Sommario
Il cervello umano `e un sistema dinamico molto complesso che presenta pe-culiari caratteristiche di non stazionariet`a: in questo lavoro di analisi dei segnali elettrofisiologici, l’attenzione `e stata focalizzata proprio su questo aspetto. In particolare sono state studiate le tecniche di segmentazione dei segnali EEG, sia di tipo parametrico che di tipo non parametrico. Queste tecniche permettono la rilevazione dei processi di transizione rapida (RTP), ossia dei punti di transizione rapida tra i segmenti con caratteristiche di quasi-stazionariet`a presenti negli EEG. Dopo aver implementato e valutato uno dei pi `u recenti algoritmi di segmentazio-ne, `e stato sviluppato un metodo originale di ricerca degli RTP (FinderRTP), che, rispetto al precedente, si `e dimostrato pi `u semplice da gestire grazie al minore numero di parametri da settare. L’efficienza del metodo proposto `e stata valutata facendo ricorso a segnali EEG artificiali da noi appositamente generati. Il Fin-derRTP si `e dimostrato capace di rilevare il 43.7% degli RTP realmente presenti nel segnale artificiale, con una percentuale di veri positivi pari al 72.6%. Dopo aver validato l’algoritmo, abbiamo applicato il finderRTP a dei segnali EEG sperimen-tali registrati in due diverse condizioni: basale e sotto stimolazione audio-visiva. In entrambi i casi, il FinderRTP ha localizzato e selezionato in modo efficiente gli RTP dei segnali. In seguito sono state indagate le caratteristiche statistiche degli RTP trovati e dei tempi di attesa tra gli RTP. Abbiamo comparato due modelli matematici, la legge a potenza e lo stretched exponential, per valutare quale dei due fosse pi `u adatto a descrivere la distribuzione dei tempi di attesa rilevati. Abbiamo concluso che lo stretched exponential `e pi `u adatto a questo scopo perch`e dimostra una maggiore uniformit`a dei parametri nel fitting con i dati sperimentali.
Abstract
The human brain is a very complex dynamic system, which presents peculiar characteristic of nonstationarity: in this paper, in which we analyze electrophys-iological signals, our attention is just focused on this aspect. In particular we evaluated the segmentations techniques of EEG signals, both parametric and non-parametric. This techniques allow to detect rapid transition processes (RTP), that is a rapid transition points between segments with properties of almost-stationarity which are in EEG. We evaluated and implemented one of most recent algorithm of EEG’ segmentation, then we built an original method to search RTP (FinderRTP). Compared to previous, our own algorithm seems to be more simple to handle, thanks to smaller number of parameters to set. We evaluated the efficiency of the suggested method through artificial EEG signals, that we created on purpose. The FinderRTP proved to be able to detect the 43.7% of RTP really presents in artificial signals, with a percentage of true positive equal to 72.6%. After the validation of our own algorithm, we applied the FinderRTP to some experimental EEG signals registered in two different conditions: basal condition and during audio-visual stimulations. In both cases, the FinderRTP localized and selected efficiently the signals’ RTP. Later on, we investigated statistical characteristics of RTP that we found and waiting times between RTP. We compared two mathe-matical model, the power law and the stretched exponential, for evaluating which is more suitable for describing the detected waiting time’s distribution. Finally we deduced that stretched exponential is more suitable for this aim, because it shows more uniformity of parameters in fitting procedure with experimental data.
