ETD system

Electronic theses and dissertations repository

 

Tesi etd-11262007-144115


Thesis type
Tesi di laurea vecchio ordinamento
Author
PIARULLI, ANDREA
URN
etd-11262007-144115
Title
algoritmi per lo studio del mapping dinamico della sleep slow oscillation durante il sonno
Struttura
INGEGNERIA
Corso di studi
INGEGNERIA ELETTRONICA
Commissione
Relatore Landi, Alberto
Relatore Landini, Luigi
Relatore Gemignani, Angelo
Relatore Dott. Menicucci, Danilo
Parole chiave
  • sleep slow oscillation
Data inizio appello
14/12/2007;
Consultabilità
parziale
Data di rilascio
14/12/2047
Riassunto analitico
ALGORITMI PER LO STUDIO DEL MAPPING DINAMICO DELLA SLEEP SLOW OSCILLATION DURANTE IL SONNO Andrea Piarulli<br><br>INTRODUZIONE. <br>Il sonno ad onde lente (stadi III e IV del sonno NREM) si caratterizza per la presenza di due tipici grafoelementi: i complessi K e le onde delta. Recentemente è stato dimostrato che queste attività EEGgrafiche sono sostenute da oscillazioni del potenziale di membrana dei neuroni corticali, caratterizzate dalla presenza di uno stato di silenzio elettrico (down state) alternato ad uno di intensa attività di scarica (up state). Questo comportamento, definito da Mircea Steriade “sleep slow oscillation (SSO)”, rappresenta il fenomeno cellulare di base che sostiene le attività EEGrafiche del sonno ad onde lente. Nell’uomo, la caratterizzazione morfologica e spettrale della SSO deriva dagli studi di Molle et al., (2002) e Massimini et al., (2004), che hanno consentito di definire un “criterio canonico” per la sua individuazione. Questo criterio si basa sulla valutazione di alcune soglie riguardanti la morfologia dell’onda. Inoltre nel lavoro di Massimini et al.,(2004) sono state studiate caratteristiche topologiche e di propagazione delle SSO. Tali onde sono descritte come onde viaggianti (con velocità compresa tra 1.2 e 7.0 m/s) che spazzolano la corteccia originando più frequentemente dalle regioni corticali anteriori, e propagandosi verso quelle posteriori. Le proprietà delle SSO mostrano un’alta riproducibilità inter- e intra-soggetto. <br> OBBIETTIVI. <br>Lo scopo di questo lavoro di tesi è lo sviluppo di algoritmi automatici per lo studio del riconoscimento e delle caratteristiche spaziali e dinamiche delle SSO ottenute da segnali EEGgrafici di sonno acquisiti mediante elettroencefalografi a bassa risoluzione spaziale (32 canali). Fino ad oggi, infatti, i dati sulla SSO derivano solo da elettroencefalografi ad alta densità (256 canali) e dalla magnetoencefalografia. <br>Il riconoscimento delle SSO contenute nel tracciato EEG è stato generalizzato mediante un criterio di similitudine tra onde. Inoltre è stato sviluppato un metodo alternativo per la stima delle velocità di propagazione delle SSO, basato sulla cross-correlazione tra le fasi delle SSO e, infine, è stata condotta un’analisi volta ad evidenziare le relazioni tra le caratteristiche morfo-dinamiche delle SSO.<br> MATERIALI E METODI. <br>L’implementazione dei vari algoritmi è stata condotta in ambiente Matlab. <br>Registrazioni. Sono state effettuate registrazioni EEGrafiche del primo ciclo di sonno (in cui è massima l’espressione della SSO) su soggetti sani (età 25-35), con un sistema di acquisizione EEG a 32 canali. Tutti i segnali sono stati acquisiti in maniera differenziale rispetto all’elettrodo centrale FCz ad una frequenza di campionamento di 1000 Hz e con impedenze di elettrodo &lt;10 K&amp;#937;.<br>Elaborazioni preliminari. I segnali registrati e re-referenziati alle mastoidi (A1 e A2) sono stati ripuliti da eventuali artefatti da movimento e filtrati passabanda 0.1-4.4 Hz. <br>Ricerca delle SSO. <br>1. Applicazione del criterio canonico per la identificazione delle SSO; <br>2. Creazione dell’entità “evento”, ovvero ogni raggruppamento di onde quasi simultanee rilevate su elettrodi diversi e corrispondenti alla stessa onda che si propaga sullo scalpo; <br>3. Creazione dell’entità “onda madre” (OM), rappresentata, per ogni evento, dalla prima SSO sulla base della posizione temporale del suo minimo; <br>4. Arricchimento degli eventi: l’applicazionde dei primi 3 