LIGHTWEIGHT AND INTERPRETABLE DEEP LEARNING FRAMEWORK FOR PERSONALIZED EEG-BASED EPILEPSY MONITORING

I MODELLI DI DEEP LEARNING (DL) PERMETTONO DI AUTOMATIZZARE L’ANALISI DEI BIOSGNALI. NEL CASO DELL’ELETTROENCEFALOGRAFIA (EEG), AMPIAMENTE UTILIZZATA PER MONITORARE L’ATTIVITÀ CEREBRALE, CIÒ SI TRADUCE IN UN RILEVAMENTO ACCURATO DEGLI EVENTI NEUROLOGICI E IN SISTEMI SCALABILI ADATTI AD APPLICAZIONI IN TEMPO REALE. IN QUESTO QUADRO, IL PRESENTE LAVORO DI DOTTORATO MIRA A PROGETTARE E OTTIMIZZARE ARCHITETTURE DL PER IL RILEVAMENTO DI CRISI SPECIFICHE DEL SINGOLO PAZIENTE, AFFRONTANDO DUE ASPETTI PRINCIPALI DEL PROBLEMA. A GESTIONE DELLA COMPLESSITÀ SPAZIALE DEI SEGNALI EEG, CHE RICHIEDE L’ESTRAZIONE DI INFORMAZIONE SIGNIFICATIVA DA DATI MULTICANALE DISTRIBUITI IN DIVERSE AREE CEREBRALI, E LA RIDUZIONE DELLA COMPLESSITÀ COMPUTAZIONALE DEGLI ALGORITMI DL, COSÌ DA RENDERNE L’USO PRATICABILE IN UN CONTESTO INDOSSABILE. QUEST’ULTIMO ASPETTO È RILEVANTE E SI INSERISCE NEL CRESCENTE INTERESSE PER LA MEDICINA PERSONALIZZATA E L’ASSISTENZA REMOTA, IN CUI L’ANALISI DELL’ATTIVITÀ CEREBRALE PUÒ AIUTARE I CLINICI A SEGUIRE IN MODO PIÙ ACCURATO LA PROGRESSIONE DELLE CONDIZIONI NEUROLOGICHE. LA TESI COMPRENDE DUE STUDI. IL PRIMO STUDIA LA RIDUZIONE DELLA DIMENSIONALITÀ SPAZIALE DEI SEGNALI EEG E L’IMPIEGO DELL’INPUT RIDOTTO IN UN MODELLO DL LEGGERO ADDESTRATO SU DATI EEG GREZZI. SI PROPONE UN ALGORITMO DATA-DRIVEN DI SELEZIONE DEI CANALI PER INDIVIDUARE LE REGIONI DELLO SCALPO PIÙ INFORMATIVE PER IL RILEVAMENTO DELLE CRISI, INSIEME A UNA RETE NEURALE CONVOLUZIONALE EFFICIENTE CHE ELABORA SOLO DUE CANALI EEG. I RISULTATI MOSTRANO PRESTAZIONI ELEVATE RISPETTO ALLO STATO DELL’ARTE E, IN ALCUNI CASI, UN’ACCURATEZZA BILANCIATA SUPERIORE A QUELLA DELLA STESSA ARCHITETTURA APPLICATA ALLA CONFIGURAZIONE FISSA A QUATTRO CANALI, COMUNEMENTE UTILIZZATA NELLE APPLICAZIONI EEG INDOSSABILI. IL SECONDO STUDIO INDAGA COME RAPPRESENTARE LE RELAZIONI SPAZIALI TRA GLI ELETTRODI EEG MEDIANTE RETI NEURALI GRAFICHE. RAPPRESENTANDO CIASCUN CANALE COME UN NODO DI UN GRAFO E GLI ARCHI COME CONNETTIVITÀ FUNZIONALE (FC) TRA ELETTRODI, QUESTO APPROCCIO CONSENTE DI SFRUTTARE L’INTERA INFORMAZIONE SPAZIALE. PER IDENTIFICARE LA MISURA DI FC CHE MEGLIO EVIDENZIA LE DIFFERENZE TRA LE FASI DI CRISI MANTENENDO IL GRAFO IL PIÙ SPARSO POSSIBILE, E QUINDI PERMETTENDO UNA RETE SU GRAFI PIÙ LEGGERA, VIENE CONDOTTO UN CONFRONTO STATISTICO DATA-DRIVEN TRA DUE MISURE AMPIAMENTE UTILIZZATE, IL PHASE LOCKING VALUE (PLV) E IL COEFFICIENTE DI CORRELAZIONE DI PEARSON. PER QUANTO RIGUARDA I RISULTATI, IL PLV EMERGE COME LA MISURA DI FC PIÙ EFFICACE E L’ARCHITETTURA