Previsione e rilevamento di crisi epilettiche mediante reti neurali artificiali e spiking

Abstract

L'obiettivo di questa tesi è quello di dare il via allo sviluppo di un software in tempo reale per la previsione delle crisi epilettiche utilizzando reti neurali spiking. Questo sforzo mira a fornire una soluzione alternativa per i pazienti che non sono idonei ai trattamenti convenzionali come i farmaci o la chirurgia. Provando ad offrire una tecnologia predittiva avanzata, questo lavoro di tesi ha come obiettivo quello di migliorare la qualità della vita di chi soffre di epilessia. L'epilessia può causare gravi effetti psicologici e sociali, quindi un metodo affidabile per prevedere le crisi potrebbe consentire ai pazienti di prendere precauzioni, riducendo l'ansia e migliorando la qualità della vita quotidiana. Questa tesi presenta il lavoro svolto per raggiungere questo obiettivo, che prevede classificazioni multiple utilizzando sia reti neurali artificiali che reti neurali spiking. Sono state applicate diverse features per identificare la classificazione più accurata tra i soggetti di due serie di dati. Il contributo principale è lo sviluppo di un algoritmo avanzato per la previsione delle crisi epilettiche con reti neurali spiking, che imitano da vicino i circuiti neurali biologici. Questo approccio mira a migliorare l'accuratezza della previsione delle crisi epilettiche fornendo un modello più allineato all'attività cerebrale. Inoltre, l'algoritmo è stato progettato tenendo conto della futura integrazione hardware, offrendo vantaggi in termini di efficienza computazionale. La minore complessità si traduce in un consumo energetico ridotto, che può prolungare la durata della batteria dei dispositivi medici. Ciò ridurrebbe la necessità di sostituire frequentemente le batterie, minimizzando i rischi e i disagi associati per i pazienti. I risultati sottolineano l'importanza dell'ampiezza (numero di neuroni) e della profondità (numero di strati) per migliorare le prestazioni delle reti neurali spiking. Inoltre, la selezione dei canali neurali più rilevanti è fondame

The goal of this Thesis is to initiate the development of a real-time software for predicting epileptic seizures using spiking neural networks. This effort aims to provide an alternative solution for patients who are not eligible for conventional treatments like medication or surgery. By offering an advanced predictive technology, it seeks to improve the quality of life for these individuals. Epilepsy can cause severe psychological and social effects, so a reliable method for predicting seizures could allow patients to take precautions, reducing anxiety and improving daily life. This Thesis presents the work done toward achieving this goal, involving multiple classifications using both artificial neural networks and spiking neural networks. Different features were applied to identify the most accurate classification across subjects from two datasets. The main contribution is the development of an advanced algorithm for predicting epileptic seizures with spiking neural networks, which closely mimic biological neural circuits. This approach aims to enhance the accuracy of seizure prediction by providing a model that is more aligned with brain activity. Additionally, the algorithm has been designed with future hardware integration in mind, offering advantages in computational efficiency. Lower complexity results in reduced energy consumption, which can extend the battery life of medical devices. This would reduce the need for frequent battery replacements, minimizing the associated risks and inconveniences for patients. The results underscore the importance of both the width (number of neurons) and depth (number of layers) in improving the performance of spiking neural networks. Moreover, selecting the most relevant neural channels is crucial for optimizing the accuracy and efficiency of seizure prediction.