punti ai tracciati EEG acquisiti, da’ origine ad eventi, ciascuno dei quali formato da pochissime onde come se le aree corticali interessate da ciascuna SSO fossero molto limitate, e le SSO saltassero tra aree non contigue. Questi risultati appaiono in contrasto con quanto dimostrato da Massimini et al., (2004) mediante registrazioni EEG ad alta densità. Al fine di superare questo limite, verosimilmente legato al basso numero di elettrodi, è stato introdotto un criterio di similitudine tra onde con l’obiettivo di riconoscere oscillazioni simili alle SSO, ma che non rispettano i parametri del criterio canonico. In sintesi si è operato come segue: <br>4.1) per ciascun evento, sono state stimate una funzione di cross-covarianza tra l’OM e ciascun segnale EEG dell’intervallo temporale relativo all’evento ed una di cross-correlazione tra le loro fasi; <br>4.2) per selezionare onde simili all’ OM, sono stati calcolati i valori soglia delle distribuzioni dei valori di massima cross-covarianza e cross-correlazione di fase delle onde canoniche dell’evento, che escludessero il 5% delle code delle relative distribuzioni; <br>4.3) tali soglie sono state utilizzate per selezionare i segnali EEG corrispondenti ad onde non canoniche; in questo modo ciascun evento è stato arricchito con un set di SSO non canoniche, ma simili all’OM tanto quanto lo sono le onde canoniche dello stesso evento; <br>4.4) le SSO di ciascun evento sono state riordinate sulla base della localizzazione temporale dei minimi per il calcolo della velocità di propagazione dell’evento.<br>Stima della velocita’ di propagazione di ciascun evento. Per la stima del ritardo medio di elettrodo sono stati usati due differenti approcci: uno, classico (Massimini et al., 2004), basato sui ritardi temporali tra i picchi negativi delle onde; l’altro derivato dagli scarti temporali dei valori massimi di cross-correlazione tra le fasi dell’OM e delle altre SSOs dell’evento. Questa stima differisce dalla prima in quanto rappresenta un ritardo medio di tutta l’onda, quindi più robusto ed indipendente dalla corretta individuazione di un punto di riferimento preciso, che è più difficile da individuare per oscillazioni di tipo non canonico.<br>Stima del contenuto spettrale delle SSOs. Il contenuto spettrale della SSO a frequenze &gt;4 Hz è stato stimato applicando la Fast Fourier Transform sui segnali EEG non filtrati. La potenza è stata stimata sia intorno al picco minimo che a quello massimo della SSO, rilevando in entrambi i casi la potenza in 5 bande spettrali: teta (4-8 Hz), alfa (8-12 Hz), sigma (12-15 Hz; attività spindle o fusi del sonno), gamma (low: 25-45 Hz; high: 60-140 Hz). Gli eventi con potenza totale maggiore di 4 deviazioni standard dalla media della potenza totale degli eventi sono stati scartati.<br>Organizzazione delle proprieta’ della SSO. Le proprietà delle SSO di ciascun evento sono state organizzate in una struttura specifica contenente campi corrispondenti a: <br>1. elettrodo di individuazione, tipo di onda (canonica / non canonica), <br>2. caratteristiche morfologiche (ampiezza, distanza temporale tra massimo e minimo, distanza tra gli zero-crossing), <br>3. caratteristiche spettrali. <br>Analisi degli eventi SSO individuati. <br>1. La topologia di origine, localizzazione e ritardo di propagazione dello SSO è stata valutata graficamente e sottoposta a classificazione per individuare gruppi di eventi con proprietà spazio-temporali diverse. <br>2. La classificazione degli eventi è stata effettuata mediante un algoritmo di clustering gerarchico con scelta automatica del numero ottimo di gruppi (Krzanowski e Lai, 1988). In particolare è stata effettuata una clusterizzazione in base sia alle caratteristiche morfologiche che alla velocità di propagazione. <br>3. L’eventuale modulazione in funzione della fase della SSO, della potenza per ciascuna delle 5 bande spettrali è stata valutata statisticamente mediante l&#39;individuazione dell&#39;intervallo di confidenza della mediana della distribuzione delle differenze.