ITA | ENG
B031373 - COMPUTATIONAL METHODS FOR BIOENGINEERING
Principali informazioni
Lingua Insegnamento
Libri di testo consigliati
Obiettivi Formativi
Prerequisiti
Metodi Didattici
Modalità di verifica apprendimento
Programma del corso
Obiettivi Agenda 2030 per lo sviluppo sostenibile
Anno Accademico 2021-22
Coorte 2021 - Laurea Magistrale in INGEGNERIA INFORMATICA
Anno di corso
Primo Anno - Secondo Semestre
Dipartimento di Afferenza
Ingegneria dell'Informazione
Tipo insegnamento
Attività formativa monodisciplinare
Settore Scientifico disciplinare
ING-INF/06 - BIOINGEGNERIA ELETTRONICA E INFORMATICA
Crediti Formativi
6
Ore Didattica
48
Periodo didattico
28/02/2022 ⇒ 17/06/2022
Frequenza Obbligatoria
No
Tipo Valutazione
Voto Finale
Programma del corso
mostra
Docenza
Mutuazione
Insegnamento mutuato da:
B026343 - BIOINGEGNERIA PER LE NEUROSCIENZE
Laurea Magistrale in INGEGNERIA BIOMEDICA
B026343 - BIOINGEGNERIA PER LE NEUROSCIENZE
Laurea Magistrale in INGEGNERIA BIOMEDICA
Lingua Insegnamento
Italiano
Libri di testo consigliati (Cerca nel catalogo della biblioteca)
Jian Feng - Computational Neuroscience A Comprehensive Approach (2003, Chapman & Hall)
Laura Astolfi - Estimation of Cortical Connectivity in Humans Advanced Signal Processing Techniques;
Karim G. Oweiss - Statistical Signal Processing for Neuroscience and Neurotechnology (2010, Academic Press)
Cerutti, Marchesi - Advanced Methods of Biomedical Signal Processing (IEEE Press Series on Biomedical Engineering) (2011, Wiley-IEEE Press)
Laura Astolfi - Estimation of Cortical Connectivity in Humans Advanced Signal Processing Techniques;
Karim G. Oweiss - Statistical Signal Processing for Neuroscience and Neurotechnology (2010, Academic Press)
Cerutti, Marchesi - Advanced Methods of Biomedical Signal Processing (IEEE Press Series on Biomedical Engineering) (2011, Wiley-IEEE Press)
Obiettivi Formativi
Il corso si propone di presentare agli studenti le principali tecnologie
bioingegneristiche di supporto allo studio delle Neuroscienze:
Modelli neuronali
Sistemi nonlineari
Spiketrains
Intelligenza artificiale basate su reti neurali
bioingegneristiche di supporto allo studio delle Neuroscienze:
Modelli neuronali
Sistemi nonlineari
Spiketrains
Intelligenza artificiale basate su reti neurali
Prerequisiti
Statistica;
Analisi dei segnali; Fisiologia del Sistema Nervoso;
Analisi dei segnali; Fisiologia del Sistema Nervoso;
Metodi Didattici
Il corso si svolgerà prevalentemente utilizzando slide delle lezioni ed esercitazioni in aula.
Modalità di verifica apprendimento
La verifica di apprendimento delle capacità acquisite dallo studente durante il corso
verterà a indagare la:
- capacità di analizzare gli aspetti ingegneristici dei modelli matematici per le Neuroscienze
- capacità di effettuare una ricerca bibliografica sullo stato dell’arte
relativo allo specifico problema sotto studio
- capacità di implementare una catena di analisi per aree e reti neuronali
- Sviluppare uno spirito critico tale da poter affrontare un
ampia gamma di problematiche nel capo dei modelli computazionali per le Neuroscienze
verterà a indagare la:
- capacità di analizzare gli aspetti ingegneristici dei modelli matematici per le Neuroscienze
- capacità di effettuare una ricerca bibliografica sullo stato dell’arte
relativo allo specifico problema sotto studio
- capacità di implementare una catena di analisi per aree e reti neuronali
- Sviluppare uno spirito critico tale da poter affrontare un
ampia gamma di problematiche nel capo dei modelli computazionali per le Neuroscienze
Programma del corso
Aspetti generali e links per dataset;
Richiami Variabili Aleatorie;
Richiami Processi stocastici e PCA - ICA;
Richiami Sistema Nervoso (SN);
Dinamica Neuronale;
Teoria dell’Informazione;
Struttura e funzioni del SN;
Metodi di Analisi per dati neuronali continui e Spkitrain;
Dagli stimoli alla risposta neurale;
Modello singolo neurone;
Modelli di reti Neurali;
Apprendimento e Plasticità;
Analisi degli Spiketrain;
Sistemi Nonlineari;
Serie di Volterra;
Serie di Wiener;
Serie di Poisson-Wiener;
Sistema Nervoso Autnomo;
Sistema Elettrodermico ;
Sistema
Eyetracking;
Metodi di analisi nonlineare per serie temporali di dati fisiologici;
Point process per analisi Spiketrains;
Causalità;
Connettività;
Dynamical Causal Modelling ;
Introduzione a CNN-Deep Learning-Reinforcement Learning-Continual Learning-Contrast Learning;
Richiami Variabili Aleatorie;
Richiami Processi stocastici e PCA - ICA;
Richiami Sistema Nervoso (SN);
Dinamica Neuronale;
Teoria dell’Informazione;
Struttura e funzioni del SN;
Metodi di Analisi per dati neuronali continui e Spkitrain;
Dagli stimoli alla risposta neurale;
Modello singolo neurone;
Modelli di reti Neurali;
Apprendimento e Plasticità;
Analisi degli Spiketrain;
Sistemi Nonlineari;
Serie di Volterra;
Serie di Wiener;
Serie di Poisson-Wiener;
Sistema Nervoso Autnomo;
Sistema Elettrodermico ;
Sistema
Eyetracking;
Metodi di analisi nonlineare per serie temporali di dati fisiologici;
Point process per analisi Spiketrains;
Causalità;
Connettività;
Dynamical Causal Modelling ;
Introduzione a CNN-Deep Learning-Reinforcement Learning-Continual Learning-Contrast Learning;
Obiettivi Agenda 2030 per lo sviluppo sostenibile
3, 4