Correlazione con il punteggio del compito

Le caratteristiche sopra esposte nelle notti A e B e i gradienti tra notte B e notte A sono poi messe in correlazione con il punteggio assegnato al compito. In particolare, tra i vari parametri estratti dall’esecuzione del compito, quello che più ci interessa è la mediana

dell’errore direzionale, che ragionevolmente aumenta nella notte B rispetto alla notte A,

dato che alla notte B è associato il compito più difficile e quindi suscettibile ad evidenziare un numero maggiore di errori.

Tutte le correlazioni sono state valutate in due momenti diversi, ovvero sia nella sessione 4 dell’esperimento, cioè prima del sonno, sia nella sessione 5 dell’esperimento, subito dopo il sonno.

La differenza B-A è stata quindi valutata nelle due diverse sessioni.

E’ stata valutata la mediana anziché la media perché la distribuzione degli errori direzionali non è gaussiana.

88

Figura 7-2: Correlazioni

In figura vengono trascurati tanto la frequenza di occorrenza degli spindles BB che la lunghezza degli spindles, data la scarsa significatività mostrata nelle mappe precedenti.

Dalle mappe di correlazioni possiamo dire che:

 La variazione della mediana del DE tra notte B e notte A correla poco (~ -0.3) con la variazione di rate di occorrenza degli spindles.

 La variazione della mediana del DE tra notte B e notte A correla positivamente in misura molto forte (~0.8) con la differenza di ampiezza dei pacchetti di attività gamma tra notte B e notte A nella sessione 5, indicando un aumento forte dell’ampiezza dei pacchetti di attività gamma nelle registrazioni effettuate la mattina dopo il sonno che ha seguito il compito di apprendimento.

89

Figura 7-3: Variazione mediana del DE VS Variazione ampiezza pacchetti di attività gamma tra notte B e notte A  La variazione della mediana del DE tra la notte B e la notte A, in entrambe le

sessioni ma in misura maggiore nella sessione 5, anticorrela fortemente con la variazione di frequenza dominante degli spindles tra notte B e notte A, che ricordiamo dalle mappe precedenti è un gradiente negativo, indicando pertanto una sorta di rallentamento degli spindles nella sessione 5 della notte B rispetto alla sessione 5 della notte A, in corrispondenza dell’aumento della difficoltà del compito e quindi del numero di errori commessi.

90

Capitolo 8 - DISCUSSIONE E SVILUPPI

FUTURI

Nel presente capitolo verranno discussi i risultati ottenuti sotto due punti di vista: il primo aspetto riguarda i risultati e le conclusioni che possiamo trarre da un punto di vista fisiologico riguardo alla correlazione tra il task e le registrazioni EEG; il secondo aspetto che viene discusso è l’appropriatezza del metodo utilizzato, i suoi vantaggi, i suoi limiti e i suoi possibili sviluppi.

8.1 Considerazioni fisiologiche sui risultati dell’esperimento

Il sonno successivo al compito visuo-motorio che richiede apprendimento è associato a una maggiore ampiezza dei pacchetti di attività gamma rilevati durante il sonno NREM. L’attività gamma corticale potrebbe favorire l’uscita dallo stato di iperpolarizzazione del nucleo reticolare talamico e, poiché questo nucleo costituisce il pacemaker dello spindle talamo-corticale, la stimolazione del nucleo reticolare tenderà a forzare le cellule talamocorticali a oscillare allo stesso ritmo e a loro volta a coinvolgere porzioni di corteccia. In corteccia, le aree più prone a entrare in sincronia potrebbero essere proprio quelle che hanno subito un maggior accrescimento sinaptico a seguito del reclutamento nel compito visuo-motorio. Questo spiegherebbe la maggior espressione di spindle nelle aree parietali nella notte che segue il compito di apprendimento visuo-motorio.

La sincronizzazione con cui le cellule talamocorticali possono essere reclutate nel fuso del sonno dipende però anche dall’attività espressa autonomamente dalla corteccia e in tal senso un’attività desincronizzata quale quella gamma tende a indebolire l’accoppiamento

91

nel ritmo sigma espresso dalla rete talamo-corticale. Come risultato di ciò si spiega il rallentamento delle oscillazioni in banda sigma interne al fuso (minor sincronizzazione nel passaggio on/off delle cellule corticali e talamocorticali) osservata nella notte di apprendimento.