SVILUPPATA, CHE COMBINA UNA GRAPH CONVOLUTIONAL NETWORK PER L’ESTRAZIONE DELLE CARATTERISTICHE SPAZIALI CON UN MODULO LONG SHORT-TERM MEMORY PER LA MODELLAZIONE DELLE DINAMICHE TEMPORALI, RAGGIUNGE UN’ACCURATEZZA BILANCIATA PARAGONABILE ALLO STATO DELL’ARTE, UTILIZZANDO OLTRE IL 50% DI PARAMETRI IN MENO. IN CONCLUSIONE, SEBBENE IL LAVORO SI CONCENTRI SULLA PROPOSTA DI FRAMEWORK DL LEGGERI PER ESTRARRE DESCRITTORI SIGNIFICATIVI DEL FUNZIONAMENTO CEREBRALE, PARTICOLARE ATTENZIONE NELLO STUDIO È POSTA ALLA VISUALIZZAZIONE DEI RISULTATI, ESSENZIALI PER L’ADOZIONE CLINICA DEI MODELLI E LA COLLABORAZIONE TRA ESPERTI UMANI E SISTEMI DI INTELLIGENZA ARTIFICIALE, ATTENUANDONE IN PARTE LA NATURA DI “SCATOLA NERA”. IN QUEST’OTTICA, IL PRIMO STUDIO PRODUCE MAPPE TOPOGRAFICHE EEG CHE MOSTRANO LA DISTRIBUZIONE SPAZIALE DELL’ATTIVITÀ PIÙ RILEVANTE PER DISTINGUERE TRA LE FASI DI CRISI. IL SECONDO, TRAMITE GNNEXPLAINER, UNO STRUMENTO CHE IDENTIFICA I NODI PIÙ INFLUENTI PER LE PREDIZIONI DEL MODELLO, FORNISCE PUNTEGGI DI RILEVANZA A LIVELLO DI NODO E METTE IN EVIDENZA LE REGIONI CEREBRALI COINVOLTE. QUESTE RAPPRESENTAZIONI VISIVE EVIDENZIANO UNA FORTE COERENZA TRA I DUE APPROCCI: LE REGIONI CEREBRALI DI INTERESSE EVIDENZIATE COINCIDONO NEI DUE PERCORSI METODOLOGICI ADOTTATI, RAFFORZANDONE L’AFFIDABILITÀ DEI RISULTATI.

DEEP LEARNING (DL) MODELS MAKE IT POSSIBLE TO AUTOMATE BIOSIGNAL ANALYSIS. WHEN DEALING WITH ELECTROENCEPHALOGRAPHY (EEG), A WIDELY USED TOOL TO MONITOR BRAIN ACTIVITY, THIS TRANSLATES INTO ACCURATE DETECTION OF NEUROLOGICAL EVENTS AND SCALABLE SYSTEMS SUITABLE FOR REAL-TIME APPLICATIONS. WITHIN THIS FRAMEWORK, THE PRESENT PHD WORK AIMS TO DESIGN AND OPTIMIZE DL ARCHITECTURES TAILORED TO PATIENT-SPECIFIC SEIZURE DETECTION, SPECIFICALLY ADDRESSING TWO MAIN ASPECTS OF THE PROBLEM. THE PROPER MANAGEMENT OF THE SPATIAL COMPLEXITY OF EEG SIGNALS, WHICH REQUIRES EXTRACTING MEANINGFUL INFORMATION FROM MULTICHANNEL DATA DISTRIBUTED ACROSS DIFFERENT BRAIN REGIONS, AND THE REDUCTION OF THE COMPUTATIONAL COMPLEXITY OF DL ALGORITHMS, IN ORDER TO MAKE THEIR USE FEASIBLE IN A WEARABLE CONTEXT. THIS LATTER ASPECT IS HIGHLY RELEVANT, AS IT ALIGNS WITH THE GROWING INTEREST IN PERSONALIZED MEDICINE AND REMOTE HEALTHCARE, WHERE THE ANALYSIS OF BRAIN ACTIVITY THROUGH CONTINUOUS MONITORING CAN HELP CLINICIANS TRACK THE PROGRESSION OF NEUROLOGICAL CONDITIONS MORE ACCURATELY. THE THESIS COMPRISES TWO STUDIES. THE FIRST EXPLORES HOW TO REDUCE THE SPATIAL DIMENSIONALITY OF EEG SIGNALS AND EXPLOIT THE RESULTING REDUCED INPUT IN A LIGHTWEIGHT DL MODEL TRAINED ON RAW EEG DATA. A DATA-DRIVEN CHANNEL SELECTION ALGORITHM IS PROPOSED TO