I segnali elettroencefalografici registrati sono comunemente contaminati da artefatti di diverso tipo. Gli artefatti possono essere fisiologici o non fisiologici. Gli artefatti fisiologici hanno origine da regioni non cerebrali, come ad esempio quelli relativi all’attività cardiaca, muscolare, al battito delle ciglia, e ad attività come masticare e tossire. Gli artefatti non fisiologici sono invece dovuti alla strumentazione (es: movimento degli elettrodi durante l’acquisizione) e a
5 diodo a giunzione che funziona come sensore ottico: colpito dalla luce, genera una corrente inversa, quindi
34
interferenze ambientali. Per poter estrarre dai segnali le informazioni utili, bisogna trattare i segnali in modo da aumentare il rapporto segnale-rumore. Pertanto, prima di essere analizzati, i dati EEG devono subire una fase di pre-elaborazione (Figura 7). In questa fase, indispensabile per una corretta interpretazione dei dati, gli artefatti vengono rilevati ed eliminati. La pre- elaborazione dei dati è stato effettuando utilizzando EEGLAB, un toolbox di MATLAB che consente di immagazzinare, visualizzare e manipolare dati EEG (Delorme et al; 2004).
Figura 9 Finestra di avvio di EEGLAB
I dati, in formato MFF sono stati importati in EEGLAB. La finestra di avvio consente di visualizzare immediatamente alcune informazioni relative ai dati importati, come ad esempio il numero di canali, la frequenza di campionamento, il numero degli eventi se si tratta di ERPs6, la lunghezza temporale del segnale (Figura 9). Successivamente è stata ridotta la frequenza di
35
campionamento da 500 Hz a 250 Hz (Tools-Change sampling rate) ed è stata selezionata Tools-
Remove baseline che rimuove da ogni canale la media del segnale. Mediante un filtro FIR7
passa banda, è stata selezionata la banda di interesse del segnale, quella compresa tra 1 e 45 Hz
(Figura 10). Nonostante alcuni studi in letteratura ritengano che l’attività cerebrale
prevalentemente correlata ai processi emozionali abbia una frequenza compresa tra 8 e 30 Hz, e che siano dunque le onde alfa e beta quelle maggiormente coinvolte (Gawali et al; 2012), si è preferito utilizzare l’intera banda relativa allo stato di veglia per avere una visione globale dell’attività cerebrale. Inoltre scegliendo la frequenza di taglio superiore a 45 Hz, si elimina anche il rumore a 50 Hz dovuto alla frequenza di rete.
Figura 10 Filtro FIR passa-banda
A questo punto è possibile visualizzare i canali EEG (Plot-Channel data (scroll)) e modificare opportunamente il numero di canali e il range temporale per favorire la visualizzazione. Mediante ispezione visiva vengono selezionati e poi rimossi, selezionando Reject, gli artefatti macroscopici (Figura 11).
36
Figura 11 Esempio di artefatti macroscopici nella finestra temporale (3, 5) secondi.
La fase successiva consiste nella rilevazione dei canali che presentano problemi di acquisizione (esempio in Figura 12) e la loro successiva interpolazione. L’interpolazione è una tecnica che consente di correggere i dati ritenuti affetti da errori sostituendoli con dati approssimati. Per una corretta selezione dei canali da interpolare, è importante conoscere la posizione degli elettrodi sullo scalpo. A questo proposito, è possibile visualizzare, selezionando Plot-Channel
locations, la distribuzione degli elettrodi (Figura 13).
Spesso infatti i canali intorno al vertex8 risultano ipovoltati poiché misurano una differenza
potenziale piccola, ma non devono essere inclusi nell’interpolazione. Lo stesso discorso vale per i canali esterni allo scalpo. Bisogna pertanto selezionare accuratamente i canali che presentano reali problemi di acquisizione. Per applicare la funzione interpolante, una volta individuati i canali di interesse, vengono selezionate le seguenti voci in cascata: Tools-
Interpolate electrodes.
