Progressi nella rilevazione dell'Alzheimer usando EEG e machine learning

La malattia di Alzheimer (AD) è una condizione che colpisce il cervello, rendendo difficile per le persone pensare chiaramente e ricordare le cose. Questa malattia colpisce principalmente gli anziani, soprattutto quelli di 65 anni e oltre. Con l'invecchiamento della popolazione, si prevede che il numero di persone affette da Alzheimer aumenterà, potenzialmente superando i 150 milioni di persone in tutto il mondo entro il 2050.

Attualmente ci sono modi per diagnosticare l'Alzheimer, ma molti di essi faticano a identificare la malattia nelle sue fasi iniziali. La rilevazione precoce è fondamentale perché può aiutare a gestire i sintomi e migliorare la qualità della vita per chi ne è colpito. I ricercatori stanno studiando nuovi metodi di diagnosi, uno dei quali coinvolge una tecnica chiamata Elettroencefalogramma (EEG). Questo metodo registra l'attività elettrica del cervello e può mostrare differenze nei modelli cerebrali tra persone sane e quelle con Alzheimer.

#Che cos'è la tecnologia EEG?

L'EEG è un metodo non invasivo, il che significa che non richiede alcun intervento chirurgico o strumenti speciali dentro il corpo. Utilizza sensori posizionati sul cuoio capelluto per monitorare l'attività cerebrale. I ricercatori hanno notato che i segnali cerebrali nei pazienti con Alzheimer, in particolare quelli con segni precoci di declino cognitivo, appaiono diversi rispetto agli individui sani. Alcuni studi hanno sottolineato che queste differenze possono essere rilevate in vari bande di frequenza dell'attività cerebrale.

La tecnologia EEG mostra promesse per la rilevazione di una gamma di disturbi cerebrali, non solo dell'Alzheimer. I ricercatori sono entusiasti del suo potenziale perché potrebbe aiutare a individuare la malattia precocemente, permettendo opzioni di trattamento migliori.

#Machine Learning nella rilevazione dell'Alzheimer

Il machine learning è un ramo dell'intelligenza artificiale che coinvolge l'insegnamento ai computer di apprendere dai dati. Nel contesto della rilevazione dell'Alzheimer, i modelli di machine learning possono analizzare i segnali EEG per determinare se una persona potrebbe avere la malattia.

Un tipo comune di modello di machine learning utilizzato è chiamato Rete Neurale Artificiale (ANN). Questo modello imita il funzionamento del cervello umano, utilizzando strati di nodi interconnessi (pensali come neuroni) per elaborare le informazioni.

Anche se le ANN sono state utilizzate per la rilevazione dell'Alzheimer, a volte possono commettere errori, portando a falsi positivi, ovvero indicare erroneamente che una persona sana ha la malattia. Per affrontare questo problema, i ricercatori stanno anche considerando un altro tipo di modello chiamato Reti Kolmogorov-Arnold (KAN). Le KAN sono progettate per gestire i dati in modo più efficiente, il che potrebbe aiutare a ridurre gli errori nelle previsioni.

#Confronto tra ANN e KAN

L'obiettivo principale delle ricerche recenti era confrontare quanto bene le ANN e le KAN si comportassero nella classificazione dei segnali EEG provenienti da individui con Alzheimer e controlli sani. I ricercatori hanno condotto esperimenti modificando alcuni fattori, inclusi il numero di volte che i modelli sono stati addestrati (chiamati epoche), quanto rapidamente hanno imparato (tassi di apprendimento) e quanti nodi sono stati utilizzati negli strati nascosti del modello.

Lo studio ha scoperto che le ANN generalmente hanno superato le KAN nella ricerca di segni di Alzheimer nei dati EEG. Questo significa che, nelle condizioni esaminate, le ANN hanno fornito risultati più accurati rispetto alle KAN.

#Come ha funzionato lo studio

I ricercatori hanno iniziato raccogliendo dati EEG da tre gruppi diversi: persone con Alzheimer, quelle con Demenza Frontotemporale e individui sani. Si sono concentrati sui dati dei pazienti con Alzheimer e dei controlli sani, utilizzando registrazioni effettuate tramite un headset EEG clinico. Il dataset includeva varie caratteristiche, come età e genere, ed è stato raffinato per concentrarsi solo sui gruppi rilevanti.

Successivamente, i ricercatori hanno preparato i dati EEG per l'analisi. Questo ha comportato la pulizia dei dati rimuovendo il rumore di fondo che potrebbe interferire con i risultati. Hanno applicato filtri per garantire che rimanessero solo modelli di segnali cerebrali chiari.

I segnali EEG sono stati quindi classificati in diverse bande di frequenza, poiché ogni banda rappresenta un'attività cerebrale unica. Per questo studio, i ricercatori si sono concentrati su quattro bande principali: Theta, Alpha, Beta e Gamma. Dopo l'elaborazione dei segnali, hanno calcolato un valore che rappresentava la forza di questi segnali per ciascun partecipante.

#Impostazione dei modelli di machine learning

Una volta pronti i dati, sono stati convertiti in un formato numerico che i modelli di machine learning potessero comprendere. Sono state eliminate informazioni superflue per semplificare ulteriormente i dati.

I ricercatori hanno progettato sia le ANN che le KAN con configurazioni simili, utilizzando quattro nodi nello strato di input e tre nello strato di output. Hanno anche incluso un metodo per prevenire l'overfitting, che è quando un modello impara troppo bene i dati di addestramento e si comporta male con nuovi dati. Dopo aver impostato i modelli, i ricercatori li hanno addestrati utilizzando i dati EEG puliti.

#Risultati degli esperimenti

Gli esperimenti condotti hanno aiutato a identificare come diversi fattori influenzassero l'accuratezza di entrambi i modelli. Modificando i tassi di apprendimento, le epoche e i nodi, i ricercatori sono stati in grado di osservare come queste modifiche portassero a variazioni nelle prestazioni dei modelli.

Per le ANN, i migliori risultati sono stati ottenuti con un tasso di apprendimento di 0,001 e 1000 epoche, risultando nella più bassa perdita. D'altra parte, le KAN hanno mostrato prestazioni inferiori e perdite più alte nelle stesse condizioni.

I ricercatori hanno anche creato rappresentazioni visive per mostrare l'efficacia di entrambi i modelli. Le matrici di confusione hanno permesso loro di vedere quanto bene ciascun modello si fosse comportato in vari scenari. Questa analisi ha mostrato che, mentre entrambi i modelli avevano punti di forza, le ANN si sono dimostrate più adatte per classificare i dati EEG relativi alla malattia di Alzheimer.

#Conclusione

In sintesi, lo studio ha evidenziato il potenziale dell'uso della tecnologia EEG combinata con il machine learning per la rilevazione precoce della malattia di Alzheimer. Ha dimostrato che, mentre sia le ANN che le KAN possono essere utilizzate per questo scopo, le ANN attualmente offrono un mezzo di previsione più accurato basato sui segnali EEG analizzati.

La rilevazione precoce dell'Alzheimer è cruciale per fornire la migliore assistenza ai pazienti. Pertanto, è importante continuare la ricerca per migliorare questi modelli ed esplorare ulteriori opzioni di dati. Futuri studi potrebbero approfondire parametri diversi o altri tipi di dati, il che potrebbe portare a tassi di previsione ancora migliori sia per le ANN che per le KAN.