Código: 73313 | Asignatura: Aplicaciones de neuroingeniería | ||||
Créditos: 3 | Tipo: | Curso: NULL_VALUE | Periodo: 2º S | ||
Departamento: Estadística, Informática y Matemáticas | |||||
Profesorado: | |||||
MARTINEZ RAMIREZ, ALICIA (Resp) [Tutorías ] |
Módulo de Especialidad
Materia: Especialidad en Procesado y Comunicación de Señales e Imágenes Médicas
Análisis estadístico de señales de electroencefalograma (EEG), filtros espaciales, problema directo e inverso, clasificación y validación. Introducción a la imagen por resonancia magnética funcional (fMRI) y sus métodos estadísticos de análisis de datos. Ejemplos de aplicaciones en interfaces cerebrales (aplicaciones clínicas y no clínicas).
CB7 Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio.
CB8 Que los estudiantes sean capaces de integrar conocimientos y enfrentarse a la complejidad de formular juicios a partir de una información que, siendo incompleta o limitada, incluya reflexiones sobre las responsabilidades sociales y éticas vinculadas a la aplicación de sus conocimientos y juicios.
CB10 Que los estudiantes posean las habilidades de aprendizaje que les permitan continuar estudiando de un modo que habrá de ser en gran medida autodirigido o autónomo.
CB9 Que los estudiantes sepan comunicar sus conclusiones y los conocimientos y razones últimas que las sustentan a públicos especializados y no especializados de un modo claro y sin ambigüedades.
Los estudiantes aprenderán los métodos experimentales más importantes de la adquisición de señales neuronales y sus respectivos métodos de análisis. Aprenderán sobre los distintos campos de aplicación y las ventajas y desventajas de los distintos métodos. Serán capaces de elegir el método de análisis más apropriado y aplicarlo a los datos experimentales.
Metodología - Actividad | Horas Presenciales | Horas no presenciales |
A-1 Clases expositivas/participativas | 18 | |
A-2 Prácticas | 10 | |
A-3 Debates, puestas en común, tutoría grupos | ||
A-4 Elaboración de trabajo | 15 | |
A-5 Lecturas de material | 12 | |
A-6 Estudio individual | 18 | |
A-7 Exámenes, pruebas de evaluación | 2 | |
A-8 Tutorías individuales | ||
Total | 30 | 45 |
Resultado de aprendizaje | Sistema de evaluación | Peso (%) | Carácter recuperable |
R1, R2, R3, R4 | Prueba teórica | 60% | 60% |
R1, R2, R3 | Prueba de Laboratorio | 30% | |
R4 | Lectura crítica de artículos | 10% |
Tema 1. Adquisición de señales neuronales y apliaciones clínicas y no clínicas.
Tema 2. Potenciales evocados y estadística básica para procesado de señales EEG.
Tema 3. Filtros espaciales, problema directo e inverso.
Tema 4. Problemas de clasificación y sistemas adaptativos en neuroingeniería.
Tema 5. Introducción a la imagen por resonancia magnética funcional (fMRI).
Tema 6. Métodos estadísticos de análisis de datos en fMRI.
Prácticas
Práctica 1: Aplicaciones de PCA en EEG
Práctica 2: Potenciales relacionados con eventos (ERPs)
Práctica 3: Clasificación de features
Práctica 4: CSP y validación de la clasificación
Práctica 5: fMRI review
Acceda a la bibliografía que el profesorado de la asignatura ha solicitado a la Biblioteca.
Nikulin, V. V., Nolte, G., and Curio, G. (2011). A novel method for reliable and fast extraction of neuronal EEG/MEG oscillations on the basis of spatio-spectral decomposition.
Neuroimage, 55:1528¿1535.
Ziehe, A. and Müller, K.-R. (1998). TDSEP ¿ an efficient algorithm for blind separation using time structure.
In Niklasson, L., Bodén, M., and Ziemke, T., editors, Proceedings of the 8th International Conference on Artificial Neural Networks, ICANN¿98, Perspectives in Neural Computing, pages 675 ¿ 680, Berlin. Springer Verlag.
Belouchrani, A., Abed-Meraim, K., Cardoso, J.-F., and Moulines, E. (1997). A blind source separation technique using second-order statistics. IEEE Trans Signal Process, 45(2):434¿444.
S.A. Huettel, A.W. Song, G. McCarthy. (2009). Functional Magnetic Resonance Imaging 2nd Revised Edition. Sinauer Associates Inc.,U.S.
Blankertz, B., Lemm, S., Treder, M. S., Haufe, S., and Müller, K.-R. (2011). Single-trial analysis and classification of ERP components ¿ a tutorial. Neuroimage, 56:814¿825.
Haufe, S., Meinecke, F., Görgen, K., Dähne, S., Haynes, J.-D., Blankertz, B., and Bießmann, F. (2014). On the interpretation of weight vectors of linear models in multivariate neuroimaging. Neuroimage, 87:96¿110.
Key, A. P., Dove, G. O., and Maguire, M. J. (2005). Linking brainwaves to the brain: an ERP primer. Dev Neuropsychol, 27:183¿215.
Odom, J., Bach, M., Barber, C., Brigell, M., Marmor, M., Tormene, A., Holder, G., and Vaegan (2004). Visual evoked potentials standard (2004). Doc Ophthalmol, 108(2):115¿123.
Patel, S. H. and Azzam, P. N. (2005). Characterization of N200 and P300: selected studies of the Event-Related Potential. Int J Med Sci, 2:147¿154.
Lemm, S., Blankertz, B., Dickhaus, T., and Müller, K.-R. (2011). Introduction to machine learning for brain imaging. Neuroimage, 56:387¿399.
Ledoit, O. and Wolf, M. (2004). A well-conditioned estimator for large-dimensional covariance matrices. J Multivar Anal, 88:365¿411.
Parra, L. C., Spence, C. D., Gerson, A. D., and Sajda, P. (2005). Recipes for the linear analysis of EEG. Neuroimage, 28(2):326¿341.
Vidal, J. J. (1973). Toward direct brain-computer communication. Annu Rev Biophys, 2:157¿180.
Wolpaw, J. R., McFarland, D. J., Neat, G. W., and Forneris, C. A. (1991). An EEG-based brain-computer interface for cursor control. Electroencephalogr Clin Neurophysiol, 78:252¿259.
Blankertz, B., Tomioka, R., Lemm, S., Kawanabe, M., and Müller, K.-R. (2008). Optimizing spatial filters for robust EEG single-trial analysis. IEEE Signal Process Mag, 25(1):41¿56.
Fukunaga, K. (1990). Introduction to statistical pattern recognition. Academic Press, Boston, 2nd edition edition.
Parra, L., Christoforou, C., Gerson, A., Dyrholm, M., Luo, A., Wagner, M., Philiastides, M., and Sajda, P. (2008). Spatiotemporal linear decoding of brain state. IEEE Signal Process Mag, 25(1):107¿115.
Neuper, C. and Klimesch, W., editors (2006). Event-related Dynamics of Brain Oscillations. Elsevier.
Pfurtscheller, G., Brunner, C., Schlögl, A., and da Silva, F. L. (2006). Mu rhythm (de)synchronization and EEG single-trial classification of different motor imagery tasks. Neuroimage, 31(1):153¿159.
Pfurtscheller, G. and da Silva, F. H. L. (1999). Event-related EEG/MEG synchronization and desynchronization: basic principles. Clin Neurophysiol, 110(11):1842¿1857.