IDENTIFY THE MOST INFORMATIVE SCALP REGIONS FOR SEIZURE DETECTION, TOGETHER WITH A COMPUTATIONALLY EFFICIENT CONVOLUTIONAL NEURAL NETWORK THAT PROCESSES ONLY TWO EEG CHANNELS. THE RESULTS SHOW HIGH PERFORMANCE COMPARED TO THE STATE OF THE ART, AND IN SOME CASES A BALANCED ACCURACY THAT OUTPERFORMS THAT OF THE SAME ARCHITECTURE APPLIED TO THE FIXED FOUR-CHANNEL CONFIGURATION COMMONLY USED IN WEARABLE EEG APPLICATIONS. THE SECOND STUDY INVESTIGATES HOW TO REPRESENT THE SPATIAL RELATIONSHIPS BETWEEN EEG ELECTRODES USING GRAPH NEURAL NETWORKS. BY MODELING EACH CHANNEL AS A NODE IN A GRAPH AND THE EDGES AS FUNCTIONAL CONNECTIVITY (FC) BETWEEN ELECTRODES, THIS APPROACH ENABLES THE EXPLOITATION OF FULL SPATIAL INFORMATION. TO IDENTIFY THE FC MEASURE THAT BEST HIGHLIGHTS DIFFERENCES BETWEEN SEIZURE PHASES WHILE KEEPING THE GRAPH AS SPARSE AS POSSIBLE, THEREBY ENABLING A LIGHTER GRAPH-BASED NETWORK, A DATA-DRIVEN STATISTICAL COMPARISON OF TWO WIDELY USED MEASURES, I.E., PHASE LOCKING VALUE (PLV) AND PEARSON CORRELATION COEFFICIENT (PCC), IS CARRIED OUT. IN TERMS OF RESULTS, PLV EMERGES AS THE MOST EFFECTIVE FC MEASURE, AND THE DEVELOPED ARCHITECTURE, WHICH COMBINES A GRAPH CONVOLUTIONAL NETWORK FOR SPATIAL FEATURE EXTRACTION WITH A LONG SHORT-TERM MEMORY MODULE FOR TEMPORAL DYNAMICS, ACHIEVES A BALANCED ACCURACY COMPARABLE TO THE STATE OF THE ART WHILE USING MORE THAN 50% FEWER PARAMETERS. IN CONCLUSION, EVEN IF THE MAIN RESULT OF THE ENTIRE PHD WORK IS BASED ON THE IMPLEMENTATION OF LIGHTWEIGHT DL FRAMEWORKS FOR THE EXTRACTION OF MEANINGFUL DESCRIPTORS OF BRAIN FUNCTIONING, PARTICULAR ATTENTION IS PAID TO RESULT VISUALIZATION, WHICH IS ESSENTIAL FOR THE CLINICAL ADOPTION OF THE MODELS AND FOR EFFECTIVE COLLABORATION BETWEEN HUMAN EXPERTS AND ARTIFICIAL INTELLIGENCE (AI) SYSTEMS DURING THE DIAGNOSTIC PROCESS. INDEED, ONE OF THE MAIN LIMITATIONS TO THE USE OF AI IN HEALTHCARE IS THE "BLACK BOX" NATURE OF DL MODELS. IN THIS PERSPECTIVE, THE FIRST STUDY PRODUCES EEG TOPOGRAPHIC MAPS THAT VISUALIZE THE SPATIAL DISTRIBUTION OF THE MOST RELEVANT ACTIVITY FOR DISTINGUISHING BETWEEN SEIZURE PHASES. THE SECOND STUDY, THROUGH THE USE OF GNNEXPLAINER, A TOOL THAT IDENTIFIES THE MOST INFLUENTIAL NODES FOR MODEL PREDICTIONS, PROVIDES NODE-LEVEL RELEVANCE SCORES, OFFERING A CLEAR FOCUS ON THE BRAIN REGIONS INVOLVED. THESE VISUAL REPRESENTATIONS SHOW STRONG CONSISTENCY BETWEEN THE TWO APPROACHES: GRAPH-BASED EXPLANATION METHODS HIGHLIGHT REGIONS OF INTEREST THAT MATCH THE CHANNELS SELECTED IN THE FIRST STUDY, REINFORCING THE RELIABILITY OF THE RESULTS AND PROVIDING A FORM OF CROSS-VALIDATION OF THE METHODOLOGICAL PATHS ADOPTED.