Le correlazioni tra variazioni (tra i soggetti) della frequenza dei fusi in banda sigma e pacchetti gamma da una parte e dell’accuratezza di esecuzione del compito visuo-motorio dall’altra spiegano meglio questo quadro: i soggetti che presentano una minor attività gamma espressa durante il sonno NREM mostrano anche una miglior performance visuo- motoria e di conseguenza una minore diminuzione della frequenza dei fusi del sonno si associa a sua volta allo stesso parametro di performance visuo-motoria.

Da questi dati preliminari, il marker di un sonno efficace per il consolidamento della memoria sembrerebbe quindi risiedere nel mantenimento della frequenza propria dello spindle associato all’assenza di un arousal diffuso e ad alta frequenza misurato dai pacchetti gamma.

8.2 Applicazioni cliniche dell’algoritmo

La rilevazione degli spindles trova applicazioni cliniche importanti; è noto da tempo infatti come in patologie come ad esempio la schizofrenia si verifichino contemporaneamente una riduzione drammatica degli spindles del sonno, e gravi deficit congnitivi, a causa delle disfunzioni della rete talamocorticale associate alla malattia.

Per questo motivo un obiettivo molto importante per chi si occupa di disturbi schizofrenici è quello di curare in primo luogo i deficit cognitivi associati alla malattia.

Questo generalmente viene fatto tramite l’utilizzo di farmaci come le benzodiazepine o altri farmaci nonbezodiazepinetici come l’eszopiclone, (Erin J. Wamsley, 2012)

92

Entrambi hanno l’effetto molto importante di aumentare il numero di spindles del sonno e di aumentare la potenza in banda sigma. (Kuwahara H, 1995) (Wamsley E.J., 2013)

Per questi motivi, un accurato algoritmo automatico per la rilevazione degli spindles potrebbe avere un ruolo importante tanto nello studio della vulnerabilità di alcuni soggetti a questo tipo di disturbi, come la schizofrenia e la depressione appunto, quanto nella valutazione dell’outcome farmacologico della malattia, e cioè per seguire e valutare l’efficacia dei trattamenti somministrati.

8.3 Considerazioni sul metodo implementato

Il metodo utilizzato trova il suo punto forte nel basarsi su una caratteristica fondamentale, non centrale in altri metodi proposti in letteratura, ovvero la singolare morfologia dello spindle, che lo distingue inequivocabilmente da ogni altra struttura presente nel tracciato, almeno in quello del sonno.

Questa è la prima motivazione per cui si è scelto di percorrere questa strada, nonostante le altre moltissime tecniche valide già proposte in letteratura.

Queste altre tecniche hanno il principale svantaggio di dover essere sviluppate singolarmente e poi successivamente combinate tra loro in un unico “detector” al fine di ottenere caratteristiche di accuratezza adeguate.

Inoltre algoritmi come quello basato su STFT o sulla decomposizione diadica tramite Trasformata Wavelet hanno il limite, che si presenta anche nel nostro metodo a livello di filtraggio, di affidarsi a una localizzazione frequenziale degli spindle che in realtà non è esattamente definita, e infatti lavori diversi utilizzano range frequenziali molto diversi tra loro, come si spiegherà tra poche righe.

93

L’algoritmo implementato è quindi in un certo senso più diretto e immediato, e risulta molto intuitivo. Ciononostante, ci sono comunque alcuni aspetti che necessitano un’attenzione particolare, e di essere approfonditi nello sviluppo futuro del metodo:

 Variabilità intersoggettiva nelle ampiezze del segnale: a causa della forte

variabilità nelle ampiezze del segnale, le soglie per il riconoscimento dello spindle non sono state definite in modo fisso ma sono state parametrizzate rispetto all’ampiezza media del segnale, misurata nella fase 2 e 3 del sonno NREM. Ciononostante, si è verificato sperimentalmente che la rilevazione cambia moltissimo al variare anche di molto poco il coefficiente moltiplicativo tra l’ampiezza media e le soglie (ricordiamo che è tale coefficiente è 1 per la soglia inferiore e 4 per la soglia superiore), perciò anche questa parametrizzazione potrebbe non bastare, nel senso che soggetti diversi presentano un “rapporto” diverso tra l’ampiezza media e l’ampiezza dello spindle, perciò potrebbero rendersi necessarie ulteriori tecniche (per es. di modellazione) per rendere l’algoritmo il più oggettivo possibile.