37
Figura 12 Esempio di canale con problemi di acquisizione: il canale E118 appare tipicamente "piatto”.
Figura 13 Distribuzione degli elettrodi sullo scalpo.
Dopo l’interpolazione, viene applicata la routine ICA selezionando Tools-Run ICA e specificando il numero di componenti desiderate, in questo caso 60. L’ICA (Analisi delle componenti Indipendenti) è una tecnica di analisi statistica multivariata che viene utilizzata quando si vuole ottenere una riduzione del set di dati a disposizione al fine di consentirne una migliore interpretazione. A partire dalle variabili iniziali, l’ICA identifica nuove variabili
38
indipendenti tra loro. L’ICA è una tecnica ampiamente utilizzata per la separazione dei segnali elettroencefalografici, che sono segnali complessi, in componenti indipendenti. L’ICA è un’estensione dell’Analisi delle Componenti Principali. Rispetto alla PCA però risulta più potente poiché stima componenti indipendenti e con distribuzione non gaussiana, e non solo componenti incorrelate come nella PCA; l’indipendenza è una condizione più forte dell’incorrelazione poichè richiede l’assenza di correlazione sia al secondo ordine (come la PCA) che a ordini superiori. Un classico esempio per spiegare cosa fa l’ICA è quello del
cocktail party problem, ovvero della situazione in cui si vogliono separare le voci dei
partecipanti a una festa basandosi sulle registrazioni dei microfoni. L’ICA consente proprio di ottenere questo, attraverso una trasformazione lineare delle variabili iniziali in nuove variabili. Dopo aver implementato la procedura ICA, vengono cambiati gli elettrodi di riferimento (Tools-Re-reference). Gli elettrodi scelti sono quelli posti sui due mastoidi9 e corrispondono ai canali E57 e E100. Il passo seguente consiste nella visualizzazione e valutazione delle componenti ottenute con l’applicazione della ICA. La visualizzazione viene ottenuta selezionando:
• Plot- Component activation (scroll), che consente di visualizzare l’andamento dei segnali nel tempo;
• Plot- Component properties, che consente di visualizzare in un unico grafico tre proprietà: in alto a sinistra la localizzazione della componente sullo scalpo, in alto a destra la distribuzione del segnale nel tempo, in basso lo spettro di potenza.
Mediante ispezione visiva dei due tipi di plot, viene stabilito quali componenti rimuovere o accettare. Le componenti da rimuovere sono quelle relative ad artefatti di diverso tipo. Alcuni artefatti, così come l’attività cerebrale di interesse, presentano delle proprietà caratteristiche e
39
sono facilmente riconoscibili. A titolo di esempio, vengono mostrati, nella Figura 14, a sinistra il plot relativo a blink oculari, e a destra quello relativo all’attività alfa.
Figura 14 A sinistra una componente relativa a blink oculari (la distribuzione sullo scalpo è concentrata nell’area frontale); a destra una componente relativa all’attività di tipo alfa (lo spettro di potenza mostra un picco a 10 Hz, la localizzazione sullo scalpo è piuttosto diffusa).
Questa è una fase piuttosto delicata e non immune da errori. Alla fine di questa fase vengono visualizzati i segnali mediante Plot-Channel data (scroll) e, come già fatto nelle prime fasi della pre-elaborazione, vengono individuati eventuali artefatti macroscopici sfuggiti alla prima ispezione. Una volta segnati gli intervalli temporali inficiati da artefatti, vengono caricati i dati successivi all’interpolazione dei canali, vengono rimossi gli artefatti, e viene applicata nuovamente la routine ICA. Infine vengono di nuovo cambiati gli elettrodi di riferimento e analizzate le componenti. Alla fine di questa procedura i dati EEG risultano teoricamente privi di artefatti. Nella Figura 15 vengono mostrati i dati pre e post pre-elaborazione.
