Il progetto mira allo sviluppo di un sistema per la decodifica dell'intenzione motoria attraverso l'elaborazione di segnali EEG di superficie. Rispetto ad altri metodi di neuroimaging, lo sfruttamento unicamente di EEG di superficie permette al sistema di essere portabile, non invasivo e low-cost.

L'approccio investiga architetture neuro-ispirate basate blocchi modulari di oscillatori per analizzare i ritmi sensomotori EEG associate alle aree motorie del cervello umano coinvolte nell'esecuzione e/o immaginazione di un movimento. Oltre a consentire una calibrazione rapida sul singolo soggetto, il sistema produce mappe interpretabili dei pattern EEG più rilevanti utilizzati per l'identificazione dell'identificazione motoria. Tale tecnologia può essere integrata in sistemi Brain Computer Interface, apportando significativo avanzamento nella riabilitazione neurologica e nel controllo di dispositivi assistivi in pazienti affetti da compromissione motoria.

La ricerca sviluppa sistemi intelligenti e interpretabili per il supporto clinico, integrando dispositivi elettronici, analisi del segnale, computer vision e intelligenza artificiale.

Un ambito centrale riguarda la riabilitazione motoria in pazienti con disabilità neurologiche, attraverso piattaforme integrate con sistemi di Functional Electrical Stimulation controllati da segnali elettromiografici. Il sistema utilizza webcam RGB e algoritmi YOLOv8 Pose per tracciare in tempo reale i movimenti dell’arto superiore, estraendo parametri cinematici utili alla valutazione del paziente e alla regolazione della stimolazione elettrica.

I test preliminari mostrano la capacità della piattaforma di identificare eventi di movimento e supportare l’adattamento della terapia. La ricerca si estende inoltre a sistemi multimodali per l’identificazione precoce del rischio di autismo.

Il progetto sviluppa un sistema multimodale per il supporto all’identificazione precoce del rischio di Disturbo dello Spettro Autistico nei bambini tra 13 e 23 mesi.

L’approccio integra segnali EEG, video e audio per analizzare in modo oggettivo indicatori neurofisiologici e comportamentali, come espressioni facciali, direzione dello sguardo, movimenti del capo e del corpo, vocalizzazioni e risposte a task socio comunicativi standardizzati.

I modelli predittivi vengono validati rispetto alla diagnosi clinica a 24 mesi, basata su ADOS 2, con l’obiettivo di supportare uno screening più tempestivo, scalabile e meno dipendente dalla sola osservazione clinica.

L’impiego di Explainable AI mira a rendere i risultati più trasparenti e interpretabili, fornendo al clinico strumenti utili per riconoscere precocemente condizioni meritevoli di approfondimento diagnostico.