 Intervallo frequenziale dello spindle: il segnale, prima di essere sottoposto alla

rilevazione, viene filtrato in banda sigma. Il problema fondamentale del filtraggio, e anche di altri metodi frequenziali proposti in letteratura, è costituito proprio dall’intervallo frequenziale da scegliere. Infatti, tali intervalli non sono esattamente definiti. Per fare solo pochissimi esempi, in letteratura possiamo trovare lavori come quello di Andrillon (Thomas Andrillon, 2011), in cui si utilizza il range [9-16] Hz, o di Ferrarelli (Fabio Ferrarelli, 2007), in cui il range è definito [12-15] Hz, di Costa (J. Costa, 2012) che usa l’intervallo [11-15] Hz, o Duman (Fazıl Duman) che usa quello [8-16] Hz.

 Filtraggio: quello che si è verificato sperimentalmente è che filtrando con

finestre più ampie, gli spindle non riuscivano ad emergere, perciò si è preferito passare ad una finestra più stretta. Anche questa scelta però necessita una particolare cautela, dato che un filtro troppo stretto introduce esso stesso una

94

forma a fuso sul segnale finale, a causa dell’effetto delle regioni di transizione in salita e in discesa, che nel caso di banda molto stretta si trovano molto vicine tra loro. Il rischio quindi è quello di introdurre un artefatto sul segnale della stessa morfologia della struttura che stiamo cercando, equivocando i risultati ottenuti.

Queste considerazioni offrono utili spunti per sviluppi futuri di questo metodo; ad esempio, si potrebbe pensare di oltrepassare le difficoltà sull’ampiezza della soglia utilizzando non solo l’ampiezza media del segnale in fase 2 e 3 ma anche l’ampiezza dei fusi rilevati in banda alfa durante la veglia; infatti i fusi alfa della veglia oltre ad avere una morfologia molto simile ai fusi del sonno, oscillano nella stessa banda frequenziale e sono anche generati dalla stessa circuiteria, ovvero i neuroni TC. (Hughes S. a., 2005) (Hughes S. C., 2007) (Vijayan, 2012). Sulla base di queste premesse, sarà però necessario effettuare uno studio preliminare sulla associazione tra ampiezza dei fusi alfa in veglia e quella dei fusi del sonno al variare del soggetto.

8-1: Registrazione extracellulare relativa ad un neurone TC durante un'onda alfa [modificato, da Just a phase they’re going through: the complex interaction of intrinsic high-threshold bursting and gap junctions in the generation of thalamic α and θ rhythms - Stuart W. Hughes and Vincenzo Crunelli]

95

Infine, dal momento che sappiamo che l’attività spindle coinvolge in modo diffuso tutte le aree cerebrali, uno sviluppo importante di questo lavoro sarà il clustering dei risultati ottenuti da tutti gli elettrodi in modo da studiare gli spindles non più a livello di struttura EEG prelevata dal singolo canale ma a livello di evento, che coinvolge tutti i canali di registrazione; in questo modo sarà possibile approfondire l’analisi di nuove misure, come il grado di sincronizzazione tra i canali o la valutazione della distribuzione spaziale degli spindles a livello locale o globale.

96

8.4 Bibliografia

Fabio Ferrarelli, R. H. (2007). Reduced Sleep Spindle Activity in Schizophrenia Patients. Am J Psychiatry , 164, 483–492.

Fazıl Duman, O. E. (s.d.). Automatic sleep spindle detection and localization.

Hughes, S. a. (2005). Thalamic mechanisms of EEG alpha rhythms and their pathological implications. Neuroscientist , 11 (4), 357-372.

Hughes, S. C. (2007). Just a phase they're going through: the complex interaction of intrinsic high-threshold bursting and gap junctions in the generation of thalamic alpha and theta rhythms. Int J Psychophysiol , 3-17.

J. Costa, M. O. (2012). An Automatic Sleep Spindle Detector based on WT, STFT and WMSD. World Academy of Science, Engineering and Technology , 6.

Thomas Andrillon, Y. N. (2011). Sleep Spindles in Humans: Insights from Intracranial EEG and Unit Recordings. The Journal of Neuroscience , 31 (49), 17821–17834.

Vijayan, S. K. (2012). Thalamic model of awake alpha oscillations and implications for stimulus processing. Proc. Natl. Acad. Sci. U S A , 18553-8.