Formazione e ricerca
Attività Formative del Corso di Dottorato
In questa pagina sono riportate le attività formative del corso di dottorato per l'anno accademico 2024/2025. Ulteriori attività verranno aggiunte durante l'anno. Ti invitiamo a verificare regolarmente la presenza di aggiornamenti!
Dynamic modeling and simulation of multibody systems
Crediti: 5
Lingua di erogazione: English
Docente: Iacopo Tamellin
Advanced techniques for acquisition of biomedical images
Crediti: 2.5
Lingua di erogazione: Inglese
Docente: Paolo Farace, Federico Boschi
Theranostics: from materials to devices
Crediti: 1
Lingua di erogazione: english
Docente: Nicola Daldosso, Tommaso Del Rosso
Nanomaterials: synthesis, characterization and applications
Crediti: 1
Lingua di erogazione: English
Docente: Francesco Enrichi, Tommaso Del Rosso
Brain Computer Interfaces
Crediti: 3
Lingua di erogazione: Inglese
Docente: Silvia Francesca Storti
Algorithmic motion planning in robotics
Crediti: 1
Lingua di erogazione: Italiano
Docente: Paolo Fiorini
Data visualization
Crediti: 1
Lingua di erogazione: Inglese
Docente: Andrea Giachetti
Cyber-Physical Systems in Industry 4.0: Modeling, Networks, and Intelligence
Crediti: 3
Lingua di erogazione: English
Docente: Enrico Fraccaroli
Modellazione e analisi 3D
Crediti: 1
Lingua di erogazione: Inglese
Docente: Andrea Giachetti
Explainable AI models: state of the art, promises and challenges
Crediti: 2.5
Lingua di erogazione: Inglese
Docente: Gloria Menegaz
Foundation of Robotics Autonomy
Crediti: 1
Lingua di erogazione: Italiano
Docente: Paolo Fiorini
Generative AI
Crediti: 1.5
Lingua di erogazione: English
Docente: Francesco Setti
Modellazione e verifica di sistemi digitali
Crediti: 1.5
Lingua di erogazione: Italiano
Docente: Franco Fummi, Nicola Bombieri, Graziano Pravadelli
Soft robotics: from nature to engineering
Crediti: 1.5
Lingua di erogazione: English
Docente: Francesco Visentin
Techniques and algorithms for biomechanics of movement
Crediti: 2.5
Lingua di erogazione: English
Docente: Roberto Di Marco
Brain Computer Interfaces (2024/2025)
Docente
Referente
Crediti
3
Lingua di erogazione
Inglese
Frequenza alle lezioni
Scelta Libera
Sede
VERONA
Obiettivi di apprendimento
L'obiettivo di questo corso è offrire un'introduzione ai principi base delle Interfacce Cervello-Computer (BCI), principalmente focalizzandosi sull'attività oscillatoria EEG da un punto di vista di elaborazione del segnale. Durante il corso verranno presentati i principali metodi di elaborazione che consentono di decodificare l'attività cerebrale in tempo reale e trasformarla in un segnale di controllo per BCI. Nella prima parte, gli studenti acquisiranno conoscenze riguardanti: il modello BCI, i principali tipi di BCI con le relative tecniche di elaborazione del segnale per l'estrazione di feature e classificazione, le performance dei sistemi, i limiti dei paradigmi attuali e le molteplici applicazioni BCI. La seconda parte del corso si concentrerà sulla progettazione pratica e sull'utilizzo di BCI, con un'introduzione all'elaborazione in tempo reale delle registrazioni EEG. Sarà promossa la collaborazione tra gli studenti con differenti background attraverso progetti di gruppo orientati alla ricerca.
Prerequisiti e nozioni di base
I prerequisiti consigliati del corso sono una conoscenza di base di analisi dei segnali e di programmazione in Matlab.
Programma
- Introduzione al modello BCI. Motivazione per la BCI. Contesto storico e approcci recenti. La tecnologia BCI.
- Applicazioni: in medicina, prevenzione di situazioni a rischio, ambienti intelligenti, gaming, ecc.
- BCI invasivi e non invasivi.
- Segnali di controllo basati su EEG: evocati (ad esempio, SSVEP e P300 speller) vs. auto-pilotati.
- Elaborazione del segnale (filtraggio, estrazione delle caratteristiche, classificazione) e interpretazione dei risultati.
- Immaginazione motoria cinestetica e introduzione ad un'architettura tipica della BCI basata su EEG (fasi di calibrazione e utilizzo).
- Il ruolo del machine learning in BCI.
- Il problema della classificazione e come valutare le prestazioni.
- Casi di studio.
Laboratorio. Il laboratorio riguarda l'implementazione di un'interfaccia MI-BCI in Matlab. Gli studenti useranno EEGlab per creare script Matlab e lavoreranno su dati EEG-BCI, filtrando i dati, estraendo features di densità spettrale di potenza, coerenza e correlazione nelle bande in frequenza di interesse, implementando un classificatore per distinguere diversi movimenti immaginati. Infine dovranno interpretare i risultati ottenuti.
