Analisi della variabilità della frequenza cardiaca mediante Anomaly Detection per predire stati aggressivi in soggetti autistici

Aggressive behaviors represent one of the most severe manifestations of Autism Spectrum Disorder (ASD), with prevalence rates reaching up to 56% of the clinical population. Psychophysiological literature has shown that such episodes are preceded by measurable alterations in the Autonomic Nervous System, namely a withdrawal of vagal tone and an increase in sympathetic arousal, detectable through heart rate variability (HRV) and electrodermal activity (EDA). This work develops an automatic system for the early detection of these precursors, acquired via a wrist-worn biosensor (Empatica E4) in real-world daily life settings. The proposed architecture is a hybrid model that integrates an unsupervised algorithm based on dynamic baseline estimation and Change Point Analysis, which continuously adapts to the individual profile without requiring manual labels, and a supervised Random Forest classifier trained on synthetic data, designed to compensate for the rarity of aggressive events in the available dataset. The model achieves an AUC of 0.85 on artificial data, consistent with standard values reported in the literature on real-world datasets (AUC 0.80–0.84). The resulting prediction window of approximately 2.5 minutes aligns with the clinical reference of a 3-minute threshold used for preventive intervention. The framework is subsequently explored in a secondary application domain, namely mental workload monitoring in aircraft pilots, for which recent literature has demonstrated the effectiveness of the same HRV and EDA features. Finally, an experimental session was conducted on healthy subjects using the Empatica EmbracePlus, which highlighted systematic issues in EDA and PRV (pulse rate variability) signals, providing concrete indications for improving the acquisition protocol. The application of the architecture to larger real clinical datasets represents the natural continuation of this work.

I comportamenti aggressivi rappresentano una delle manifestazioni più gravi del Disturbo dello Spettro Autistico (ASD), con tassi di prevalenza fino al 56% della popolazione clinica. La letteratura psicofisiologica ha documentato che tali episodi sono preceduti da un'alterazione misurabile del Sistema Nervoso Autonomo, ovvero ritiro del tono vagale e incremento dell'arousal simpatico, rilevabile tramite variabilità della frequenza cardiaca (HRV) e attività elettrodermica (EDA). Il presente lavoro sviluppa un sistema automatico per il rilevamento precoce di questi precursori, acquisiti tramite biosensore da polso (Empatica E4) in contesti di vita quotidiana. L'architettura proposta è un modello ibrido che integra un algoritmo non supervisionato basato su baseline dinamica e Change Point Analysis, che si adatta continuamente al profilo individuale senza richiedere etichette manuali, e un classificatore supervisionato Random Forest addestrato su dati sintetici, sviluppato per compensare la rarità degli eventi aggressivi nel dataset disponibile. Il modello raggiunge un'AUC di 0.85 su dati artificiali, coerente con i valori standard della letteratura su dati reali (AUC 0.80–0.84). La finestra di predizione ottenuta di circa 2.5 minuti è in linea con il riferimento clinico di 3 minuti adottato come soglia di intervento preventivo. Il framework è successivamente esplorato in un dominio applicativo secondario, ovvero il monitoraggio del carico mentale nei piloti di aeromobili, per il quale la letteratura recente ha dimostrato l'efficacia delle stesse feature HRV ed EDA. È stata infine condotta una sessione sperimentale su soggetti sani tramite Empatica EmbracePlus, che ha evidenziato criticità sistematiche nel segnale EDA e nel PRV (pulse rate variability), fornendo indicazioni concrete per il miglioramento del protocollo di acquisizione. L'applicazione dell'architettura su dataset clinici reali di maggiori dimensioni costituisce la prosecuzione naturale di questo lavoro.