Miladinović Aleksandar | Ph. D. industrial engineering and information Skip to content Skip to navigation

Miladinović Aleksandar

Department: 
Department of Engineering and Architecture
Headquarters: 
Gruppo BioingTS http://bioingts.units.it/miladinovic
Year of the Programme: 
3
Field: 
Electromagnetic Fields
Supervisor: 
Research Title: 
ADVANCED NEUROFEEDBACK PROCEDURES FOR NEUROREHABILITATION IN PD’s AND POST-STROKE PATIENTS
Project description: 

Italiano

La malattia di Parkinson (PD) è la seconda malattia neurodegenerativa più comune dopo la malattia di Alzheimer. Allo stesso tempo, l'ictus cerebrale è una delle principali cause di disabilità e morte nel mondo. La mattina di Parkinson e l'ictus cerebrale ischemico sono patologie neurologiche che provocano alterazioni del segnale elettroencefalografico (EEG). Tuttavia, ci sono pochi studi che mettono in relazione le alterazioni EEG con il deficit neurologico per un migliore monitoraggio della progressione della malattia, per la neuroriabilitazione personalizzata e per la previsione dell’outcome clinico. I protocolli terapeutici avanzati per il miglioramento delle prestazioni motorie, compresi quelli basati sulla Brain Computer Interface (BCI), possono beneficiare dell’identificazione delle alterazioni EEG e del legame tra queste e il deficit specifico. Le tecniche BCI si sono dimostrate promettenti nella neuroriabilitazione motoria e cognitiva nei pazienti parkinsoniani e post-ictus specialmente attraverso l’utilizzo dell’Immaginazione Motoria (Motor Imagery, MI) supportata dalla BCI (MI-BCI) in grado di creare un ambiente di riabilitazione più controllato venendo fornito al paziente un feedback sulla corretta esecuzione del task riabilitativo. Per migliorare l’applicabilità, la prestazione e l’efficacia di questa strategia riabilitativa, le nuove tecniche di elaborazione del segnale EEG devono essere studiate e sviluppate. Inoltre, le alterazioni dei parametri EEG nei pazienti PD e ictus devono essere considerate nella progettazione di un sistema BCI personalizzato e robusto. Durante il corso di dottorato, sono stati condotti una serie di studi per identificare le correlazioni tra alterazioni EEG e il deficit neurofisiologico relativo all’ ictus e alla malattia di Parkinson. Inoltre, sono stati condotti degli studi per identificare le tecniche di elaborazione del segnale, di apprendimento automatico e di classificazione più appropriate per la modellazione BCI in queste popolazioni di pazienti. I risultati ottenuti ed in particolare la correlazione significativa tra i parametri spettrali dell’EEG e le scale cliniche di interesse hanno confermato l’ipotesi che i parametri EEG sono sensibili ai cambiamenti delle funzioni cerebrali nella prima fase dell'ischemia, che possono quindi essere utilizzati sia nella valutazione della gravità dell'ictus sia come strumento di monitoraggio e mappatura dei cambiamenti longitudinali nel paziente con ictus. Inoltre, le correlazioni identificate tra i parametri spettrali dell’EEG e il deficit motorio nei parkinsoniani indicano che la valutazione EEG può essere un biomarcatore utile per il monitoraggio obiettivo della progressione della patologia e dell'efficacia delle diverse strategie riabilitative. Nella seconda parte della tesi, viene descritto uno studio che ha evidenziato la modulazione corticale indotta dalla MI sull’EEG durante il resting-state, supportando l’ipotesi dell’efficacia della MI-BCI come strategia neuroriabilitativa. Nella terza parte sono riportati i risultati degli studi condotti su pazienti PD e su quelli con ictus che hanno dimostrato che entrambe le popolazioni, caratterizzate di deficit motorio, erano in grado di controllare la MI-BCI con elevata precisione. Inoltre, viene dimostrato che la migliore performance in termini di accuratezza di classificazione è stata ottenuta con la tecnica di preprocessing Filter Bank Common Spatial Patterns (FBCSP). Nel lavoro di tesi si propone anche una estensione dell'approccio FBCSP basato sul multi-session transfer learning. Il nuovo approccio è stato testato ed è stato osservato un miglioramento significativo in termini di accuratezza della calibrazione del modello BCI nei pazienti con PD. Infine, è stato condotto uno studio che ha evidenziato come le non stazionarietà del segnale e le variazioni di covarianza di potenza del segnale riducono significativamente l'accuratezza dei modelli BCI. Tuttavia, introducendo la preelaborazione Stationary Subspace Analysis (SSA), le prestazioni del classificatore possono essere notevolmente migliorate. I risultati di questa tesi possono contribuire al miglioramento in termini di accuratezza di classificazione e di usabilità degli attuali sistemi BCI, aumentando la diffusione e gli aspetti benefici della neuroriabilitazione MIBCI nei pazienti con PD e ictus.

