48
ELETTROTECNICA
REGGIO DI CALABRIA
Dati Generali
Periodo di attività
Syllabus
Obiettivi Formativi
CONOSCENZA E COMPRENSIONE:
Il corso si propone di completare la preparazione dello studente arricchendolo di conoscenze fondamentali sul cervello e i segnali neurali, sull’elaborazione di tali segnali per la creazione di interfacce cervello-computer. Lo studente acquisirà conoscenze fondamentali in ambito machine learning (ML) con un focus particolare sull’elaborazione di segnali neurali per applicazioni BCI. Lo studente svilupperà un elaborato progettuale suggerito dal docente.
CAPACITA' DI APPLICARE CONOSCENZA E COMPRENSIONE:
Il corso è orientato a far acquisire allo studente competenze sulla progettazione e sviluppo di modelli e algoritmi, nell’ambito delle neuroscienze. Tale obiettivo viene perseguito anche attraverso esercitazioni laboratoriali durante le quali lo studente avrà modo di progettare i propri esperimenti, acquisire i segnali elettroencefalografici ed elaborarli.
AUTONOMIA DI GIUDIZIO:
A fine corso, e in particolare al superamento dell’esame, lo studente sarà in grado, in completa autonomia, di: definire paradigmi ed esperimenti di acquisizione di bio-segnali secondo quelli che sono gli obiettivi del proprio studio; progettare algoritmi per l’elaborazione dei segnali acquisiti al fine di raggiungere l’obiettivo dello studio. Lo studente potrà contare sul bagaglio di metodi trattati durante il corso nonché sulla propria capacità di approfondire autonomamente ulteriori metodi presenti in letteratura, grazie ad un’acquisita padronanza dei concetti fondamentali di machine learning.
ABILITA' COMUNICATIVE:
Attraverso una continua interazione docente-studente, il corso orienterà all’acquisizione del linguaggio proprio delle neuroscienze computazionali, permettendo inoltre allo studente di affinare la capacità di esprimersi attraverso un linguaggio tecnico appropriato.
CAPACITA' DI APPRENDIMENTO:
Al superamento dell’esame, lo studente sarà in grado di definire paradigmi ed esperimenti per l’acquisizione di segnali elettroencefalografici (EEG) secondo quelli che sono gli obiettivi dello studio; acquisire tali segnali; elaborarli mediante algoritmi sviluppati ad-hoc; integrare tali algoritmi con piattaforme per l’interfacciamento in tempo reale con il sistema di acquisizione EEG. Viceversa, l’applicazione pratica dei concetti teorici permetterà di comprenderli a fondo e rielaborarli; lo studente svilupperà così in generale un approccio teorico-pratico alle materie ingegneristiche.
Prerequisiti
Conoscenze di base dell'analisi matematica, risoluzione di sistemi lineari di equazioni, calcolo di derivate, conoscenza delle matrici e delle operazioni matriciali. Concetti fondamentali di statistica e calcolo delle probabilità.
Metodi didattici
Lo svolgimento del corso prevede: lezioni teoriche frontali; esercitazioni pratiche dedicate all’implementazione di algoritmi; esercitazioni laboratoriali per l’acquisizione e relativa elaborazione di bio-segnali; seminari specialistici; visite tecniche. Le lezioni sono caratterizzate da una continua interazione docente-studente volta a promuovere un apprendimento attivo
Verifica Apprendimento
L’esame consta nella discussione di un elaborato progettuale, svolto autonomamente oppure in gruppo, e nella prova orale.
La discussione dell’elaborato è volta a valutare l’autonomia e le capacità critiche sviluppate dallo studente nonché il rigore metodologico nella progettazione di modelli e algoritmi.
La prova orale è volta a verificare il livello di padronanza delle conoscenze degli argomenti proposti durante il corso nonché la capacità di esposizione dei contenuti teorici della disciplina.
Il voto finale sarà attribuito considerando la valutazione dell’elaborato e l’esito della discussione orale, secondo il seguente criterio di valutazione:
30 - 30 e lode: conoscenza completa, approfondita e critica degli argomenti, ottima proprietà di linguaggio, completa ed originale capacità interpretativa, piena capacità di applicare autonomamente le conoscenze acquisite;
27 - 29: conoscenza completa e approfondita degli argomenti, piena proprietà di linguaggio, completa ed efficace capacità interpretativa, in grado di applicare autonomamente le conoscenze per risolvere i problemi proposti;
24 - 26: conoscenza degli argomenti con un buon grado di apprendimento, buona proprietà di linguaggio, corretta e sicura capacità interpretativa, capacità di applicare in modo corretto la maggior parte delle conoscenze per risolvere i problemi proposti;
21 - 23: conoscenza adeguata degli argomenti, ma mancata padronanza degli stessi, soddisfacente proprietà di linguaggio, corretta capacità interpretativa, limitata capacità di applicare autonomamente le conoscenze per risolvere i problemi proposti;
18 - 20: conoscenza di base degli argomenti principali, conoscenza di base del linguaggio tecnico, capacità interpretativa sufficiente, capacità di applicare le conoscenze basilari acquisite;
Insufficiente: lo studente non possiede una conoscenza accettabile degli argomenti trattati durante il corso.
Testi
Brain–computer interfaces : principles and practice edited by Jonathan R. Wolpaw, Elizabeth Winter Wolpaw.
Sani-Chambers, EEG Signal Processing, IEEE- Wiley
José C. Principe, Neural and Adaptive Systems: Fundamentals Through Simulations, Wiley
Contenuti
Introduzione alle Interfacce Cervello-Computer (Brain Computer Interface, BCI). Storia e sviluppo delle BCI. Tipi di BCI e loro applicazioni. Tecnologie per l’acquisizione dei segnali cerebrali per le BCI. Fondamenti di Elettroencefalografia (EEG). Pre-trattamento dei segnali EEG e rimozione degli artefatti. Concetti fondamentali per il trattamento dei segnali EEG. Estrazione di features dai segnali EEG. Fondamenti di Machine Learning per le BCI. Metodi di Classificazione e Regressione per la decodifica del segnale EEG. Tecnologie e applicazioni emergenti in ambito BCI. Piattaforme software per BCI (OpenViBE, BCILab, ecc.). Tecnologie assistive e BCI per la comunicazione. BCI per la neuroriabilitazione e il controllo motorio. BCI nella ricerca e nella medicina. BCI per il gioco e l'intrattenimento. Componenti hardware per le BCI (elettrodi EEG, amplificatori). Installazione e configurazione di un sistema BCI.
ESPERIENZE DI LABORATORIO
Fondamenti di Matlab e Python. Installazione e configurazione di sistemi per l’acquisizione di segnale EEG. Progettazione di paradigmi per applicazioni BCI basate su EEG, utilizzando il sistema gTec Unicorn EEG, e le piattaforme OpenViBE e/o BCILab (EEGlab). Registrazione e trattamento dei segnali EEG. Acquisizione dei segnali per lo sviluppo del progetto di corso.