Implementazione di una Recurrent Neural Network (RNN) per la classificazione di soggetti sani e affetti da Alzheimer tramite l'elaborazione di segnali Elettroencefalici (EEG)

In recent years, the disciplinary fields have shown great interest in Artificial Intelligence for the multiple functions it offers and the technological maturity it has currently reached. Artificial Intelligence (AI) is defined as a branch of computer science that covers various aspects of human intelligence. It includes skills related to reasoning and solving problems of various kinds, proposing the development of software components with typical human cognitive abilities. These are based on the use of learning techniques that allow you to process and understand information present in a data context. One of the many sectors that has opened up to this approach is the medical one, making it possible to provide healthcare personnel with diagnostic support (CAD Computer-aided diagnosis) and tools that can intervene on individual subjects, through measures suitable for specific needs. Through the use of measuring instruments, the signals of interest are taken and converted into data sets, used to train the artificial intelligence models that will allow the identification of any pathologies. The following work exposes the analysis and conversion of electroencephalic signals (EEG) into datasets, taken using appropriate electrodes placed on the scalp of the various subjects examined. The objective of this thesis is to analyze some Deep Learning techniques, which will be further explored, in order to identify the best approach for solving a classification problem including healthy and Alzheimer's patients. The thesis is structured as follows: • Description of the methods of use of Deep Learning used for classification and of the techniques of feature extraction. • analysis of samples from patients, first in terms of waveforms graphed over time and then in the matrix figure. • conversion of data files, containing the subjects' electroencephalic information, into formats that are easier to manipulate by the software. • application of pre-processing algorithms on the dataset for filtering from redundant values. • design and implementation of the recurrent neural network (LSTM). • evaluation of the results obtained and optimization of hyperparameters.

Negli ultimi anni sono aumentati gli ambiti disciplinari che hanno mostrato un grande interesse nei confronti dell’Intelligenza Artificiale, dovuto alle molteplici funzionalità che essa propone e alla maturità tecnologica che attualmente ha raggiunto. L’Intelligenza Artificiale (AI) si definisce come una branca dell’informatica che copre vari aspetti dell’ intelligenza umana. Include le competenze legate al ragionamento ed alla risoluzione di problemi di diversa natura, proponendo lo sviluppo di componenti software dotati di capacità cognitive tipiche dell’essere umano. Questi si basano sull’utilizzo di tecniche di apprendimento che consentono di elaborare e comprendere informazioni presenti in un contesto di dati. Uno dei tanti settori che si è aperto a questo approccio è quello medico, permettendo di fornire al personale sanitario un supporto alle diagnosi (CAD Computer-aided diagnosis) e strumenti che possano intervenire sui singoli soggetti, tramite misure adatte ad esigenze specifiche. Attraverso l’utilizzo di strumenti di misura, vengono prelevati i segnali di interesse e convertiti in set di dati, utilizzati per addestrare i modelli di intelligenza artificiale che permetteranno l’identificazione di eventuali patologie. Il seguente lavoro espone l’analisi e la conversione in dataset di segnali elettroencefalici (EEG), prelevati utilizzando opportuni elettrodi posti sullo scalpo dei vari soggetti presi in esame. L’obiettivo della presente tesi è quello di analizzare alcune tecniche di Deep Learning, che verranno successivamente approfondite, in modo da poter individuare l’approccio migliore per la soluzione di un problema di classificazione comprendente soggetti sani e malati di Alzheimer. La tesi è strutturata nel seguente modo: • Descrizione delle modalità di utilizzo del Deep Learning impiegate per la classificazione e delle tecniche di feature extraction. • analisi dei campioni provenienti dai pazienti , dapprima in termini di forme d’onda graficate nel tempo e poi in figura matriciale. • conversione dei file di dati, contenenti le informazioni elettroencefaliche dei soggetti, in formati più semplici da manipolare dai software. • applicazione di algoritmi di pre-processing sul dataset per il filtraggio dai valori ridondanti. • progettazione e realizzazione della rete neurale ricorrente (LSTM). • valutazione dei risultati ottenuti e ottimizzazione degli hyperparameters.