fbpx

SEGUICI SU:

DELLO STESSO AUTORE

INSTAGRAM

CORRELATI

Classificare la fascia di età e il sesso con l’EEG a 14 canali

La creazione di un framework basato sulla classificazione di età e sesso tramite EEG aiuterà ospedali e cliniche nelle diagnosi e cure

Un lavoro del 2018 dimostra come sia facile classificare l’età e il sesso di una persona utilizzando l’EEG, applicandolo poi in applicazioni di IoT. In questo modo si potrà comunicare all’ospedale o clinica non solo i dati del paziente ma anche il sesso e una fascia di età orientativa in modo da facilitare la diagnosi. Questa ricerca si contraddistingue dalle altre per richiedere un tempo minore nella registrazione dell’EEG, bastano infatti solo 7 secondi per una corretta classificazione.

Il nuovo framework proposto dal gruppo di ricerca prevede l’invio del segnale catturato dai pochi sensori EEG presenti sullo scalpo direttamente allo smartphone o computer. Dopo una corretta elaborazione, i dati saranno trasmessi ai dispositivi presenti nella struttura sanitaria che si organizzerà assistere il paziente al meglio.

Fig. 1
Schema sul funzionamento del framework

Dettagli sperimentali

Nel dataset sono presenti 60 soggetti di età compresa tra 6 e 55 anni (6 fasce d’età). Tra questi 25 di sesso femminile e 35 maschile. Per ogni soggetto sono stati registrati 10 secondi di attività cerebrale in stato di riposo con 14 elettrodi, ognuno a frequenza di campionamento di 128 Hz. Studiando le diverse finestre temporali del segnale, si è notato come per un’accurata classificazione bastano 7 secondi di registrazione.

Nelle diverse fasce di età si contraddistinguono diverse zone cerebrali attive. Infatti i pazienti dai 6 ai 15 anni hanno registrato un’elevata attività cerebrale in stato di riposo, rispetto alle altre fasce. Per una stessa fascia d’età è presente una distinzione dell’area coinvolta anche tra maschi e femmine. Ogni segnale è stato analizzato nelle bande alfa, beta, gamma, teta, delta.

Due filtri sono stati applicati per togliere il rumore:

  • Savitzky–Golay per adattare sottoinsiemi consecutivi di punti di segnale vicini tramite l’uso di un polinomio di basso grado e minimi quadrati lineari.
  • Discrete wavelet transform per analizzare il segnale nel tempo e nella frequenza, trasformando la matrice del segnale di input in coefficienti di output equivalenti.

Dal segnale filtrato è stato possibile estrarre 3 feature:

  • Media: una semplice divisione della somma dei dati per il totale dei campioni.
  • Energia del segnale: la somma quadrata di ogni elemento caratterizzante il segnale.
  • Root Mean Square: la radice quadrata della media dei quadrati.

Grazie a due Random Forest si è potuto classificare il sesso e l’età di ogni soggetto. Ogni Random Forest è caratterizzato da un insieme di alberi di classificazione in cui ogni albero contribuisce alla classificazione dell’input. Ogni nodo di ogni albero fornisce una classificazione in base all’analisi a posteriori dei dati. Pur avendo usando fino a 20 alberi, usando da 7 a 13 alberi si ottengono i risutlati migliori.
I risultati dei Random Forest sono stati comparati con la classificazione tramite SVM e usando una Neural Network ma il Random Forest ha dato un’accuratezza più elevata.

Conclusioni sperimentali

Classificare per età e sesso usando l’EEG ha portato un’accuratezza del 100% in molte fasce d’età. Le bande con risutlati migliori sono beta e delta, rispettivamente con accuratezze medie pari a 88.33% e 96.66%. Il sistema proposto potrà essere integrato facilmente agli attuali apparecchi ospedalieri, fornendo quindi un’elevata affidabilità nella classificazione del dato di input.

Il framework di questo esperimento, potrà quindi aiutare il personale medico a sviluppare la giusta diagnosi e successiva terapia esaminando i dati cerebrali e confermandoli con la successiva visita del paziente. Non sarà uno strumento diagnostico esclusivo ma un’integrazione ai già adottati sistemi diagnositici.

CUE FACT CHECKING

Grazie per essere arrivato fin qui

Per garantire lo standard di informazione che amiamo abbiamo dato la possibilità ai nostri lettori di sostenerci, dando la possibilità di:
- leggere tutti gli articoli del network (10 siti) SENZA banner pubblicitari
- proporre ai nostri team le TEMATICHE da analizzare negli articoli

LASCIA UN COMMENTO

Please enter your comment!
Please enter your name here

Silvia Sannahttps://systemscue.it
Laureata triennale in Ingegneria Elettrica, Elettronica, Informatica e attualmente studentessa di LM Computer Engineering, Cybersecurity and Artificial Intelligence. Informazione tecnologica con TechCuE