IMPLEMENTAZIONE E VALIDAZIONE DI ALGORITMI DI PREPROCESSING DI SEGNALI EEG RESTING-STATE PER LA CLASSIFICAZIONE DI SOGGETTI SCD E MCI TRAMITE MODELLI SPIEGABILI BASATI SU TRANSFORMER

La malattia di Alzheimer (Alzheimer’s Disease – AD) è una malattia neurodegenerativa attualmente considerata come la causa più comune di demenza nell’anziano. È possibile distinguere, nel contesto dell’AD, una fase preclinica, che può includere il Subjective Cognitive Decline (SCD), ed una fase prodromica, anche detta Mild Cognitive Impairment (MCI). Essendo aumentati notevolmente i costi di gestione e diagnosi dell’AD nell’arco di un ventennio, risulta essenziale l’identificazione dei casi di AD nella sua fase prodromica, sfruttando una diagnosi precoce già negli stadi asintomatici della malattia. A tal proposito, studi recenti hanno dimostrato le potenzialità dell’utilizzo del segnale elettroencefalografico (EEG) in questo contesto, come strumento clinico affidabile, non invasivo, portatile ed economico per la diagnosi e lo studio di malattie e disturbi corticali, come la malattia di Alzheimer ed i suoi stadi preclinico e prodromico. Nel presente lavoro di tesi, sono state progettate e sviluppate pipeline per il pre-processing di segnali EEG resting-state di pazienti con diagnosi di SCD e MCI. I dati EEG utilizzati, corrispondenti alla condizione “eye-closed”, sono stati acquisiti nel contesto del progetto PREVIEW (“PRedicting the EVolution of SubjectivE Cognitive Decline to Alzheimer’s Disease With machine learning”) e il dataset prevede 81 pazienti di cui 46 soggetti SCD e 35 MCI. Dopo una prima fase di pre-processing, la quale ha previsto lo sviluppo di due differenti pipeline da confrontare in fase finale (HAPPE e PREP), 5 diversi dataset sono stati ottenuti estraendo le bande in frequenza Alpha, Beta, Delta, Theta e AllBand attraverso un filtraggio passa banda. Per la classificazione binaria SCD vs MCI, è stato proposto un framework di Deep Learning basato sull’architettura del Transformer, che sfrutta il meccanismo di Multi-Head Attention per focalizzarsi sulle porzioni più rilevanti del segnale di ingresso. Il modello è stato addestrato e testato su ciascun dataset, utilizzando la tecnica 5-fold cross-validation. Al fine di interpretare al meglio il processo decisionale del modello di Transformer utilizzato, infine, è stato applicato il concetto di explainability per cercare di evidenziare, da un punto di vista esclusivamente qualitativo, quali porzioni del segnale in input sono risultate più significative per la determinazione dell’output di classificazione.