Il riconoscimento dei Complessi K: TDA dalle features alla classificazione.

Il lavoro presentato in questo manoscritto consiste nella costruzione di un clas?sificatore, per l’identificazione dei Complessi K (KC), particolari forme d’onda del segnale che possono comparire nelle polisonnografie (elettroencefalogramma reg?istrato durante il sonno). I segnali dai quali siamo partiti per lavorare si trovano in un grande archivio chiamato Montreal Archive of Sleep Studies (MASS), che contiene 19 EEG di pazienti dormienti, della durata di circa 8 ore l’uno. L’analisi svolta in questo elaborato si basa fortemente sulla Topological Data Analysis (TDA), analisi attraverso la quale abbiamo ottenuto i diagrammi di per?sistenza per la Lower Star Filtration (LSF) e la Sliding Window Embedding (SWE) del segnale. Le features da passare al classificatore sono state estratte dai diagrammi di persis?tenza e da alcune proprietà del segnale descritte in letteratura. È stata necessaria la creazione di un dataset bilanciato su cui poter far lavorare il classificatore in quanto il numero di KC è molto inferiore al numero di non KC. Ci siamo concentrati su tre pratiche per il bilanciamento del dataset: creazione di KC sintetici, riduzione dei non KC, uso di un pacchetto R SMOTE per la creazione di features sintetiche. Il lavoro è stato svolto in collaborazione con Samuele Perrotta, studente del Diparti?mento di Informatica dell’Università degli Studi di Torino, con il quale ho sviluppato forte collaborazione e comunicazione. Il risultato completo di questo lavoro consiste nella costruzione di un pacchetto R, contenente tutto il codice della nostra analisi, che può essere utilizzato in ambiti medici per riconoscere i complessi K sfruttando il machine learning.