48
ELETTROTECNICA
REGGIO DI CALABRIA
Dati Generali
Periodo di attività
Syllabus
Obiettivi Formativi
- Acquisire la capacità di progettare e implementare in ambiente MATLAB una pipeline per l’analisi di segnali EEG nei dominio del tempo e della frequenza, con estrazione di feature significative;
- Acquisire le conoscenze e le competenze necessarie per sviluppare e validare modelli di classificazione (es. LDA, SVM) per la discriminazione di stati cerebrali a partire da features estratte da segnali EEG;
- Acquisire le conoscenze e le competenze necessarie per installare e configurare un sistema di acquisizione EEG, acquisire dati sperimentali e utilizzare strumenti software per la registrazione, la visualizzazione e l’elaborazione dei segnali EEG.
Prerequisiti
Conoscenze di base dell'analisi matematica. Concetti fondamentali di elettromagnetismo.
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 consiste in una prova orale, che comprende la discussione degli argomenti oggetto del programma e la discussione di un elaborato, svolto autonomamente oppure in gruppo.
La discussione degli argomenti oggetto del programma è volta a verificare il livello di padronanza dei concetti teorici proposti durante il corso nonché la capacità di esposizione dei contenuti della disciplina.
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.
Il voto finale sarà attribuito 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 dimostra una conoscenza scarsa e frammentaria della materia, non conosce i contenuti essenziali e manifesta numerose ed estese lacune.
Testi
Paul L. Nunez and Ramesh Srinivasan, Electric fields of the brain - the Neurophysics of EEG (second edition), Oxford University Press
Brain-Computer Interfaces: Principles and Practice, Oxfrd Academic, Jonathan Wolpaw (ed.), Elizabeth Winter Wolpaw (ed.)
Sani-Chambers, EEG Signal Processing, IEEE- Wiley
Contenuti
Programma del Corso
(1 CFU) Introduzione ai circuiti e ai modelli per la biomedica. Tecniche di acquisizione di bio-segnali e bio-immagini. Fondamenti di elaborazione di bio-segnali e bio-immagini. Introduzione ai campi elettrici del cervello e all'Elettroencefalografia (EEG). Fondamenti di neuroscienze computazionali. Pattern EEG normali e anormali. Disturbi neurologici e loro effetti sulle onde cerebrali (morbo di Alzheimer, epilessia, ictus, morbo di Parkinson, ecc.). Tecnologia eye-tracker e applicazione allo sviluppo di interfacce uomo-macchina.
(2 CFU) Introduzione ai segnali a tempo discreto. Rappresentazione del segnale nel dominio del tempo. Fondamenti di elaborazione dei segnali EEG. Analisi dei segnali EEG nel domino del tempo. Analisi dei segnali EEG nel domino della frequenza. Analisi dei segnali EEG nel domino tempo-frequenza. Descrizione dei ritmi fondamentali EEG (brain waves). Analisi entropica e tramite altri descrittori di complessità. Analisi delle componenti principali e analisi delle componenti indipendenti applicate all'EEG. Cenni alla soluzione del problema inverso nell'analisi EEG.
(1 CFU) Introduzione al machine learning e ai più comuni modelli di classificazione. Cenni sull’apprendimento supervisionato e non supervisionato. Linear Discriminant Analysis. Gaussian Discriminant Analysis. Support Vector Machines. Classificazione degli stati cerebrali mediante metodi di machine learning.
(2 CFU) Fondamenti di Matlab. Installazione e configurazione di sistemi per l’acquisizione di segnale EEG. Progettazione di paradigmi per acquisizione dei segnali EEG mediante l’uso di toolbox Matlab open source o proprietari. Registrazione e trattamento dei segnali EEG. Acquisizione dei segnali per lo sviluppo del progetto di corso.
Risultati attesi
CONOSCENZA E COMPRENSIONE:
Il corso si propone di completare la preparazione dello studente arricchendolo di conoscenze e competenze nell’ambito dell’acquisizione e dell’elaborazione di segnali biomedicali. Vengono proposte applicazioni all'elaborazione di segnali elettroencefalografici (EEG) per la discriminazione di stati cerebrali. Lo studente, in autonomia, svolgerà un proprio elaborato 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 per l’acquisizione e l’elaborazione di bio-segnali. Tale obiettivo viene perseguito anche attraverso esercitazioni laboratoriali durante le quali lo studente avrà modo di progettare i propri esperimenti, acquisire i segnali 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.
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 bio-segnali 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. 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.
Altre informazioni
Codice Teams: czaxyp2