Predizione dell’aggressività in soggetti autistici: analisi dell'attività elettrodermica tramite Random Forest

Living with a person affected by severe autism and managing them often means facing the unpredictability of their behavior. Behavioral crises may seem to arise out of nowhere, but in reality they are the final outburst of an emotional overload that has been silently building up. This is further complicated by the inability of such individuals to verbally communicate their distress. This thesis work was born precisely with the aim of detecting what is not visible from the outside, by analyzing biological signals and identifying from them the precursor indicators necessary to design a preventive alert system. The study began with the analysis of real data collected from three subjects in a multisensory room using Empatica wristbands. From the outset, a challenge typical of clinical settings emerged: the absence of real crises in the recordings, due either to the effectiveness of preventive interventions by operators or simply because the subjects were not predisposed to any emotional breakdown at that time. However, it was still possible to deepen the analysis and detect states of positive emotional arousal or residual effects of a previous panic attack before it was dampened by administered medication. In this way, it was possible to identify the specificity of each subject and the complexity of their physiological responses to certain stimuli and contexts. Addressing the lack of actual crises from this perspective made it possible to study the precursors of stress. Using the MATLAB platform, the signals were cleaned from noise, and advanced algorithms such as cvxEDA were used to isolate the neural impulses sent to the sweat glands and the heart. To test the system’s ability to predict a risk situation, the decision was made to create “virtual patients.” Mathematical simulations were developed to reproduce as faithfully as possible the physiology of individuals with ASD under extreme stress. On these data, a hybrid architecture (composed of Change Point Analysis and Random Forest) was trained to detect warning signals before a crisis occurs. The results show that it is possible to achieve a lead time between 1.5 and 3 minutes before the critical event, which, in a real context, would be optimal for allowing immediate intervention by caregivers. To further test the robustness of the model, its application was extended to the aeronautical field, demonstrating that although stress changes context, the model can be adapted through appropriate recalibration. In conclusion, this study provides a methodological contribution to predictive engineering grounded in in-depth clinical analysis. The goal is to leverage biosensors to detect distress with increasing anticipation, transforming technology into a concrete support that ensures a safer and more peaceful daily life for these vulnerable individuals and their families.

Vivere con una persona affetta da autismo grave e gestirla, spesso, vuol dire andare incontro all’imprevedibilità del suo comportamento. Infatti, le crisi comportamentali sembrano innescarsi dal nulla, ma in realtà si tratta solo dell’esplosione finale di un sovraccarico emotivo accumulato silenziosamente. A questo si aggiunge l’incapacità di tali soggetti di comunicare verbalmente il proprio disagio. Questo lavoro di tesi nasce proprio con l’obiettivo di riuscire a rilevare ciò che non è visibile dall’esterno, analizzando i segnali biologici e captando da essi gli indici precursori necessari per architettare un sistema di allerta preventivo. Lo studio ha avuto inizio con l’analisi di dati reali acquisiti da tre soggetti in una stanza multisensoriale tramite i braccialetti Empatica. Fin da subito è emersa una sfida tipica del contesto clinico: l'assenza di crisi reali nei tracciati, dovuta all'efficacia l'intervento preventivo degli operatori o semplicemente perché in quel momento i soggetti non erano predisposti ad alcun crollo emotivo. Tuttavia, è stato possibile approfondire l’analisi e rilevare stati di attivazione emotiva positiva o residui di un attacco di panico pregresso prima che venisse smorzato dal farmaco somministrato; in questo modo è stato possibile individuare la specificità di ogni soggetto e la complessità dei loro comportamenti fisiologici di fronte a determinati stimoli e contesti. Affrontare la mancanza di crisi vere e proprie sotto questa prospettiva ha consentito di studiare i precursori dello stress. Mediante l’uso della piattaforma MATLAB, i segnali sono stati puliti dal rumore e sono stati utilizzati algoritmi avanzati come cvxEDA per isolare gli impulsi nervosi inviati alle ghiandole sudoripare e al cuore. Per testare la capacità del sistema di prevedere una situazione di rischio, è stata presa la decisione di creare dei "pazienti virtuali''. Sono state costruite delle simulazioni matematiche in grado di riprodurre in modo più fedele possibile la fisiologia di soggetti con ASD sotto stress estremo. Su questi dati è stata addestrata un’architettura ibrida (composta da Change Point Analysis e Random Forest capace di rilevare i segnali premonitori prima che la crisi avvenga. I risultati dimostrano che è possibile ottenere un tempo di anticipo compreso tra 1.5 e 3 minuti prima dell'evento critico, che, in un contesto reale, sarebbe ottimale per consentire un intervento immediato da chi gestisce tali soggetti. Per testare ulteriormente la robustezza del modello, è stata estesa la sua applicazione anche al contesto aeronautico, dimostrando che, sebbene lo stress cambi scenario, è possibile adattare il modello secondo opportune ricalibrazioni. In definitiva, questo studio offre uno spunto metodologico per un’ingegneria predittiva fondata sulla profonda analisi clinica. L’obiettivo è sfruttare i biosensori per intercettare il disagio con un anticipo sempre maggiore, trasformando la tecnologia in un supporto concreto che garantisca a questi soggetti vulnerabili e alle loro famiglie una quotidianità più sicura e serena.