• rimozione degli artefatti
• sincronizzazione
• riabilitazione
• EMG
• EEG
• camminata
• analisi delle componenti indipendenti

A seguito di un ictus ischemico molte persone restano affette da disabilità di tipo motorio, che rendono difficoltoso tornare a una “vita normale” e reintegrarsi nella comunità, con un conseguente peggioramento della qualità della vita. Una riabilitazione efficace può essere ottenuta manualmente o mediante l’ausilio di robot indossabili (ad esempio EKSO) che grazie all’alta ripetitività e controllo del movimento, possono facilitare il monitoraggio del progresso del paziente e una personalizzazione del protocollo.
Tuttavia fino ad ora, a causa delle limitazioni delle attuali tecniche di neuroimaging (e.g. non portabilità –FMRI, dinamica lenta – NIRS, alta presenza di artefatti - EEG) è difficile il monitorare i parametri fisiologici del paziente durante il task.
L’obiettivo principale della tesi è stato quello di verificare se è possibile estrarre informazione dall’EEG durante la camminata overground con esoscheletro, fronteggiando le difficoltà legate sia alla sincronizzazione di EEG, EMG e footswitch, ma anche alla presenza degli artefatti.
Per raggiungere l’obiettivo ho implementato un’interfaccia con Python e ARDUINO con la quale inviare spike di sincronizzazione al sistema EEG e EMG con i quali poter allineare i segnali. Ho quindi curato il set up sperimentale (e.g., appaiamento degli elettrodi, set up di EEG ed EMG, testing etc.) ed effettuato, insieme a clinici e supervisor, la registrazione di EEG, EMG e footswitch su un soggetto sano durante un task di camminata overground con esoscheletro.
Mediante il test del Jitter,effettuato offline, ho potuto verificare che il massimo disallineamento tra EEG ed EMG è di circa 5ms, valore accettabile considerando la dimanica del fenomeno in esame. Ho in seguito importato, filtrato e processato i dati EEG rimuovendo artefatti e canali rumorosi, ed effettuato un’analisi delle componenti indipendenti (ICA). Ho analizzato la topografia sullo scalpo, lo spettro, l’andamento nel tempo, la percentuale di varianza spiegata di ogni componente ed effettuato la source localization. Grazie a queste misure abbiamo potuto identificare con successo componenti altamente dipolari relative a artefatti oculari (movimenti laterali e verticali), muscoli del collo e facciali, cuore e persino caratterizzare l’artefatto dovuto all’utilizzo dell’EKSO. Grazie a questa analisi è stato possibile identificare più di 5 componenti riconducibili all’attività cerebrale.
La presenza di componenti di origine cerebrale (individuate attraverso appropriate tecniche di processing del segnale EEG ) suggerisce che è possibile estrarre informazione significativa anche durante la camminata overground con esoscheletro. Questo risultato potrebbe essere la chiave per capire maggiormente i meccanismi cerebrali alla base del controllo della camminata, nonchè per monitorare e personalizzare in modo migliore i protocolli riabilitativi.