Time line

Prima dell'idea, un'osservazione: ci rendiamo conto di come le malattie neurologiche, anche quelle non invasive, rappresentino un ostacolo significativo per chi ne è affetto. Questo ci porta a riflettere sulla complessità della diagnosi e del trattamento. Rimaniamo sorpresi dalla vastità del mondo delle neuroscienze e della medicina, un universo tanto affascinante quanto impegnativo da comprendere.

​

Spinti dalla curiosità, iniziamo a esplorare le soluzioni attuali, cercando di capire gli strumenti e le tecnologie impiegati nella ricerca e nella lotta contro queste patologie. Guardiamo con interesse agli sviluppi dell'IoT e a chi, nel proprio piccolo, porta avanti progetti DIY (fai-da-te) nel settore. Gradualmente, ci rendiamo conto dell'immensa complessità di tutto questo, ma l'idea di esplorarlo in prima persona si fa strada, trasformandosi quasi in una sfida personale.

​

Osserviamo i risultati esistenti, cercando di individuare cosa, a nostro avviso, possa essere migliorato o implementato. Iniziamo a immaginare qualcosa di quasi utopico: un futuro di benessere, di libertà dalle catene della malattia.

​

Nasce così il progetto SRSC, che ci spingerà a intraprendere un percorso di ricerca meticoloso: consultiamo fonti accademiche e non, approfondiamo documenti di laboratori di ricerca, leggiamo di progetti sviluppati da altri e ci avventuriamo nelle aree più remote del web. Per ora, questa rimane la nostra unica fonte di informazioni, ma il nostro obiettivo è chiaro: iniziare a comprendere, raccogliendo le tessere di un puzzle ancora tutto da disegnare.

Dopo circa un anno di ricerca e numerosi scambi con medici ed esperti del settore, finanziati interamente di tasca nostra, iniziavamo a immaginare qualcosa di nostro. Stavamo definendo con maggiore chiarezza ciò che volevamo realizzare e cominciammo a costruire i primi circuiti. La nostra avventura iniziò con la progettazione di elettroencefalografi, una tecnologia che, pur modificata radicalmente nel tempo, ci accompagna ancora oggi.

​

Testammo diversi assemblaggi hardware per capire dove concentrare gli investimenti e quali soluzioni risultassero più promettenti in termini di ottimizzazione e miniaturizzazione. Intorno a giugno 2018, creammo il primo prototipo, l'SRSC, un dispositivo delle dimensioni di 11 x 9 cm e spesso solo 90 mm (con case), concepito come una pietra miliare del nostro lavoro. Questo dispositivo integrava quattro elettroencefalografi a elettrodi comuni, era capace di eseguire un'elettroencefalografia completa da quegli stessi punti (Fp2, Cz e P3) e disponeva di sistemi di connettività avanzati e un'interfaccia grafica estremamente semplice per dispositivo mobile. L'obiettivo era ambizioso: rendere la diagnosi portatile e gettare le basi per il monitoraggio continuo delle persone affette da malattie neurologiche.

​

Per noi rappresentava una rivoluzione. Tuttavia, la realtà ci riservò un’amara sorpresa: il prototipo della prima versione dell'SRSC non solo non funzionava, ma risultò completamente autodistruttivo. Ci accorgemmo che i calcoli teorici non erano sufficienti: l’integrazione di così tanti componenti e amplificatori generava dispersioni e correnti vaganti, innocue per le persone, ma devastanti per il dispositivo. Questo provocava un sovraccarico dei componenti, che puntualmente si danneggiavano irreparabilmente. Delusi e amareggiati, decidemmo comunque di non arrenderci.

​

Verso settembre dello stesso anno, iniziammo a riprogettare l'SRSC, dando vita alla versione 2. Riducemmo i carichi e ci affidammo maggiormente a circuiti preconfezionati, per concentrare le nostre energie sulle tecnologie di analisi e rilevamento. Fu solo a dicembre che arrivò il primo successo: l'SRSC V2 riuscì finalmente a eseguire un EEG con un’accuratezza media.

