Attention deficit hyperactivity disorder (ADHD) is one of the most common psychiatric and neuro-behavioural disorders in children, affecting 11% of children worldwide. This study aims to propose a machine learning-based algorithm to discriminate ADHD from healthy subjects using their electroencephalographic (EEG) signals. In addition, it aims to gather and illustrate all the documentation inherent to the project, both in the engineering, neuroscientific and psychological fields. The study included two datasets, respectively composed of two different situations. The first, created and investigated by G. Di Liberto, is representative of a subject listening to a narrator and is used to investigate the basics of the Matlab toolbox. In particular, it investigates the functionality of the time envelope of a relatively short audio signal (2 minutes and 30 seconds) and the Pearson's coefficient generated by its possible use. The results showed how using the envelope enhanced both the reconstruction of the signal and the coefficient extrapolated from it. Specifically, it lowers the error generated by the calculation of the matrix containing the correlation coefficients by an order of magnitude and keeps the accuracy of the calculation constant over all the regularisation parameters it exploits. This type of study is carried out because, in the use of the second dateset, generated and studied by Fuglsang, two types of coefficients are placed as the object of examination: the average and the singular ones. In particular, the study aims to investigate their origin and meanings, subsequently using them to form a Matlab programme capable of quantifying the probability of a subject having or not having an attention disorder. This dataset, unlike the first one, was created by reflecting a situation more likely to be true to reality, namely a situation called a cocktail party, where the subject was asked to listen to one of two narrated tracks at the same time. The program, described in Chapter 8, can provide a basis for possible developments concerning the correlation between ADHD and Pearson's coefficient.

Il disturbo da deficit di attenzione e iperattività (ADHD) è uno dei disturbi psichiatrici e neuro-comportamentali più comuni nei bambini, che colpiscono l’11% dei bambini in tutto il mondo. Questo studio mira a proporre un algoritmo basato sull’apprendimento automatico (machine learning) per discriminare l’ADHD da soggetti sani utilizzando i loro segnali elettroencefalografici (EEG). Inoltre, tale trattazione si pone l’obiettivo di raccogliere ed illustrare tutta la documentazione inerente al progetto, sia in ambito ingegneristico che neuroscientifico e psicologico. Lo studio ha incluso due dataset, composti rispettivamente da due situazioni differenti. Il primo, creato ed indagato da G. Di Liberto, è rappresentativo di un soggetto in ascolto di un narratore e viene utilizzato per indagare le basi del toolbox di Matlab. In particolare, attraverso di esso si indaga sulla funzionalità dell’inviluppo temporale di un segnale audio relativamente breve (di 2 minuti e 30 secondi) e sul coefficiente di Pearson generato da un suo eventuale utilizzo. I risultati hanno mostrato come, sfruttando l’inviluppo, si valorizzasse sia la ricostruzione del segnale che il coefficiente estrapolato da quest’ultima. Nello specifico, esso abbassa di un ordine di grandezza l’errore generato dal calcolo della matrice contenente i coefficienti di correlazione e mantiene costante l’accuratezza del calcolo su tutti i parametri di regolarizzazione che sfrutta. Questo tipo di studio viene effettuato perché, nell’utilizzo del secondo dateset, generato e studiato da Fuglsang, si va a porre come oggetto d’esame due tipologie di coefficienti: quelli medi e quelli singolari. In particolare, lo studio si pone l’obiettivo di indagarne la provenienza ed i significati, adoperandoli successivamente per la formazione di un programma Matlab in grado di quantizzare la probabilità di un soggetto ad avere o meno un disturbo di attenzione. Tale dataset, a differenza del primo, è stato creato rispecchiando una situazione più verosimile alla realtà, ovvero in una situazione denominata cocktail party, dove veniva chiesto al soggetto di ascoltare una delle due tracce narrate in contemporanea. Il programma, descritto al capitolo 8, può fornire una base per possibili sviluppi riguardante la correlazione fra ADHD ed il coefficiente di Pearson.