40
Figura 15 In alto i dati EEG prima della procedura; in basso i dati "puliti".
L’analisi dei segnali viene effettuata utilizzando il software MATLAB. I dati EEG, precedentemente trattati con EEGLAB, vengono importati in MATLAB sotto forma di strutture costituite da matrici e vettori di dati, ognuna contenente specifiche informazioni: il tipo e il numero di eventi, l’istante di presentazione dello stimolo, oltre che, naturalmente, i valori ad ogni istante dei segnali acquisiti, precedenti e successivi alla fase di pre-elaborazione (Figura
41
Figura 16 Struttura MATLAB contenente i dati EEG relativi ad un soggetto dello studio.
Per intraprendere l’analisi dei dati volta alla classificazione è necessario innanzitutto estrarre dalla struttura sopracitata i dati EEG riguardanti la risposta dei soggetti agli stimoli emotivi. L’estrazione richiede la stesura di codici personalizzati per ciascun soggetto. Ogni sessione di dati presenta infatti delle caratteristiche diverse riguardanti ad esempio la posizione e la logica di apparizione dei DIN che segnalano la presenza degli eventi. A titolo di esempio viene mostrato in Figura 17 il caso più semplice tra quelli affrontati, nel quale la comparsa di ciascuna immagine sul monitor viene segnalata da due DIN, uno all’inizio e uno al termine della presentazione dello stimolo.
42
Figura 17 Estratto di tracciato EEG che mostra la logica di apparizione dei DIN associati agli stimoli emotivi.
In questo caso dunque il codice è stato scritto in modo tale da selezionare le finestre temporali a cavallo tra i due DIN ed estrarre i dati relativi ad esse.
I dati estratti rappresentano le risposte a due diverse categorie di stimoli pertanto è necessario classificarli, facendo riferimento all’ordine di presentazione delle immagini, che è noto, in due categorie: risposte a stimoli avversivi e risposte a stimoli neutri.
Al termine della fase di estrazione, per ogni soggetto avremo due matrici tridimensionali contenenti i dati su cui sarà basata l’intera analisi. Le due matrici sono strutturate nel modo seguente:
𝑛𝑢𝑚𝑒𝑟𝑜 𝑑𝑒𝑖 𝑐𝑎𝑛𝑎𝑙𝑖 ∗ 𝑛𝑢𝑚𝑒𝑟𝑜 𝑑𝑒𝑖 𝑑𝑎𝑡𝑖 ∗ 𝑛𝑢𝑚𝑒𝑟𝑜 𝑑𝑖 𝑠𝑡𝑖𝑚𝑜𝑙𝑖
I canali ritenuti utili ai fini dell’analisi sono 105; vengono esclusi i canali esterni allo scalpo e quelli di riferimento (Figura 18).
43
Figura 18 Distribuzione degli elettrodi sullo scalpo; cerchiati in rosso i canali esclusi dall'analisi.
La finestra temporale scelta per l’analisi ha una durata di 500 millisecondi. Nello specifico comprende i dati relativi ai 500 millisecondi successivi alla presentazione dello stimolo. Il numero degli eventi è invece variabile per ogni soggetto ed è pari al numero di stimoli “sopravvissuti” alla fase di pre-elaborazione. La procedura descritta è stata eseguita sui dati relativi a tutti e 20 i soggetti.
44
CAPITOLO TERZO
Sviluppo di un metodo per la classificazione della risposta emotiva
mediante analisi single-trial
In questo Capitolo verrà descritta l’intera procedura seguita per ottenere una classificazione efficace degli stati emozionali mediante l’analisi dei single-trial estratti nella fase precedente. Le fasi seguite nell’analisi sono le seguenti:
estrazione delle caratteristiche salienti del segnale;
selezione delle caratteristiche più adeguate per la classificazione e valutazione statistica delle stesse;
applicazione di alcune tecniche di classificazione;