​

Non avevamo ancora raggiunto i nostri obiettivi, ma quel risultato ci diede la fiducia necessaria per andare avanti, consapevoli di essere sulla strada giusta.

​

Dall'SRSC V2 gettammo le basi per il rimpicciolimento, progettando il RAIN, che avrebbe dovuto ridefinire l'asset tecnologico del nostro progetto.

Mettiamo da parte per un momento l’aspetto del rilevamento e concentriamoci su un altro aspetto dell’idea RAIN: possiamo davvero aiutare le persone a stare meglio? La domanda potrebbe sembrare presuntuosa, ma nasce dal nostro desiderio di ridurre i disagi di chi, purtroppo, non ha avuto la stessa fortuna di molti altri.

​

Ci avviciniamo così al mondo delle stimolazioni, iniziando a esplorare le correlazioni tra segnali elettrici e la risposta al dolore. Studiamo numerosi progetti, tra cui uno in particolare che ci colpisce: un dispositivo IoT destinato a persone non vedenti e ipovedenti. Questo progetto combinava i tradizionali feedback aptici con stimolazioni elettriche localizzate, per indurre risposte spontanee nel corpo. Esploriamo anche l’uso di trasduttori tattili, applicazioni di neurostimolazione e, inaspettatamente, un progetto americano che affermava di riuscire a trasmettere suoni attraverso la lingua, utilizzando uno stimolatore elettrico posto sulla lingua. Sebbene non ci siamo mai addentrati troppo in questo campo, ci incuriosisce il potenziale di simili tecnologie.

​

Ad aprile, iniziamo a teorizzare e a sviluppare i primi progetti di neurostimolatori, pur essendo consapevoli che non avremmo avuto la possibilità di testarli direttamente. Decidiamo quindi di limitarci a simulazioni e test teorici. Nel frattempo, cominciamo a lavorare sugli adattamenti del RAIN per integrare il nuovo strumento: il neurostimolatore. Questa aggiunta comporta necessariamente una revisione degli assemblaggi hardware già esistenti, per garantire una corretta integrazione.

​

Continuando nella ricerca e nelle varie prove su diverse tecnologie, ci accorgiamo della quantità di dati che ci trovavamo a gestire e realizziamo che definire regole per ogni condizione che volevamo coprire non era semplice. Serviva qualcosa di versatile, intuitivo e che ci permettesse di iterare su più dati e gestire gli imprevisti. Ad ottobre 2020 inizia il progetto SCIBI per l'integrazione dell'AI, che avrebbe rappresentato l'inizio del percorso nell'intelligenza artificiale.

Il 2020 è stato un anno dedicato all'esplorazione dell'intelligenza artificiale, un campo nuovo e ricco di sfide. Abbiamo iniziato a sperimentare con classificatori, regressori, tagger e altre tecniche di manipolazione dei dati. Tra i nostri primi sviluppi figuravano sistemi LSTM e classificatori, accompagnati da applicazioni di generazione condizionata di dati, che ci hanno permesso di ottenere risultati interessanti nei test di predizione.

​

Attraverso il progetto SCIBI, però, ci siamo resi conto dei limiti imposti dalle risorse computazionali a nostra disposizione. Abbiamo tentato strade alternative, come l'uso di piattaforme come Google Colab, ma nessuna si è rivelata adeguata ai nostri requisiti. Intorno a marzo 2020, abbiamo deciso di abbandonare l’approccio disorganizzato e di dare una direzione chiara al nostro lavoro, definendo una strategia operativa.

Il problema principale che ci trovavamo ad affrontare riguardava l'elaborazione dei dati: organizzare e classificare in modo efficace i parametri raccolti—biologici, neurali e registrati—per identificarli rapidamente e garantire un adattamento personalizzato a ciascun caso. Puntavamo a creare un sistema capace di apprendere continuamente e adattarsi a nuovi dati, un obiettivo ambizioso ma essenziale per il nostro progetto.

​

Fino a febbraio 2021, ci siamo concentrati sulla costruzione di modelli preliminari. A settembre 2020, abbiamo iniziato a sviluppare una teoria sui modelli multimodali, esplorando come questi potessero ridurre il carico computazionale. In questa fase, ci siamo dedicati alla formulazione teorica e alla definizione di basi matematiche per supportare la nostra tesi, senza ancora passare alla fase pratica.

