................. 52
71
Bibliografia
Bianca Gallo, Neuroscienze e apprendimento, Napoli, Ellissi, 2003.
Alessandro Soro, Human Computer Interaction, Monza, Polimetrica, 2008.
Emilio Bizzi, Idee per diventare neuroscienziato. Cervello, visione, movimento,
Bologna, Zanichelli, 2005.
Mark F. Bear, Barry W. Connors, Michael A. Paradiso, Neuroscience: exploring the
brain, Philadelphia, Lippincott Williams & Wilkins, 2007.
Rudolf Nieuwenhuys, Jan D Voogd, C. Van Huijzen, Il sistema nervoso centrale,
Milano, Springer, 2009.
Marcus E. Raichle, La visualizzazione dell’attività cerebrale, Le Scienze n° 310, Roma,
Gruppo editoriale l’Espresso, 1994.
Ernst J. Rummeny, Peter Reimer, Walter Heindel, Risonanza magnetica, Amsterdam,
Elsevier Masson, 2008.
Alessandro Torricelli, Antonio Pifferi, Lorenzo Spinelli, Davide Contini, Rinaldo
Cubeddu, Imaging funzionale non invasivo del cervello mediante spettroscopia ottica
nel vicino infrarosso, Bollettino della SIRR (Società Italiana per le Ricerche sulle
Radiazioni) vol. 7 n°1, 2004.
Francesco P. Branca, Fondamenti di ingegneria clinica, vol 1, Milano, Springer, 2000.
Christa Neuper, Wolfgang Klimesch, Event-related dynamics of brain oscillations,
Progress in Brain Research vol. 159, Amsterdam, Elsevier, 2006.
72
Alexandra P. Fonaryova Key, Guy O. Dove, Mandy J. Maguire, Linking Brainwaves to
the Brain: An ERP Primer, Developmental Neuropsychology, 27(2), 183–215,
Department of Psychological and Brain Sciences University of Louisville, 2005.
Todd C. Handy, Event-Related Potentials A Methods Handbook, Cambridge, The Mitt
Press, 2004.
Michael D. Rugg, Michael G. H. Coles, Electrophysiology of mind: event-related brain
potentials and cognition, Oxford Psychology Series, 1996.
Aapo Hyvärinen, Juha Karhunen, Erkki Oja, Independent component analysis, 2001.
James V. Stone, Independent component analysis: a tutorial introduction, Cambridge,
The Mitt Press, 2004.
Stephen Roberts, Richard Everson, Independent component analysis: principles and
practice, Cambridge University Press, 2001.
A.Hyvarinen, Fast and Robust Fixed-Point Algorithms for Independent Component
Analysis, IEEE Transactions on Neural Networks 10(3):626-634, 1999.
73
Webgrafia
http://www.google.it
http://www.wikipedia.org
http://www.neurologia.it
http://neuroinf.it
http://emedicine.medscape.com/article/1140247-overview
http://www.cis.hut.fi/projects/ica/fastica/
74