Logo Università degli Studi di Milano


Dipartimento di

 
 
Notizie  

Estrarre informazioni dai segnali cerebrali

Un'immagine dallo studio pubblicato su Frontiers in Network Physiology

L'elettroencefalografia ad alta densità (EEGad) fornisce uno strumento accessibile ma indiretto per registrare l'attività cerebrale in tempo reale. Mentre i segnali registrati codificano una grande quantità di informazioni, non è semplice interpretarli; eppure sarebbe estremamente utile per molte applicazioni potenziali, quali la diagnosi e il monitoraggio di malattie. I ricercatori del Center for Complexity and Biosystems (CC&B) dell'Università Statale di Milano, coordinati da Caterina La Porta, docente del dipartimento di Scienze e Politiche ambientali, hanno ideato un nuovo metodo per visualizzare e analizzare le registrazioni EEGad basato su una rappresentazione a rete multistrato. Il lavoro è stato appena pubblicato sulla rivista Frontiers in Network Physiology.

Una rappresentazione di rete fornisce un quadro intuitivo della connettività spaziale sottostante una registrazione EEGad. Per ridurre al minimo le informazioni perse nella proiezione sulla rete, i ricercatori del CC&B hanno ideato un algoritmo che crea una rete massimizzando il contenuto informativo. L'algoritmo è stato poi testato su segnali EEGad registrati durante il sonno in individui con problemi di salute mentale dai ricercatori del dipartimento di Scienze della Salute dell'Università di Milano che hanno collaborato a questa ricerca. Il lavoro ha coinvolto anche ricercatori del nostro dipartimento di Fisica "Aldo Pontremoli" e del dipartimento di Scienze Biomediche e Cliniche "Luigi Sacco" dell'Università Statale.

"Calcolando una serie di indicatori statistici della topologia della rete, siamo stati in grado di rivelare differenze significative tra i pazienti con disturbi dell'umore e i soggetti sani - spiega Stefano Zapperi, docente di Fisica della Materia, coautore dello studio -. L'analisi indica anche che i pazienti mostrano un'attività altamente correlata in alcune regioni del cervello", aggiunge Caterina La Porta. "Un risultato molto importante, perché potremmo usare il nostro algoritmo per identificare i pazienti direttamente dalle registrazioni EEGad che sono non invasive. Il metodo avrebbe poi potenziali applicazioni anche per altre condizioni patologiche".

Per approfondimenti: lo studio pubblicato su Frontiers in Network Physiology.

06 ottobre 2021
Torna ad inizio pagina