Neurodynamic EEG Seizure Analysis Using CWT Scaleograms and Modified DenseNet

Sintesi Tecnica: Analisi delle Crisi EEG Neurodinamica mediante Scaleogrammi CWT e DenseNet Modificata

Definizione del Problema
L'epilessia, che colpisce circa 50 milioni di persone nel mondo, è caratterizzata da scariche neuronali anormali che portano a crisi ricorrenti. Sebbene l'elettroencefalografia (EEG) sia lo strumento principale non invasivo per la rilevazione grazie alla sua elevata risoluzione temporale, l'analisi di questi segnali rimane una sfida. L'attività epilettica si manifesta come attività oscillatoria non stazionaria e variabile nel tempo, sincronizzazione anormale e spostamenti dell'energia spettrale attraverso i ritmi cerebrali (dai ritmi delta ai gamma). I sistemi tradizionali di Diagnosi Assistita dal Computer (CAD), basati su caratteristiche estratte manualmente (es. trasformate wavelet, entropia, PCA) e classificatori classici (es. SVM, Random Forest), soffrono spesso di scarsa generalizzazione, sensibilità al rumore e forte dipendenza dalla conoscenza esperta. Al contrario, gli approcci di deep learning (CNN, RNN, Transformer) offrono un apprendimento automatico delle caratteristiche, ma affrontano sfide relative alla scarsità di dati, alla necessità di grandi dataset e alla mancanza di interpretabilità per l'impiego clinico.

Metodologia
Gli autori propongono un framework neurodinamico spiegabile progettato per la classificazione binaria delle crisi (crisi vs non crisi) utilizzando il dataset Bonn. La metodologia segue una pipeline strutturata:

1. Preprocessamento dei Dati:

   • Fonte: 500 segmenti EEG monodimensionali (4097 campioni ciascuno, ~23,6 secondi) dal dataset Bonn.
   • Pulizia: I segnali sono sottoposti a un filtro notch IIR a 50 Hz per rimuovere l'interferenza della rete elettrica, seguito da una correzione della linea di base (−0,5 s a −0,1 s).
   • Rimozione degli Artefatti: Viene applicata la FastICA (Analisi delle Componenti Indipendenti) per rimuovere gli artefatti.
   • Filtraggio: Un filtro passa-banda 1–30 Hz mantiene i ritmi EEG rilevanti. L'analisi della Densità Spettrale di Potenza (PSD) conferma l'efficace attenuazione della componente a 50 Hz e dei relativi armonici.

2. Rappresentazione Neurodinamica (Scaleogrammi CWT):

   • Per affrontare la natura non stazionaria dell'EEG, i segnali 1D preprocessati vengono trasformati in immagini 2D tempo-frequenza tramite la Trasformata Wavelet Continua (CWT).
   • Viene utilizzata una wavelet madre Gaussiana per generare scaleogrammi. Questa trasformazione cattura le oscillazioni transitorie, i pattern di sincronizzazione e le concentrazioni di energia associate all'attività ictal (crisi), preservando i pattern spettrali-temporali localizzati che i segnali 1D occultano.

3. Architettura DenseNet Modificata:

   • Il modello di classificazione centrale è una DenseNet modificata adattata per input di scaleogrammi 2D.
   • Modifiche Strutturali: A differenza delle implementazioni standard di DenseNet, questa variante rimuove gli strati completamente connessi (FC) per ridurre l'overfitting e il numero di parametri.
   • Meccanismo: Impiega una struttura completamente convoluzionale con upsampling convoluzionale e Global Average Pooling (GAP). Questo design preserva l'informazione spaziale all'interno del dominio dello scaleogramma garantendo al contempo un efficiente riutilizzo delle caratteristiche attraverso la connettività densa.
   • Configurazione dell'Addestramento: Il modello utilizza l'ottimizzatore Adam (learning rate 0.001), dimensione del batch 32, 20 epoche, dropout (0.25), attivazione ReLU e perdita di cross-entropa binaria con output sigmoidale per la classificazione binaria.

