INTELLIGENZA COMPUTAZIONALE E INTERFACCE UOMO - MACCHINA

INTRODUZIONE ALLE BRAIN-COMPUTER INTERFACE

Introduzione alle Brain Computer Interface (BCI). 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). Cenni alla soluzione del problema inverso nell'analisi EEG. Fondamenti di neuroscienze computazionali. BCI basate su segnali EEG. 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.

ELABORAZIONE DEI BIO-SEGNALI PER BCI

Introduzione ai segnali a tempo discreto. Rappresentazione del segnale nel dominio del tempo. Analisi spettrale e tempo-frequenza.

Fondamenti di elaborazione dei segnali EEG. Analisi dei segnali EEG nel domino del tempo. Descrizione dei ritmi EEG e delle caratteristiche tempo-frequenza del segnale EEG. Analisi dinamica e teoria del caos applicata all’EEG. Analisi entropica e tramite altri descrittori di complessità. Analisi delle componenti principali e analisi delle componenti indipendenti applicate all'EEG. Decomposizione EEG multidimensionale.

Introduzione al machine learning e ai più comuni modelli di classificazione in ambito BCI. Cenni all’apprendimento supervisionato e non supervisionato. Linear Discriminant Analysis. Gaussian Discriminant Analysis. Support Vector Machines.

Classificazione degli stati cerebrali mediante metodi di machine learning.

ESPERIENZE DI LABORATORIO

Utilizzo del Deep Learning toolbox di Matlab e/o Python. Progettazione di paradigmi per applicazioni BCI EEG-based tramite OpenViBE e BCILab. Set up dei sistemi di acquisizione dei segnali EEG. Registrazione ed elaborazione di EEG. Acquisizione dei segnali destinati allo sviluppo del progetto finale.

Ultimo aggiornamento: 25-09-2023

Paul L. Nunez and Ramesh Srinivasan, Electric fields of the brain - the Neurophysics of EEG (second edition), Oxford University Press

Sani-Chambers, EEG Signal Processing, IEEE- Wiley

José C. Principe, Neural and Adaptive Systems: Fundamentals Through Simulations, Wiley

Ultimo aggiornamento: 25-09-2023

CONOSCENZA E COMPRENSIONE:

Il corso si propone di completare la preparazione dello studente arricchendolo di conoscenze e competenze nell’ambito del machine learning focalizzando l’attenzione sugli aspetti maggiormente collegati alle neuroscienze. Vengono proposte applicazioni all'elaborazione di segnali elettroencefalografici (EEG) sia per discriminazione di stati cerebrali sia per Brain Computer Interface (BCI). 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, nell’ambito delle neuroscience. 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 del deep 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.

Ultimo aggiornamento: 25-09-2023

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. 

Ultimo aggiornamento: 25-09-2023

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.

Ultimo aggiornamento: 25-09-2023

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.

Ultimo aggiornamento: 25-09-2023