Scheda programma d'esame
NEUROMORPHIC ENGINEERING
CALOGERO MARIA ODDO
Academic year2020/21
CourseBIONICS ENGINEERING
Code706II
Credits6
PeriodSemester 1
LanguageEnglish

ModulesAreaTypeHoursTeacher(s)
NEUROMORPHIC ENGINEERINGING-IND/34LEZIONI60
ALBERTO MAZZONI unimap
CALOGERO MARIA ODDO unimap
Obiettivi di apprendimento
Learning outcomes
Conoscenze

Il corso esplorerà modelli computazionali e fisici per emulare la dinamica e l'efficienza dell'attività di neuroni biologici del sistema nervoso periferico e centrale.

Una particolare attenzione sarà dedicata all'implementazione in tempo reale di artefatti neuro-robotici basati su logica impulsata e a eventi, integrati in studi neurofisiologici e in sistemi bionici-ibridi a ciclo chiuso finalizzati al recupero di funzioni sensorimotorie, o per la compressione del volume dei dati generati da reti di sensori ad alta densità.

Knowledge

The course will explore computational and physical models that emulate the neural dynamics and the efficiency of biological neurons of peripheral and central nervous system.

A particular focus will be dedicated to real-time implementation of spiking event-based neuro-robotic artefacts that could be integrated in neurophysiological studies and in closed loop hybrid-bionic systems to restore missing sensorimotor functions, or for compressing the volume of data generated by high-density sensor networks.

Modalità di verifica delle conoscenze

La verifica delle conoscenze sarà oggetto della valutazione del progettino in cui lo/la studente dovrà dimostrare di essere in grado di progettare graficamente la generazione/acquisizione/elaborazione di dati di sistemi neuromorfi. Nella prova orale lo/la studente dovrà dimostrare un'approfondita conoscenza dei concetti trattati durante il corso.

Assessment criteria of knowledge

The knowledge will be assessed through the project, in which the student will be asked to graphically design the generation/acquisition/processing of data from neuromorphic systems. In the oral exam the student will have to demonstrate an in-depth familiarity with the main concepts of the course.

Capacità

Al termine del corso lo/la studente:

  • avrà conoscenze sulle principali soluzioni tecnologiche per realizzare sistemi artificiali “a spike”, anche con logiche “embedded”
  • avrà conoscenze sulle principali tecniche di elaborazione dei dati di segnali “a spike”, sia fisiologici che artificiali
  • saprà utilizzare il metodo di Eulero per discretizzare equazioni differenziali, con particolare riferimento al modello di neurone artificiale di Izhikevich, e lo saprà implementare mediante software di programmazione grafica
  • saprà utilizzare il software National Instruments LabVIEW, con particolare riferimento ai moduli Core 1 e Real-Time, per acquisire, elaborare, rappresentare e memorizzare dati di sistemi neuromorfi
Skills

At end of the course the student will:

  • know the main technological solutions to develop artificial spiking systems, even with embedded logics
  • know the main methods for the signal elaboration of spiking data, both physiological and artificial
  • be able to use the Euler method in order to discretize differential equations, with particular reference to the Izhikevich artificial neuron model, and will be able to implement it by means of graphical programming software
  • be able to use the National Instruments LabVIEW software, with particular reference to the Core 1 and Real-Time modules, to acquire, elaborate, represent and store data of neuromorphic systems
Modalità di verifica delle capacità

Sia durante le lezioni sia in sede di esame finale sono proposti allo/alla studente quesiti, esercizi o progetti che richiedono l'utilizzo delle capacità acquisite.

Assessment criteria of skills

During lectures and the final exam, the student is asked to reply to questions, solve exercises or to carry out projects that exploit the acquired skills.

