Classificazione delle fasi di riposo e movimento tramite l'uso di potenziali di campo locale registrati da scimmie durante prove di raggiungimento e presa

I recenti sviluppi nell’ambito dell’ingegneria, dell’informatica e delle neuroscienze hanno messo in risalto l’idea di poter stabilire una comunicazione tra la mente e le macchine. Ciò ha rivelato la possibilità di ripristinare e potenziare le abilità umane tramite lo sviluppo di interfacce neurali affidabili, le cosiddette interfacce uomo-macchina (Brain-Computer Interface, BCI). Infatti, grazie a numerosi studi si è riusciti a capire come estrarre informazioni utili dal cervello e tradurle in comandi destinati a dispositivi esterni. Dedurre tali comandi motori dai segnali neurali registrati grazie ad opportuni elettrodi impiantati in determinate aree corticali, va sotto il nome di decodifica neurale. Ciò che viene mostrato in questo lavoro di tesi è il risultato del percorso fatto durante il tirocinio sperimentale svolto presso l’Area di Bioelettronica dell’Istituto di Biorobotica e Dipartimento di Eccellenza in Robotica e Intelligenza Artificiale della Scuola Superiore Sant’Anna. Nel presente studio sono stati analizzati dei segnali neurali intracorticali acquisiti dalle aree sensomotorie, durante delle prove di raggiungimento e presa eseguiti da scimmie. Tali dati derivano da un precedente lavoro, in cui le registrazioni sono state effettuate usando un array di multi-elettrodi impiantati nella corteccia delle aree pre-motoria (PM), motoria primaria (M1) e somatosensoriale (S1) di una scimmia Macaca Fascicularis. Le componenti a bassa frequenza delle registrazioni (al di sotto di 300 Hz), ovvero i potenziali di campo locale (Local Field Potential, LFP), sono state estratte ed elaborate nel dominio del tempo, al fine di rimuovere potenziali rumori ed artefatti. Nel contesto della decodifica neurale, le fasi di riposo e movimento relative alla prova di interesse sono state classificate tramite uno strumento di machine learning noto come Random Forest (RF).