Ingegneria Biomedica | Course catalogue

METODI AVANZATI DI ANALISI DEI DATI BIOMEDICI

Obiettivi formativi

Obiettivi generali The course aims to introduce the principles, methodologies, and applications of the main engineering techniques used to study biomedical data pertaining the domains of statistics and machine learning. Obiettivi specifici - Conoscenza e comprensione Gli studenti apprenderanno concetti di statistica descrittiva, verifica di ipotesi, modelli di classificazione ed elaborazione avanzata di biosegnali - Applicare conoscenza e comprensione Gli studenti acquisiranno familiarità con gli strumenti di base per applicare test statistici e per addestrare modelli di classificazione di base - Capacità critiche e di giudizio Gli studenti impareranno a scegliere la metodologia di controllo più adatta per uno specifico problema e a valutare la complessità della soluzione proposta. - Capacità comunicative Gli studenti impareranno a comunicare in un contesto multidisciplinare le principali problematiche legate all'interfaccia dei segnali neurofisiologici con i sistemi artificiali, e a veicolare le possibili scelte progettuali a tale scopo. - Capacità di apprendimento: Gli studenti svilupperanno una mentalità orientata all'apprendimento autonomo di concetti avanzati non trattati nel corso.

Canale 1

FEBO CINCOTTI Scheda docente

Programmi - Frequenza - Esami

Programma

Sezione I: Statistica. Introduzione. Statistica descrittiva. Distribuzioni di probabilità. Distribuzioni campionarie. Stime di intervallo. Statistica inferenziale. Test per le medie a un campione. Test per le medie a campioni indipendenti. Test per più di due campioni. Analisi della varianza (ANOVA) a campioni indipendenti. Test per le medie a campioni ripetuti. Potenza di un test. Test basati sulla distribuzione chi2. Cenni su test non paramentrici. Sezione II: Introduzione alla classificazione. Introduzione. Metriche e procedure di valutazione delle prestazioni di un classificatore. Approcci parametrici. Approcci data-driven. Reti neurali artificiali multilivello non ricorsive. Overfitting. Sezione III: Elaborazione di biosegnali Elaborazione segnale elettromiografico. Richiami. Procedure di elaborazione di singolo canale. Acquisizione multicanale da distretti muscolari differenti (sinergia muscolare, controllo motorio), stima di MUAP e loro interpretazione funzionale, applicazioni). Imaging di sorgenti neuroelettriche. Richiami. Modelli per la stima di ERP (classico e a rifasamento); Stima di attività indotta, ERD/S. Registrazioni multielettrodo e filtri spaziali. Problema neuroelettrico diretto. Problema neuroelettrico inverso. Sezione IV: Lezioni in laboratorio informatico Realizzazione in ambiente Matlab di programmi in cui vengono applicate le nozioni apprese nelle Sezioni I-III.

Prerequisiti

E' richiesta la conoscenza di: • teoria della probabilità: variabili aleatorie mono- e multi-dimensionali, funzioni e distribuzioni di probabilità, valori attesi, stimatori; • elaborazione di biosegnali: fisiologia, strumentazione e processamento dei segnali elettroencefalografico ed elettromiografico; • nozioni di programmazione e conoscenza di base dell'ambiente Matlab.

Testi di riferimento

Il materiale didattico fornito dai docenti include: - slides delle lezioni - registrazione delle lezioni - testi e soluzioni dei precedenti appelli d'esame - esercitazioni aggiuntive autosomministrabili per acquisire maggiore familiarità con il linguaggio Matlab. Il materiale è condiviso su cloud con tutti gli studenti del corso e le procedure di accesso sono descritte nella classe Piazza (https://piazza.com/uniroma1.it/spring2026/1044421).

Frequenza

La frequenza delle lezioni non è obbligatoria. Tuttavia si raccomanda la partecipazione alle esercitazioni di laboratorio.

Modalità di esame

La valutazione della preparazione avverrà mediante prove scritte e di laboratorio informatico. Tutte le prove si svolgono nella medesima seduta, separate da una breve pausa. La prova scritta consisterà di: (i) quesiti a risposta chiusa in cui viene valutata la conoscenza e la comprensione degli argomenti trattati durante il corso (ii) un quesito a risposta aperta, in cui sono valutati il grado di approfondimento dello studio della materia e le capacità comunicative. Nella prova di laboratorio saranno proposti problemi da risolvere mediante la stesura di script in ambiente Matlab, al fine di valutare le capacità di applicare conoscenza e comprensione.

Bibliografia

Lane, DM. Online Statistics Education: A Multimedia Course of Study, https://onlinestatbook.com Surface Electromyography : Physiology, Engineering, and Applications; Editor(s):Roberto Merletti, Dario Farina, 2016, The Institute of Electrical and Electronics Engineers, Inc.

Modalità di erogazione

Lezioni frontali (4 lezioni/settimana) in cui vengono esposti gli argomenti in programma e svolti una selezione di problemi. Lezioni in laboratorio informatico (1/settimana) in cui gli studenti si esercitano nell'applicazione in ambiente Matlab delle nozioni apprese.