English
Parkinson's disease (PD) is the second most common and chronic neurodegenerative disorder after Alzheimer's disease. At the same time, stroke is one of the leading causes of disability and death. Both PD and stroke are neurological disorders and are almost always associated with Electroencephalography (EEG) changes. However, studies correlating EEG features with clinical scales and treatment outcomes are scarce. As a prerequisite for efficient diagnosis, monitoring of disease progression, neurorehabilitation, and outcome prediction, it is necessary to study the alterations of stroke and PD subjects' cerebral rhythms. Series of novel therapeutic protocols for motor performance improvement, including those based on BCI, can benefit from these findings. In general, BCIs have shown promising outcome for motor and cognitive neurorehabilitation in PD and stroke patients. When used in conjunction with Motor Imagery (MI), the mental execution of a movement without any overt movement, BCI can lead a patient to functional recovery through real-time acquisition, processing, and feeding back information on his task engagement. The MI-BCI application creates a more controlled rehabilitation environment as the MI -induced oscillatory activity can be monitored to assess whether the patient is performing the task correctly. For MI-BCI to reach the point of sustained success as a neurorehabilitation tool, the new EEG signal processing techniques need to be studied and developed. In addition, the change in EEG rhythms in PD and stroke must be considered to develop a personalised and robust BCI system. During the PhD course, a series of studies were conducted to investigate EEG changes and neurophysiological deficits of PD's and stroke, signal processing, machine learning and classification techniques needed for BCI modelling. Our results on EEG spectral features and clinical data show that EEG has been confirmed as a sensitive measure of brain functions in the earliest phase of cerebral ischemia and that EEG can be used as complementary in the evaluation of stroke severity and as a potentially useful tool in monitoring and mapping longitudinal changes in acute stroke patients. Furthermore, the significant correlation between spectral EEG features and symptom-specific motor decline suggests that EEG assessment may be a useful biomarker for objective monitoring of disease progression and as an evaluation measure of the effect of PD's rehabilitation approaches. In the second part of the thesis, our study demonstrates the effect of MI induced cortical modulation on EEG resting state and provides support for further development of MI-BCI. The third part shows that PD's and stroke patients could control MI-BCI with high accuracy and that Filter Bank Common Spatial Patterns (FBCSP) can be used as MI-BCI approach for complementary neurorehabilitation. The additional novelty of the thesis is the proposal of the transfer learning based multisession augmentation FBCSP approach. The new approach has been tested and the study shows that it significantly improves the calibration accuracy of the BCI model in PD patients. Finally, our recent study results showed that signal nonstationarities and power covariance shifts significantly reduce BCI models' accuracy. However, only after the introduction of Stationary Subspace Analysis (SSA) preprocessing, the classifier's performance is significantly increased. The abovementioned main findings of this thesis may improve the current BCI systems in terms of accuracy and usability and promote the diffusion and beneficial aspects of MI-BCI neurorehabilitation for PD and stroke patients.

Personal web page

http://bioingts.units.it/miladinovic

Info