Comportamenti

Lo/la studente potrà:

  • saper progettare e presentare un sistema di generazione, acquisizione, elaborazione, rappresentazione e memorizzazione di dati di sistemi neuromorfi
  • comprendere le principali sfide tecnico-scientifiche per realizzare sistemi protesici in grado di conseguire il parziale recupero di funzioni sensoriali con sistemi neuromorfi
Behaviors

The student could:

  • be able to design a system to generate, acquire, elaborate, represent and store data of neuromorphic systems
  • understand the main technical-scientific challenges to develop prosthetic systems able to restore in part missing sensory functions by means of neuromorphic systems
Modalità di verifica dei comportamenti

La verifica dei comportamenti avviene attraverso un progettino e attraverso la discussione nella prova orale.

Assessment criteria of behaviors

The behaviors will be verified by means of a project and by means of the oral discussion.

Prerequisiti (conoscenze iniziali)

Conoscenze di analisi matematica e fisica, fondamenti di elettronica ed elettrotecnica, principi di chimica e fisiologia, conoscenze di base di software di programmazione.

Prerequisites

Knowledge of mathematical analysis and physics, foundations of electronics and electrical circuits, principles of chemistry and physiology, basic knowledge of programming software.

Indicazioni metodologiche
  • lezioni frontali e seminari con ausilio slide 
  • esercitazioni, anche pratiche con l'ausilio di codice Labview
  • ricevimento su appuntamento
Teaching methods
  • face to face lectures and seminars with the support of slides
  • exercise lectures, even practical by using Labview
  • meetings scheduled with the lecturer
Programma (contenuti dell'insegnamento)

SISTEMI NEUROMORFI

  • Introduzione al corso
  • Obiettivi del corso
  • Piano del corso e modalità di esame
  • Introduzione alla neuro-robotica
  • Introduzione al tatto artificiale neuromorfo
  • Basi della fisiologia neuronale
  • Introduzione ai metodi elettrofisiologici di microneurografia e microstimolazione
  • Modelli di neuroni e di reti per applicazioni bioingegneristiche
  • Modello di Izhikevich applicato al tatto artificiale
  • Classificazione di spike train offline
  • Classificazione di spike train on line con architetture neuroispirate (ad es. ispirate al nucleo cuneato)
  • Basi del neural coding
  • Introduzione alla codifica corticale degli stimoli somatosensoriali
  • Teoria dell'informazione per l'analisi del segnale neurale
  • Tatto artificiale neuromorfo per protesi di arto bioniche via microstimolazione e impianti neurali
  • Stimolazione intraneurale e induzione di discriminazione di caratteristiche tattili in soggetti amputati e intatti
  • Neuroni tattili di secondo ordine (modelli di nucleo cuneato)
  • Neuroni di secondo ordine nell'udito (modello di Jeffress)
  • Modelli di oscillazioni neurali
  • Recupero del tatto, neuroprotesi e biorobotica
  • Stimolazione neuromorfa e registrazioni corticali

PROGRAMMAZIONE GRAFICA PER SISTEMI NEUROMORFI

  • Introduzione a LabVIEW
  • Navigazione in LabVIEW
  • Front panel, e diagramma a blocchi in LabVIEW
  • Aiuto e funzioni di ricerca in LabVIEW
  • Wiring e dataflow in LabVIEW
  • Throubleshooting e debugging con Vis in LabVIEW
  • Implementare una VI in LabVIEW
  • Documentare il codice in LabVIEW
  • Cicli while e for in LabVIEW
  • Settare il tempo a una VI e cicli di data feedback in LabVIEW
  • Disegnare dati in LabVIEW
  • Case structures in LabVIEW
  • Sviluppo di applicazioni modulari in LabVIEW
  • Uso di subVIs e gestione degli errori in LabVIEW
  • Creare e utilizzare strutture di dati in LabVIEW
  • Clusters in LabVIEW
  • Gestione di file e risorse hardware in LabVIEW
  • Risolvere problemi di dataflow in LabVIEW
  • Uso di algoritmi sequenziali e di stato in LabVIEW
  • Introduzione a LabVIEW real-time per l'ingegneria neuromorfa
  • Oltre dataflow in LabVIEW
  • Uso di LabVIEW per lo sviluppo di modelli di neuroni spiking
  • Esercitazioni con LabVIEW per lo sviluppo di modelli di neuroni spiking
  • Uso di LabVIEW in real-time con schede elettroniche
  • Uso di LabVIEW per lo sviluppo di modelli di neuroni spiking con elettronica embedded
Syllabus