Bibliografia
Modalità didattiche
Le lezioni si svolgeranno sia in presenza che in streaming, offrendo agli studenti all'estero la possibilità di seguirle da remoto. Il materiale didattico sarà disponibile per gli studenti iscritti al corso sulla piattaforma Moodle. Tale materiale comprende le presentazioni delle lezioni in formato PDF e i documenti relativi alle attività di laboratorio.
Modalità di verifica dell'apprendimento
La prova d’esame consiste nello sviluppo in Matlab di un breve progetto volto all’analisi di dati EEG-BCI. Questo compito richiederà agli studenti di applicare le conoscenze acquisite durante il corso, mettendosi alla prova con sfide legate all'elaborazione e all'interpretazione dei segnali cerebrali.
Valutazione
Per superare l'esame, gli studenti devono dimostrare che: - hanno compreso i concetti teorici e pratici del corso; - sono in grado di utilizzare le conoscenze acquisite durante il corso per risolvere i problemi assegnati relativi all'elaborazione dei segnali EEG-BCI; - sono in grado di programmare nell'ambiente MATLAB nel contesto dell'elaborazione dei segnali.
Criteri di composizione del voto finale
Superato/non superato.
Lezioni Programmate
| Quando | Aula | Docente | Argomenti |
|---|---|---|---|
|
mercoledì 12 marzo 2025 10:30 - 12:30 Durata: 02:00 |
Ca' Vignal 3 - T.06 [06 - T] | Silvia Francesca Storti | Introduction to Brain-Computer Interfaces (BCIs): definition of BCI; how BCIs work; motivation for BCIs; the BCI model; the role of feedback; types of BCIs (active, reactive, and passive). Current neuroimaging-based BCI modalities. The role of machine learning in BCIs. Offline training and online testing. History of BCIs and recent approaches. |
|
martedì 18 marzo 2025 10:30 - 12:30 Durata: 02:00 |
Ca' Vignal 3 - Laboratorio Ciberfisico [103 - ] | Silvia Francesca Storti | Applications of BCIs: medical applications (communication, rehabilitation and restoration, detection and diagnosis); prevention of risk situations (passive BCI), smart environments, neuromarketing, educational, gaming, military use. Design and implementation of BCIs. Signal acquisition methods (invasive and non-invasive BCIs). Focus on non-invasive EEG-based BCIs. |
|
lunedì 24 marzo 2025 13:30 - 15:30 Durata: 02:00 |
Ca' Vignal 3 - Laboratorio Ciberfisico [103 - ] | Silvia Francesca Storti | EEG-based BCI control signals: slow cortical potentials; evoked potentials (SSVEP, P300 speller), motor-imagery systems based on sensorimotor desynchronization. Kinesthetic motor imagery and introduction to a typical architecture of EEG-based MI-BCI (experimental paradigm, signal acquisition). |
|
martedì 01 aprile 2025 09:30 - 11:30 Durata: 02:00 |
Ca' Vignal 3 - Laboratorio Ciberfisico [103 - ] | Silvia Francesca Storti | Study of a typical architecture of EEG-based MI-BCI: signal preprocessing methods for the removal of physiological and extraphysiological artifacts (temporal and spatial filtering), feature extraction methods based on spectral information (calibration phase), and time-frequency methods for online usage phase, event-related potentials (ERS/ERD), feature storage, the classification problem for MI-BCI systems (training data, predictor function, empirical risk, overfitting, and underfitting problems). |
|
martedì 08 aprile 2025 10:30 - 12:30 Durata: 02:00 |
Ca' Vignal 3 - Laboratorio Ciberfisico [103 - ] | Silvia Francesca Storti | Laboratory. The laboratory involves implementing a simple offline MI-BCI interface in Matlab following the architecture explained during the lectures. The laboratory is structured into two main parts: preprocessing+feature extraction and classification. Initially, students receive a description of the experimental paradigm of the provided EEG data with an explanation of the key functions for scripting via EEGLAB (Matlab toolbox). Students uses a draft code and are required to implement some crucial processing steps. The features to extract are: power spectral density, coherence, and correlation for the alpha and beta frequency bands. |
|
martedì 15 aprile 2025 10:30 - 12:30 Durata: 02:00 |
Ca' Vignal 3 - Laboratorio Ciberfisico [103 - ] | Silvia Francesca Storti | Laboratory. This second part involves training a support vector machine (SVM) classifier to decode imagined movement of single trials and testing the classifier with cross-validation. Explanation is provided on how to assess the classifier's performance and optimize the algorithm's hyperparameters. The main challenges in BCI classification are highlighted: insufficient quantity of data, poor data quality, non-representative training data, irrelevant features requiring dimensionality reduction (channel/feature selection). Model evaluation involves considerations such as overfitting and underfitting the training data. In this part as well, students use a code template and are tasked with implementing crucial processing steps, focusing on the interpretation of the obtained results. As a small project, students are assigned the processing of new EEG-BCI data. |
Sustainable Development Goals - SDGs
Questa iniziativa contribuisce al perseguimento degli Obiettivi di Sviluppo Sostenibile dell'Agenda 2030 dell'ONU.Maggiori informazioni su www.univr.it/sostenibilita
