Scheda programma d'esame
INTEGRATIVE CEREBRAL FUNCTION AND IMAGE PROCESSING
ANGELO GEMIGNANI
Academic year2020/21
CourseBIONICS ENGINEERING
Code002MI
Credits12
PeriodSemester 1 & 2
LanguageEnglish

ModulesAreaTypeHoursTeacher(s)
ADVANCED IMAGE PROCESSINGING-INF/06LEZIONI60
GAETANO VALENZA unimap
NICOLA VANELLO unimap
INTEGRATIVE CEREBRAL FUNTIONM-PSI/02LEZIONI60
ALESSANDRO COMPARINI unimap
ANGELO GEMIGNANI unimap
Obiettivi di apprendimento
Learning outcomes
Conoscenze

 

Advanced Image Processing - Alla fine del corso, gli studenti avranno appreso i metodi per l'analisi delle immagini e dei segnali per lo studio delle funzioni cerebrali. In particolare, gli studenti apprenderanno i metodi esplorativi e quelli basati su forti ipotesi a priori per l'analisi di immagini di risonanza magnetica funzionale. Inoltre, apprenderanno come i dati elettroencfalografici e le immagini cerebrali possano essere usate per esplorare la connettività funzionale cerebrale. Gli studenti avranno la possibilità di applicare gli approcci proposti durante sessioni di laboratorio dedicate, usando sia dati simulati che reali.

Knowledge

Advanced Image Processing - By the end of the course, students will acquire knowledge about the methods that can be applied to the analysis of images and signals, for the study human brain functions. Specifically, students will learn hypothesis and data driven approaches as applied to functional magnetic resonance imaging. Moreover, they will learn how electroencephalographic signals and brain images can be used to explore brain functional connectivity. Students will have the possibility of applying the proposed approaches during dedicated laboratory sessions, using both simulated and real data.

Modalità di verifica delle conoscenze

Advanced Image Processing

 

Le sessioni in laboratorio avranno un obiettivo specifico indicato e verificato dal docente. I risultati, i vantaggi e le limitazioni dei diversi approcci verranno discusse collegialmente.

Assessment criteria of knowledge

Advanced Image Processing

The laboratory sessions will have a specific goal, that will be indicated and verified by the Professor. Group discussions will be hold to comment the results and both benefits and limitations of the applied methodologies.

Capacità

Advanced Image Processing -

Alla fine del corso gli studenti saranno in grado di:

applicare i metodi confirmatori per l'analisi delle immagini neurofunzionali, sia a livello di singolo soggetto che a livello di gruppo

applicare gli approcci esplorativi data driven (PCA, ICA) per la pre-eleaborazione delle immagini neurofunzionali e i segnali eeg

stimare misure di connettività funzionale, utilizzando sia approcci data driven che model driven, e stimare la loro significatività statistica

Skills

Advanced Image Processing -

By the end of the course students will be able to:

apply hypothesis driven methods for the analysis of functional neuroimages, both at single subject and at group level

apply data driven approaches (PCA, ICA) for the preprocessing of functional neuroimages and eeg signals

estimate functional brain connectivity measures, both data and model driven, and estimate their statistical significance

 

 

 

Modalità di verifica delle capacità

Advanced Image Processing -

Durante le sessioni in laboratorio agli studenti verrà richiesto di sviluppare la sequenza di elaborazione dei dati, così come i codici corrispondenti. La strategia adottata e i risultati saranno discussi con il docente.

Assessment criteria of skills

Advanced Image Processing

During the laboratory sessions students will have to develop the processing pipeline as well as the code for data processing. The pipeline and the results will be discussed with the teacher.

Comportamenti

Advanced Image Processing -

Gli studenti sapranno sviluppare e progettare paradigmi sperimentali tenendo conto dei passi di elaborazione necessari.

Svilupperanno le consapevolezza relativamente alla necessità di acquisire i dati in maniera accurata e di minimizzare i fattori confondenti.

Behaviors

Advanced Image Processing -

Students will be able to design and develop experimental paradigms also taking into account the necessary processing steps.