​

Sarà solo nel nuovo anno che inizieremo a condurre i primi test di integrazione tra intelligenza artificiale e hardware.

Ad aprile 2021, iniziamo i primi test di integrazione per installare motori di Machine Learning e AI su schede Raspberry Pi, con l’obiettivo di processare i dati localmente. Tuttavia, a luglio, un evento imprevisto compromette gravemente il nostro progetto: i computer connessi alla rete elettrica subiscono danni agli hard disk. Purtroppo, non avevamo ancora predisposto backup adeguati.

​

L’incidente rappresenta un duro colpo, soprattutto dal punto di vista emotivo. Quando analizziamo la documentazione residua, ci rendiamo conto che è insufficiente per riprendere il lavoro. Con amarezza, decidiamo di interrompere il progetto RAIN e di concludere questa fase del nostro percorso.

​

A febbraio, stimolati dall’esplosione delle AI generative e dall’accesso a nuove risorse, decidiamo di riprendere i file superstiti rimasti dal progetto precedente. Sebbene sconsolati per la scarsità del materiale recuperato, ci immergiamo nuovamente nei datasheet, nelle tesi di laurea e negli articoli universitari che avevano guidato il processo iniziale. Ripartiamo da dove avevamo interrotto, con la determinazione di costruire qualcosa di nuovo.

​

Fino a giugno ci concentriamo sul miglioramento della processazione AI su schede portatili. Riconosciuta però la complessità di questa implementazione, decidiamo di cambiare approccio, optando per un sistema basato sull’hosting tra dispositivi di proprietà dell’utente. Nasce così l’idea di A.N.D.R.E.A. AI, un software capace di integrare reti neurali open-source, come META, e di utilizzare pacchetti di elaborazione avanzati direttamente sulla macchina dell’utente.

​

A novembre avviamo la progettazione di A.N.D.R.E.A. Board, una piattaforma hardware che sintetizza l’esperienza acquisita con SRSC e RAIN, creando un dispositivo tecnologicamente avanzato e miniaturizzato. Mentre il software A.N.D.R.E.A. AI mostrava progressi soddisfacenti, l’hardware si rivelava una sfida impegnativa, soprattutto nella riduzione delle dimensioni e nella stabilità operativa. Tuttavia, ci concentriamo sull’obiettivo di creare una soluzione tecnologica robusta e versatile.

​

A.N.D.R.E.A. AI si dimostra una piattaforma accessibile e user-friendly, con potenzialità di integrazione ideali per le funzionalità previste su A.N.D.R.E.A. Board. Solo a gennaio 2024 iniziamo la progettazione del prototipo finale, ponendo le basi per il futuro del progetto.

Nel 2024 definiamo il principio guida del nostro lavoro: “Software makes the difference.” Questo approccio segna un cambio di prospettiva fondamentale: A.N.D.R.E.A. non è più pensato come una serie di unità separate, ma come un sistema interconnesso in cui il software gioca un ruolo centrale, delegando gran parte della complessità e delle funzionalità principali.

​

Esploriamo nuove tecnologie, analizzando le soluzioni più adatte a concretizzare la nostra visione. Il nostro lavoro si concentra sulla progettazione e ottimizzazione di A.N.D.R.E.A., portando avanti simulazioni intensive e perfezionamenti. Dopo mesi di ricerca e sviluppo, arriviamo finalmente agli inizi di ottobre a un momento cruciale: il prototipo di A.N.D.R.E.A. entra ufficialmente in produzione.

​

Tuttavia, il prototipo di A.N.D.R.E.A. V2 presenta alcune criticità progettuali che emergono durante il processo di produzione. Nonostante i progressi, alcuni aspetti necessitano di una revisione attenta, in quanto alcune discrepanze nei dettagli hanno influito temporaneamente sulle performance del dispositivo. Questi problemi sono stati identificati e ora richiedono un ulteriore affinamento per garantire la stabilità e l’affidabilità del sistema.