Come può l'Intelligenza Artificiale distinguere le crisi epilettiche?

L'epilessia è un disturbo neurologico che colpisce milioni di persone in tutto il mondo. Per i medici, capire che tipo di crisi sta avendo un paziente è fondamentale: alcune richiedono farmaci, altre interventi chirurgici. Fino a poco tempo fa, i computer dovevano essere programmati a mano per riconoscere le caratteristiche delle onde cerebrali, un compito difficile e soggetto a errori.

Ora entra in gioco il deep learning, una forma avanzata di intelligenza artificiale che impara da sola. Gli scienziati hanno combinato questa tecnologia con una tecnica chiamata Multivariate Variational Mode Decomposition (MVMD). Immagina di avere più microfoni che registrano il suono di una band: MVMD allinea le tracce in modo che ogni strumento sia comparato correttamente con gli altri, evitando confusione.

Applicando MVMD ai segnali EEG multicanale, il nuovo modello riesce a catturare sia le informazioni temporali (quando avviene un picco) sia quelle spaziali (da quale zona del cervello proviene). I risultati sono sorprendenti: su un grande database spagnolo, il sistema ha classificato le crisi focali con un'accuratezza del 98,85%. Su un altro set di dati, ha riconosciuto diversi tipi di crisi con oltre il 96% di precisione quando il modello è addestrato sullo stesso paziente, e quasi il 88% quando deve affrontare pazienti mai visti prima.

Questi numeri mostrano che l'IA può diventare un valido alleato dei neurologi, aiutandoli a diagnosticare più velocemente e con maggiore sicurezza.

Il metodo proposto si basa su una pipeline a più stadi. In primo luogo, i segnali EEG multicanale vengono sottoposti a Multivariate Variational Mode Decomposition (MVMD), una estensione della VMD classica che opera simultaneamente su più canali. MVMD risolve due problemi tipici dell'analisi multicomponente: il mode mixing, dove componenti di frequenza diverse si sovrappongono, e il mode mismatch, che porta a disallineamenti temporali tra canali. Grazie a un vincolo di coerenza spettrale, MVMD garantisce che le modalità estratte mantengano la stessa struttura temporale su tutti i canali, preservando le correlazioni spaziali intrinseche.

Le modalità ottenute vengono poi trasformate in rappresentazioni tempo‑frequenza (ad esempio tramite spettrogrammi) e concatenate per formare un tensore tridimensionale (canale × tempo × frequenza). Questo tensore è l'input di una rete neurale convoluzionale 3D, capace di apprendere pattern sia locali che globali. La rete combina convoluzioni spaziali (per catturare la distribuzione delle attività tra le regioni cerebrali) e convoluzioni temporali (per rilevare transizioni rapide tipiche delle crisi). Un modulo di attenzione pesante aggiunge una ponderazione dinamica alle feature più informative, migliorando la discriminazione tra classi.

Il modello è stato addestrato con ottimizzatori Adam e una loss function basata su cross‑entropy pesata, per gestire lo sbilanciamento delle classi. La validazione incrociata a livello di soggetto ha mostrato una robusta capacità di generalizzazione, con una leggera diminuzione di performance nei test subject‑independent, probabilmente dovuta alla variabilità inter‑individuale dei pattern EEG. Tuttavia, l'accuratezza rimane superiore all'85%, indicando che la combinazione MVMD‑CNN è efficace per la classificazione automatica delle crisi epilettiche. Future estensioni potrebbero includere l'integrazione di dati clinici (es. età, storia medica) e l'uso di tecniche di transfer learning per ridurre ulteriormente la necessità di grandi dataset etichettati.