<br>4. Per ogni proprietà estratta, le eventuali differenze tra SSO canoniche e non canoniche sono state valutate statisticamente mediante l&#39;individuazione dell&#39;intervallo di confidenza della mediana della distribuzione delle differenze.<br>5. La ricerca di eventuali relazioni tra le caratteristiche morfologiche, dinamiche e spettrali delle SSO rispetto al grado di diffusione dell’evento (numero di SSO dell’evento) è stata effettuata mediante fitting lineare robusto con una polinomiale di I grado. La bontà dei fitting è stata valutata sia sulla base dell’intervallo di confidenza sul coefficiente angolare dell’interpolante, che riguardo al relativo R-square.<br> RISULTATI E DISCUSSIONE. I risultati ottenuti sono coerenti per tutti i soggetti e confermano quelli ottenuti <br> mediante EEG ad alta densità (Massimini et al., 2004). In particolare: <br>1. Dalle mappe topologiche delle origini emerge che le SSO originano più frequentemente nelle regioni corticali anteriori. <br>2. Dalle mappe dei ritardi si osserva che le onde tendono a propagare in direzione fronto-occipitale ad una velocità media di 5 m/s. <br>3. Il metodo di stima dei ritardi basato sulle cross-correlazioni di fase ha prodotto risultati analoghi a quello classico, confermando l’efficacia di quest’ultimo anche nell’applicazione ad onde non canoniche, risultando a sua volta un approccio robusto ed appropriato. <br>4. L’analisi delle potenze contenute nella SSO e relative alla fasi cellulari di down-state e up-state, ha fornito risultati in linea con quelli di Molle et al., (2002). E’ stato infatti osservato un incremento della potenza in banda sigma (attività spindle) in funzione della fase up-state. Durante il down-state invece, sono state riscontrate potenze significativamente maggiori in banda teta. Il confronto tra le caratteristiche morfologiche e spettrali di SSO canoniche e non canoniche, fa emergere che quelle non canoniche risultano più “piccole”, con ampiezze minori, più strette, e con un minor contenuto spettrale nelle bande teta, alfa e sigma.<br>5. Le analisi di clustering mettono in evidenza l’esistenza di gruppi di eventi ben separati in base sia a caratteristiche morfologiche che di velocità. <br>6. La ricerca di relazioni tra le caratteristiche morfo-dinamiche delle SSO, effettuata mediante fitting robusto, ha evidenziato una significativa relazione tra il numero di SSO rilevate per evento e alcuni parametri morfo-dinamici. In particolare si nota una forte relazione lineare positiva con la velocità di propagazione e negativa con distanze temporali tra massimi e minimi e distanze tra attraversamenti dello zero. <br>In conclusione, l’ approccio sviluppato ha permesso di individuare due tipi di SSO: quelle canoniche, che rispondono ai criteri di Massimini et al (2004) e quelle non canoniche. Per quanto attiene queste ultime, sebbene sia necessaria una verifica mediante registrazioni EEGrafiche ad alta densità, i dati ottenuti indicano che queste onde rappresenterebbero un fenomeno fisiologico reale e non un artefatto legato alla bassa densità elettrodica. Le SSO non canoniche potrebbero essere quindi l’espressione dell’attività di gruppi più ristretti di neuroni; pertanto e’ verosimile ritenere che tali onde possano apparire sugli elettrodi in modo attenuato o con forme d’onda non corrispondenti ai criteri delle SSO canoniche. Se questo dato fosse confermato, il concetto di SSO dovrebbe essere rivisto ed esteso comportando il superamento del criterio canonico. Infine, lo sviluppo del criterio di similitudine e l’individuazione delle oscillazioni non canoniche ha permesso lo studio e la descrizione della SSO anche con sistemi EEG a bassa densità. Questo risultato potrebbe permettere l’estensione dello studio della SSO all’ambito clinico, consentendo di ottenere informazioni più mirate sulle alterazioni dei meccanismi di sincronizzazione lenta di comune riscontro in patologie neurologiche e psichiatriche. Infine lo studio delle dinamiche corticali della SSO consentirebbe di ottenere indici di connettività funzionale, la cui applicazione alle patologie neurodegenerative potrebbe fornire indici preclinici di alterazioni della connettività effettiva. <br><br>
File