NEUROMORPHIC SYSTEMS

  • Introduction to the course
  • Course objectives
  • Course plan and exams modality
  • Introduction to neuro-robotics
  • Introduction to neuromorphic artificial touch
  • Basic elements of neuronal physiology
  • Introduction to electrophysiological methods of microneurography and microstimulation
  • Spiking systems in bionic applications
  • Izhikevich model applied to artificial touch
  • Spike train off-line classification
  • Spike train on-line classification via neurobioinspired architectures (e.g., inspired to the Cuneate nucleus)
  • Biological foundations of neural coding
  • Introduction to cortical encoding of somatosensory stimuli
  • Information theory for the analysis of neural activity
  • Neuromorphic artificial touch for bionic limb prostheses via microstimulation and neural implants
  • Intraneural stimulation elicits discrimination of textural features by artificial fingertip in intact and amputee subjects
  • Second order neurons in touch (Cuneate nucleus model)
  • Second order neurons in audition (Jeffress model)
  • Neural oscillations and neural modeling
  • Touch restoration, neuroprostheses and biorobotics
  • Neuromorphic stimulation and cortical recordings

GRAPHICAL PROGRAMMING FOR NEUROMORPHIC SYSTEMS

  • Introduction to LabVIEW
  • Navigating LabVIEW
  • LabVIEW front panel, block diagram
  • LabVIEW help and search functions
  • Wiring and dataflow in LabVIEW
  • Throubleshooting and debugging Vis in LabVIEW
  • Implementing a VI in LabVIEW
  • Documenting code in LabVIEW
  • While and for loops in LabVIEW
  • Timing a VI and data feedback in loops in LabVIEW
  • Plotting data in LabVIEW
  • Case structures in LabVIEW
  • Developing modular applications with LabVIEW
  • Using subVIs and managing errors in LabVIEW
  • Creating and leveraging data structures in LabVIEW
  • Clusters in LabVIEW
  • Managing file and hardware resources in LabVIEW
  • Solving dataflow challenges with variables in LabVIEW
  • Using sequential and state machine algorithms in LabVIEW
  • Introduction to LabVIEW real-time for neuromorphic engineering
  • Moving beyond dataflow in LabVIEW
  • Use of LabVIEW to develop spiking neuron models
  • Hands-on activities with LabVIEW to develop spiking neuron models
  • Use of LabVIEW real-time with electronic boards
  • Use of LabVIEW to develop spiking neuron models with embedded electronics
Bibliografia e materiale didattico

Materiale didattico: dispense di lezioni ed esercitazioni scaricabili da una cartella condivisa in cloud.

Testi suggeriti per la consultazione:

  • Principles of Neural Science, E.R. Kandel et al. Part V, Perception
  • Selezione di articoli scientifici fornita dal docente
Bibliography

Lecture Notes from a shared folder via cloud services.

Suggested additional references:

  • Principles of Neural Science, E.R. Kandel et al. Part V, Perception
  • Selection of scientific papers provided by the course lecturer
Indicazioni per non frequentanti

Non ci sono variazioni per studenti non frequentanti.

Non-attending students info

There are no variations for students that do not attend the course.

Modalità d'esame
  • Progettino sui temi del corso
  • Si accede all’orale avendo preparato il progettino
  • Esame orale orientato alla verifica delle nozioni teoriche di base
Assessment methods
  • Practical project on the topics of the course
  • The student is admitted to the oral exam if she/he finalizes the project
  • Oral exam focused on the verification of the basic theoretical concepts
Updated: 18/09/2020 08:56