Dipartimento di Patrimonio, Architettura e Urbanistica - 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 Informatica e dei sistemi per le Telecomunicazioni

Curriculum

Curriculum unico

Orientamento

Dispositivi

Anno Accademico

2016/2017

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

1000598 Principi di Ingegneria neurale in Ingegneria Elettronica LM-29 MORABITO FRANCESCO CARLO

Docente

Francesco Carlo MORABITO

Obiettivi

Il corso si propone di completare la preparazione dello studente magistrale in ambito machine learning, focalizzando sugli aspetti più collegati alle neuroscienze. Applicazioni all'elaborazione di segnali elettroencefalografici (EEG) sia per discriminazione di stati cerebrali che per il brain computer interface vengono proposte. Lo studente, in autonomia, svolgerà una propria applicazione suggerita dal docente.

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

Frequenza obbligatoria

Valutazione prova scritta

Valutazione prova orale

Valutazione test attitudinale

Valutazione progetto

Valutazione tirocinio

Valutazione in itinere

Prova pratica

Ulteriori informazioni