Dipartimento di Ingegneria dell'Informazione, delle Infrastrutture e dell'Energia Sostenibile - Università Mediterranea di Reggio Calabria - Didattica

Questo sito utilizza cookie tecnici e di terze parti. Se vuoi saperne di più o negare il consenso consulta l'informativa sulla privacy. Proseguendo la navigazione o cliccando su "Chiudi" acconsenti all'uso dei cookie. Chiudi

Principi di Ingegneria neurale

Corso

Ingegneria Elettronica

Curriculum

Curriculum unico

Orientamento

Generale

Anno Accademico

2019/2020

Crediti

Settore Scientifico Disciplinare

ING-IND/31

Anno

Primo anno

Unità temporale

Secondo semestre

Ore aula

Attività formativa

Attività formative affini ed integrative

Canale unico

Docente

FRANCESCO CARLO MORABITO

Obiettivi

Il corso si propone di completare la preparazione dello studente magistrale in ambito intelligenza artificiale, machine e deep learning, focalizzando sugli aspetti più collegati alle neuroscienze e al brain computing. Il corso propone delle applicazioni all'elaborazione di segnali elettroencefalografici (EEG) sia per discriminazione di stati cerebrali che al brain computer interface. Lo studente, in autonomia, ma con l'assistenza e la revisione del docente, svolgerà una propria applicazione suggerita dal docente in un elaborato individuale.
Obiettivi formativi specifici del corso sono la capacità di comprendere le tecniche insegnate e la capacità di utilizzarle autonomamente. Anche la capacità di presentare il proprio lavoro e quindi le abilità di comunicazione efficace sono obiettivi del corso.

Modalità di valutazione:
La prova d'esame consiste in una prova orale articolata in diversi aspetti, focalizzati alla verifica della maturazione complessiva del candidato e all’accertamento del raggiungimento degli obiettivi specifici. La prova ha l’obiettivo di misurare le capacità critiche sviluppate dallo studente e il livello di approfondimento della conoscenza avanzata degli algoritmi delle reti neurali e del machine learning. La prova orale consiste anche nella discussione pubblica di un elaborato di corso preparato dallo studente di concerto col docente, nel corso della quale si accertano le capacità comunicative acquisite con riferimento alla presentazione di ricerche o progetti sviluppati nel corso. Nel corso della presentazione, il candidato dovrà altresì mostrare la capacità di lavorare in team su applicazioni specifiche del settore.
Nel caso in cui lo studente ha svolto e presentato bene l'elaborato, oltre a rispondere alle domande addizionali, la prova viene superata con voti tra 28 e 30 e lode.
Poiché il progetto è revisionato durante il corso, lo studente che completa il progetta supera in ogni caso l'esame.

Programma

1) Introduction (0.5 CFU)
Overview of Course. Overview of Neural Engineering Applications. Need for a novel perspective in model-based approaches. Description of Exam and Student’s Project.
2) Neural Networks (2.5 CFU)
General properties of neural processing systems. Biological model. Synaptic links and strength. Models of a neuron. McCulloch-Pitts formal neuron. Nonlinearities: sigmoidal, hyperbolic tangent, ReLu activation functions. Network architectures: feedforward and feedback models. Competitive and Self-Organizing models. Knowledge representation. Visualization of processes in Neural Networks.
Learning process. Error-Correction. Widrow-Hopf Rule. Hebbian Learning. Competitive Learning. Supervised and Unsupervised learning. Reinforcement Learning. Statistical Nature of the Learning Process.
Perceptrons. Multilayer Perceptrons. Radial-Basis Function Networks. Recurrent Networks. Self-Organizing Systems. Information-Theoretic Models. Temporal processing. Neurodynamics.
Deep Learning.
3) Electrophysiological Signal Processing (1.5 CFU)
Introduction to EEG. Electric fields of the brain. Neural activities. EEG generation. Brain rhythms. EEG recording and acquisition. Normal vs. abnormal EEG patterns. Mental disorders (Epilepsy, Psychogenic crisis, Creutzfeldt-Jacob disease, Alzheimer’s disease, Depression, Mental states).
Fundamentals of EEG signal processing. Linear and nonlinear modelling. Signal analysis and transformation. Spectral and time-frequency analysis. Dynamical analysis and chaos. Entropic analysis. Different types of complexity.
PCA/ICA and sparse component analysis. Classification of brain states through Neural Networks/SVM. Seizure signal analysis. EEG source localization. LORETA algorithm.
Brain-Computer Interfacing. ERD/ERS.
Multidimensional EEG decomposition.
4) Laboratory Experiments (1 CFU)
Use of Neural Works Professional II/+ code and CAD; Matlab Neural Networks toolbox.
5) Project Organization, Preparation, and Discussion (0.5 CFU)

Testi docente

Simon Haykin, Neural Networks, IEEE Press
Sani-Chambers, EEG Signal Processing, IEEE- Wiley
Neural-Works Professional II/+ Manual.
Dispense ed esercizi preparati dal docente.

Erogazione tradizionale

Sì

Erogazione a distanza

Frequenza obbligatoria

Valutazione prova scritta

Valutazione prova orale

Sì

Valutazione test attitudinale

Valutazione progetto

Sì

Valutazione tirocinio

Valutazione in itinere