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 Elettrica ed Elettronica LM-29

Curriculum

Circuiti e sistemi elettronici

Orientamento

Orientamento unico

Anno Accademico

2022/2023

Crediti

Settore Scientifico Disciplinare

ING-IND/31

Anno

Secondo anno

Unità temporale

Secondo semestre

Ore aula

Attività formativa

Attività formative a scelta dello studente (art.10, comma 5, lettera a)

Canale unico

Erogazione

1001593 Principi di ingegneria neurale e intelligenza artificiale in Ingegneria Elettrica ed Elettronica LM-29 LM-28 MAMMONE NADIA, IERACITANO COSIMO

Docente

Nadia Mammone

Obiettivi

CONOSCENZA E COMPRENSIONE:
Il corso si propone di completare la preparazione dello studente magistrale arricchendolo di conoscenze e competenze nell’ambito dell’intelligenza artificiale (con particolare attenzione alle tecniche di deep 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 algoritmi, basati su metodi di Deep Learning, per applicazioni 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 dell’intelligenza artificiale e della computational neuroscience, permettendo inoltre allo studente di affinare la capacità di esprimersi attraverso un linguaggio tecnico appropriato.
CAPACITA' DI APPRENDIMENTO:
Al superamento dell’esame, lo studente avrà acquisito la capacità di progettare algoritmi basati su reti neurali artificiali, sia di tipo shallow sia di tipo deep. 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 di Deep Learning 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.

Programma

FONDAMENTI DI ELABORAZIONE DIGITALE DEL SEGNALI (1 CFU)
Introduzione ai segnali e sistemi a tempo discreto. Rappresentazione del segnale nel dominio del tempo, trasformata di Fourier. Teorema del campionamento. Sistemi lineare tempo-invariante. Trasformata discreta di Fourier. Fast Fourier Transform. Trasformata Z. Fondamenti di progettazione di filtri digitali.
FONDAMENTI DELL’INGEGNERIA NEURALE E DEI SEGNALI CEREBRALI (1 CFU)
Fondamenti di ingegneria neurale. Panoramica sulle applicazioni dell’ingegneria neurale. Necessità di una nuova prospettiva negli approcci basati su modelli.
Introduzione ai campi elettrici del cervello e all'Elettroencefalografia (EEG). Concetti fondamentali sulla generazione dei ritmi EEG. Registrazione e acquisizione di segnali EEG. Pattern EEG normali e anormali. Disturbi neurologici e loro effetti sulle onde cerebrali (morbo di Alzheimer, epilessia, ictus, morbo di Parkinson, ecc.). Brain Computer Interfaces (BCI) e BCI basate su EEG. Applicazione dell'intelligenza artificiale ai segnali EEG.

IL NEURONE ARTIFICIALE E I TIPI DI APPRENDIMENTO (3 CFU)
Proprietà generali dei sistemi di elaborazione neurale. Modello di neurone biologice. Neurone artificiale di McCulloch-Pitts. Discesa del gradiente. Non linearità: sigmoidale, tangente iperbolica, funzioni di attivazione di ReLu. Processo di apprendimento. Correzione dell'errore. Regola Widrow-Hopf. Hebbian Learning. Apprendimento competitivo. Apprendimento supervisionato e non supervisionato. Apprendimento con rinforzo. Natura statistica del processo di apprendimento. Architetture di rete: modelli feedforward. Modelli competitivi e auto-organizzativi. Rappresentazione della conoscenza. Visualizzazione dei processi nelle reti neurali. Perceptrons. Multi-layer Perceptrons. Radial Basis Functions. Reti ricorrenti. Mappe auto-organizzanti. Modelli teorici dell'informazione. Elaborazione temporale con reti neurali.

DEEP LEARNING (3 CFU)
Modelli Deep e Shallow. Convolutional Neural Networks. Visualizzazione e comprensione delle reti convoluzionali, visualizzazione di modelli di classificazione delle immagini e saliency maps, comprensione delle reti neurali attraverso la deep visualization. Dropout, un metodo per impedire l'overfitting delle reti neurali. Controllo a livello umano attraverso un apprendimento di rinforzo profondo.
Generative Adversarial Networks. Spiegazione e utilizzo reti antagoniste generative, Generative Adversarial Nets, Conditional GAN, Super-Resolution GAN, CycleGAN Stacked AutoEncoders and Variational AutoEncoders. Metodi di Explainable Machine Learning.

APPLICAZIONE DELL'INTELLIGENZA ARTIFICIALE AI SEGNALI EEG (2 CFU)
Fondamenti di elaborazione dei segnali EEG. Analisi dei segnali EEG nel domino del tempo. Analisi spettrale e tempo-frequenza. Analisi dinamica e teoria del caos applicata all’EEG. Analisi entropica e tramite altri descrittori di complessità. Teoria dei grafi applicata all'EEG. Elaborazione del segnale EEG basata su reti neurali. Analisi delle componenti principali, analisi delle componenti indipendenti e analisi delle componenti sparse applicate all'EEG. Decomposizione EEG multidimensionale. Classificazione degli stati cerebrali tramite reti neurali. Soluzione del problema inverso nell'analisi EEG.

ESPERIENZE DI LABORATORIO (2 CFU)
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.

Testi docente

José C. Principe, Neural and Adaptive Systems: Fundamentals Through Simulations, Wiley
Ian Goodfellow, Yoshua Bengio and Aaron Courville, “Deep Learning” (www.deeplearningbook.org), An MIT Press book
Zhang, A., Lipton, Z. C., Li, M., & Smola, A. J. (2021). Dive into deep learning. arXiv preprint arXiv:2106.11342 (https://d2l.ai/index.html)
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
Simon Haykin, Neural Networks, IEEE Press

Erogazione tradizionale

Erogazione a distanza

Frequenza obbligatoria

Valutazione prova scritta

Valutazione prova orale

Valutazione test attitudinale

Valutazione progetto

Valutazione tirocinio

Valutazione in itinere

Prova pratica

Ulteriori informazioni