Implementazione di un decodificatore neurale EEG-audio per il rilevamento di disturbi dell'attenzione

BACCHINI, GIACOMO
2022/2023

Abstract

Attention deficit hyperactivity disorder (ADHD) is one of the most common psychiatric and neuro-behavioural disorders in children, affecting 11% of children worldwide. This study aims to propose a machine learning-based algorithm to discriminate ADHD from healthy subjects using their electroencephalographic (EEG) signals. In addition, it aims to gather and illustrate all the documentation inherent to the project, both in the engineering, neuroscientific and psychological fields. The study included two datasets, respectively composed of two different situations. The first, created and investigated by G. Di Liberto, is representative of a subject listening to a narrator and is used to investigate the basics of the Matlab toolbox. In particular, it investigates the functionality of the time envelope of a relatively short audio signal (2 minutes and 30 seconds) and the Pearson's coefficient generated by its possible use. The results showed how using the envelope enhanced both the reconstruction of the signal and the coefficient extrapolated from it. Specifically, it lowers the error generated by the calculation of the matrix containing the correlation coefficients by an order of magnitude and keeps the accuracy of the calculation constant over all the regularisation parameters it exploits. This type of study is carried out because, in the use of the second dateset, generated and studied by Fuglsang, two types of coefficients are placed as the object of examination: the average and the singular ones. In particular, the study aims to investigate their origin and meanings, subsequently using them to form a Matlab programme capable of quantifying the probability of a subject having or not having an attention disorder. This dataset, unlike the first one, was created by reflecting a situation more likely to be true to reality, namely a situation called a cocktail party, where the subject was asked to listen to one of two narrated tracks at the same time. The program, described in Chapter 8, can provide a basis for possible developments concerning the correlation between ADHD and Pearson's coefficient.
2022
2024-02-22
Implementation of an EEG-audio neural decoder for attention disorders detection
Il disturbo da deficit di attenzione e iperattività (ADHD) è uno dei disturbi psichiatrici e neuro-comportamentali più comuni nei bambini, che colpiscono l’11% dei bambini in tutto il mondo. Questo studio mira a proporre un algoritmo basato sull’apprendimento automatico (machine learning) per discriminare l’ADHD da soggetti sani utilizzando i loro segnali elettroencefalografici (EEG). Inoltre, tale trattazione si pone l’obiettivo di raccogliere ed illustrare tutta la documentazione inerente al progetto, sia in ambito ingegneristico che neuroscientifico e psicologico. Lo studio ha incluso due dataset, composti rispettivamente da due situazioni differenti. Il primo, creato ed indagato da G. Di Liberto, è rappresentativo di un soggetto in ascolto di un narratore e viene utilizzato per indagare le basi del toolbox di Matlab. In particolare, attraverso di esso si indaga sulla funzionalità dell’inviluppo temporale di un segnale audio relativamente breve (di 2 minuti e 30 secondi) e sul coefficiente di Pearson generato da un suo eventuale utilizzo. I risultati hanno mostrato come, sfruttando l’inviluppo, si valorizzasse sia la ricostruzione del segnale che il coefficiente estrapolato da quest’ultima. Nello specifico, esso abbassa di un ordine di grandezza l’errore generato dal calcolo della matrice contenente i coefficienti di correlazione e mantiene costante l’accuratezza del calcolo su tutti i parametri di regolarizzazione che sfrutta. Questo tipo di studio viene effettuato perché, nell’utilizzo del secondo dateset, generato e studiato da Fuglsang, si va a porre come oggetto d’esame due tipologie di coefficienti: quelli medi e quelli singolari. In particolare, lo studio si pone l’obiettivo di indagarne la provenienza ed i significati, adoperandoli successivamente per la formazione di un programma Matlab in grado di quantizzare la probabilità di un soggetto ad avere o meno un disturbo di attenzione. Tale dataset, a differenza del primo, è stato creato rispecchiando una situazione più verosimile alla realtà, ovvero in una situazione denominata cocktail party, dove veniva chiesto al soggetto di ascoltare una delle due tracce narrate in contemporanea. Il programma, descritto al capitolo 8, può fornire una base per possibili sviluppi riguardante la correlazione fra ADHD ed il coefficiente di Pearson.
File in questo prodotto:
File Dimensione Formato  
TESI.pdf

accesso aperto

Descrizione: Tesi
Dimensione 2.77 MB
Formato Adobe PDF
2.77 MB Adobe PDF Visualizza/Apri

I documenti in UNITESI sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/20.500.12075/16657