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
vai al contenuto vai al menu principale vai alla sezione Accessibilità vai alla mappa del sito
Login  Docente | Studente | Personale | Italiano  English
 
Home page Home page

Principi di Ingegneria neurale

Corso Ingegneria Elettronica
Curriculum Curriculum unico
Orientamento Generale
Anno Accademico 2019/2020
Crediti 6
Settore Scientifico Disciplinare ING-IND/31
Anno Primo anno
Unità temporale Secondo semestre
Ore aula 48
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
Erogazione a distanza No
Frequenza obbligatoria No
Valutazione prova scritta No
Valutazione prova orale
Valutazione test attitudinale No
Valutazione progetto
Valutazione tirocinio No
Valutazione in itinere No
Prova pratica No

Ulteriori informazioni

Nessun materiale didattico inserito per questo insegnamento
Nessun avviso pubblicato
Nessuna lezione pubblicata
Codice insegnamento online pubblicato. Per visualizzarlo, autenticarsi in area riservata.

Cerca nel sito

 

Posta Elettronica Certificata

Direzione

Tel +39 0965.1692263

Fax +39 0965.1692201

Indirizzo e-mail


Biblioteca

Tel +39 0965.1692206

Fax +39 0965.1692206

Indirizzo e-mail

Ufficio didattica

Tel +39 0965.1692440/212

Fax +39 0965.1692220

Indirizzo e-mail


Segreteria studenti

Tel +39 0965.1691475

Fax +39 0965.1691474

Indirizzo e-mail

Segreteria Amministrativa

Tel +39 0965.1692257/261/241

Fax +39 0965.1692201

Indirizzo e-mail


Ufficio orientamento

Tel +39 0965.1692386/212

Fax +39 0965.1692220

Indirizzo e-mail

Social

Facebook

Twitter

YouTube

Instagram