4. Spiegabilità (Grad-CAM):

   • Per migliorare la trasparenza clinica, viene applicata la Gradient-weighted Class Activation Mapping (Grad-CAM) all'ultimo strato convoluzionale. Questa genera mappe di calore che visualizzano le specifiche regioni tempo-frequenza che più contribuiscono alla decisione del modello, verificando che il modello si concentri su burst spettrali clinicamente rilevanti.

Contributi Chiave

• Rappresentazione Innovativa: Lo studio introduce una rappresentazione basata su CWT di scaleogrammi 2D specificamente per l'analisi delle crisi EEG, trasformando i segnali neurodinamici 1D in un formato adatto a un'efficiente elaborazione convoluzionale.
• Innovazione Architetturale: Viene proposta un'architettura DenseNet modificata che elimina gli strati completamente connessi a favore di un design completamente convoluzionale con upsampling e GAP. Questa modifica mira a migliorare la generalizzazione su piccoli dataset e a ridurre l'overfitting.
• IA Spiegabile (XAI): L'integrazione di Grad-CAM fornisce interpretabilità visiva, consentendo ai clinici di verificare che le decisioni del modello siano basate su regioni spettrali-temporali discriminanti piuttosto che sul rumore.
• Benchmarking Completo: Il modello proposto è rigorosamente confrontato con una vasta gamma di architetture allo stato dell'arte, tra cui VGG16, VGG19, ResNet-50, CNN standard, BiLSTM, EfficientNetB0 e Transformer.

Risultati
Il modello è stato valutato utilizzando una suddivisione train-test 80:20 con validazione incrociata a 5 pieghe stratificata e perdita pesata per classe. La DenseNet Modificata ha ottenuto i seguenti parametri di performance:

• Accuratezza: 95,1% (95% CI: 92,4%–97,8%)
• Precisione: 97,0%
• Recall (Sensibilità): 93,5%
• Specificità: 95,0%
• F1-Score: 95,2%
• AUC: 0,97

Performance Comparativa:
Il modello proposto ha superato tutti i modelli di base con un margine di almeno il 4,1% in termini di accuratezza.

• I Transformer hanno raggiunto il 90,2% di accuratezza.
• EfficientNetB0 ha raggiunto l'89,8% di accuratezza.
• ResNet-50 ha raggiunto il 91% di accuratezza.
• BiLSTM ha performato relativamente meno (87,4%) sugli input degli scaleogrammi.
• VGG16/VGG19 e le CNN standard hanno ottenuto punteggi compresi tra l'84% e l'86%.
  Le visualizzazioni Grad-CAM hanno confermato che il modello identificava correttamente i burst ad alta frequenza concentrati nei casi di crisi, mentre i casi di non crisi mostravano attivazioni diffuse e basse.

Significatività e Rivendicazioni
L'articolo sostiene che la combinazione della rappresentazione neurodinamica basata su CWT e di una DenseNet completamente convoluzionale modificata fornisca un approccio efficace e data-efficiente per la classificazione delle crisi EEG. Gli autori affermano che questo framework affronta i limiti dei sistemi CAD tradizionali (sensibilità al rumore) e dei modelli standard di deep learning (fame di dati e mancanza di interpretabilità). Raggiungendo un'accuratezza superiore su un piccolo dataset a singolo canale, fornendo al contempo spiegazioni visive tramite Grad-CAM, lo studio suggerisce una via verso strumenti di rilevamento delle crisi clinicamente trasparenti.

Limitazioni Riconosciute dagli Autori
Gli autori dichiarano esplicitamente che lo studio è limitato da:

• Valutazione su un dataset piccolo e a singolo canale (Bonn), che può limitare la generalizzazione alla EEG clinica reale multi-canale.
• Potenziale perdita di informazioni temporali e spaziali durante la conversione in scaleogrammi 2D.
• Interpretabilità grossolana fornita da Grad-CAM.
• Mancanza di validazione su registrazioni cliniche multi-canale, in tempo reale e rumorose.

Il lavoro futuro proposto si concentrerà su dati multi-canale, modelli basati su Transformer e analisi neurodinamica basata su grafi.