Formazione e ricerca
Attività Formative del Corso di Dottorato
This page shows the courses and classes of the PhD programme for the academic year 2023/2024. Additional courses and classes will be added during the year. Please check for updates regularly!
Non monotonic reasoning
Crediti: 3
Lingua di erogazione: English
Docente: Matteo Cristani
Sustainable Embodied Mechanical Intelligence
Crediti: 3
Lingua di erogazione: English
Docente: Giovanni Gerardo Muscolo
Brain Computer Interfaces
Crediti: 3
Lingua di erogazione: English
Docente: Silvia Francesca Storti
A practical interdisciplinary PhD course on exploratory data analysis
Crediti: 4
Lingua di erogazione: Inglese
Docente: Prof. Vincenzo Bonnici (Università di Parma)
Multimodal Learning and Applications
Crediti: 5
Lingua di erogazione: Inglese
Docente: Cigdem Beyan
Introduction to Blockchain
Crediti: 3
Lingua di erogazione: English
Docente: Sara Migliorini
Autonomous Agents and Multi-Agent Systems
Crediti: 5
Lingua di erogazione: English
Docente: Alessandro Farinelli
Cyber-Physical System Security
Crediti: 3
Lingua di erogazione: English/Italian
Docente: Massimo Merro
Foundations of quantum languages
Crediti: 3
Lingua di erogazione: English
Docente: Margherita Zorzi
Advanced Data Structures for Textual Data
Crediti: 3
Lingua di erogazione: English
Docente: Zsuzsanna Liptak
AI and explainable models
Crediti: 5
Lingua di erogazione: English
Docente: Gloria Menegaz, Lorenza Brusini
Automated Software Testing
Crediti: 4
Lingua di erogazione: English
Docente: Mariano Ceccato
Elements of Machine Teaching: Theory and Appl.
Crediti: 3
Lingua di erogazione: English
Docente: Ferdinando Cicalese
Introduction to Quantum Machine Learning
Crediti: 4
Lingua di erogazione: English
Docente: Alessandra Di Pierro
Laboratory of quantum information in classical wave-optics analogy
Crediti: 3
Lingua di erogazione: English
Docente: Claudia Daffara
Brain Computer Interfaces (2023/2024)
Docente
Referente
Crediti
3
Lingua di erogazione
English
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 sullo studio dell’attività oscillatoria EEG da un punto di vista di elaborazione del segnale. Durante il corso verranno presentati i principali metodi di elaborazione dei dati che consentono di decodificare l'attività cerebrale in tempo reale e trasformarla in un segnale di controllo per una 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 delle feature e classificazione, le performance dei sistemi, i limiti dei paradigmi attuali e le molteplici applicazioni delle BCI. La seconda parte del corso si concentrerà sulla progettazione pratica e sull'utilizzo delle BCI, con un'introduzione all'elaborazione in tempo reale delle registrazioni EEG. Sarà promossa la collaborazione tra gli studenti con differenti background attraverso progetti pratici di gruppo orientati alla ricerca.
Prerequisiti e nozioni di base
Area del Corso: Bioingegneria/Neuroscienze
Prerequisiti del corso: i prerequisiti consigliati del corso sono una conoscenza di base dell'elaborazione dei segnali e di programmazione in Matlab.
Programma
Argomenti trattati:
- Introduzione al modello BCI e al suo contesto storico
- BCI invasivi e non invasivi
- BCI evocati vs. auto-regolati
- Elaborazione del segnale e interpretazione dei dati (filtraggio, estrazione delle feature, classificazione)
- La tecnologia BCI
- Esempi di applicazioni e valutazione delle prestazioni
- Applicazioni e casi studio
Laboratorio. Analisi dei dati - preelaborazione (estrazione delle epoche e riduzione del rumore), elaborazione nel dominio delle frequenze, addestramento di un classificatore SVM per decodificare il movimento immaginato di singole prove, test del classificatore tramite cross-validazione.
Bibliografia
Modalità didattiche
Orario:
Aula: T.04 - Borgo Roma - Ca' Vignal 3
Orario: 12:30-14:30
Lunedì 11 marzo 2024
• Lunedì 18 marzo 2024
• Lunedì 25 marzo 2024
• Lunedì 08 aprile 2024
• Lunedì 15 aprile 2024
• Lunedì 22 aprile 2024
Modalità di erogazione della didattica. Lezioni frontali alla lavagna e con ausilio di diapositive a supporto, esercitazioni e progetto in laboratorio. Il corso adotta un approccio "hands-on", incoraggiando gli studenti a sperimentare direttamente la progettazione e l'implementazione delle metodologie di analisi più appropriate per risolvere problemi reali di interesse medico-clinico.
Modalità di verifica dell'apprendimento
La valutazione avviene attraverso un progetto assegnato durante il laboratorio.
Valutazione
-
Criteri di composizione del voto finale
-
Lezioni Programmate
| Quando | Aula | Docente | Argomenti |
|---|---|---|---|
|
lunedì 11 marzo 2024 12:30 - 14:30 Durata: 02:00 |
Ca' Vignal 3 - T.04 [04 - 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. |
|
lunedì 18 marzo 2024 12:30 - 14:30 Durata: 02:00 |
Ca' Vignal 3 - T.04 [04 - T] | 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 25 marzo 2024 12:30 - 14:30 Durata: 02:00 |
Ca' Vignal 3 - T.04 [04 - T] | 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, signal preprocessing). |
|
lunedì 08 aprile 2024 12:30 - 14:30 Durata: 02:00 |
Ca' Vignal 3 - T.04 [04 - T] | 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). |
|
lunedì 15 aprile 2024 12:30 - 14:30 Durata: 02:00 |
Ca' Vignal 3 - T.04 [04 - T] | 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. |
|
lunedì 22 aprile 2024 12:30 - 14:30 Durata: 02:00 |
Ca' Vignal 3 - T.04 [04 - T] | 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