They will acquire awareness of the accuracy needed to acquire data and to minimize confounding factors

Modalità di verifica dei comportamenti

Advanced Image Processing -

Durante le sessioni di laboratorio verranno discusse a livello di gruppo le problematiche legate ai pardigmi sperimentali utilizzati per l'acquisizione dei dati a disposizione.

Durante le sessioni di laboratorio saranno valutati il grado di accuratezza e precisione delle attività svolte

Assessment criteria of behaviors

Advanced Image Processing -

During lab sessions group discussions will be organized to revise the experimental paradigm issues pertaining the data under study.

Durante le sessioni di laboratorio saranno valutati il grado di accuratezza e precisione delle attività svolte

Prerequisiti (conoscenze iniziali)

Advanced Image Processing -

 

Fourier analysis of continuous time and discrete time signals

Contiuous time and discrete time linear time invariant systems.

Probability and statistics

statistical signal processing (random processes, parametric models as ARMA)

 

Prerequisites

Advanced Image Processing -

 

Analisi di Fourier di segnali a tempo continuo e discreto

Sistemi lineari tempo invarianti a tempo continuo e discreto

Elementi di probabilità e statistica

Elaborazione statistica dei seganli (processi casuali, modelli parametrici quali modelli ARMA)

 

Programma (contenuti dell'insegnamento)

Advanced Image Processing -


Il corso si focalizzerà su approcci univariati e multivariati per l'analisi della connettività funzionale stimata dai dati elettroencefalografici (EEG) e di risonanza magnetica funzionale (fMRI).

Nel contesto dei dati fMRI, i modelli lineari generali saranno trattati sia a livello di singolo soggetto che di gruppo. Verranno analizzati i modelli lineari gerarchici (HLM) per l'analisi di studi multisessione e multi-gruppo. Verrà descritta la stima dei parametri e iper-parametri dell'HLM utilizzando 'algoritmo di massimizzazione dell'aspettazione (EM).

Verranno introdotti approcci basati sui dati. Nello specifico, il corso si focalizzerà sull'analisi delle componenti indipendenti (ICA), sia per l'analisi dei dati EEG e fMRI.

Il corso si occuperà dell'analisi di modelli per la caratterizzazione della connettività funzionale. Verranno introdotte la causalità di Granger applicata all'analisi dei segnali biomedici, e le misure di coerenza quali la DTF e la PDC, che sono misure del dominio della frequenza derivate dai Modelli di causalità di Granger.

Verranno inoltre trattati altri metodi per lo studio della connettività funzionale quali il cross spettro e la coerenza.

Verranno discusse le problematiche relative alla non stazionarietà nell'analisi dei segnali biomedici e gli approcci metodologici per trattarla. In questo contesto, verranno mostrati l'analisi wavelet e le misure derivate come il cross-spettro Wavelet e la coerenza wavelet.

Infine, il corso introdurrà la modellizzazione elettromagnetica di EEG e modellizzazione inversa elettromagnetica di sorgenti EEG e discuterà l'integrazione di EEG e fMRI.

Syllabus

Advanced Image Processing - The course will focus on univariate and multivariate approaches for the analysis of functional connectivity as estimated from electroencephalographic (EEG) and functional Magnetic Resonance Imaging (fMRI) data. 

Within the context of fMRI data, general linear models will be addressed both at single subject and group level. Analysis of hierarchical linear models (HLM) for the analysis of multi-session, multi-group studies will be covered. Estimation of parameters and hyperparameters of the HLM using the expectation maximization (EM) algorithm will be described. 

Data driven approaches will be introduced. Specifically, Independent Component Analysis (ICA) will be mainly taken into account, both for the analysis of EEG and fMRI data.

The course will move to the analysis of models for the characterization of functional connectivity. Granger causality as applied to the analysis of biomedical signals will be introduced, as well as Partial directed coherence and Direct Transfer functions, that are frequency domain measure derived from Granger Causality Models. 

Other methods for the study of functional connectivity will be covered as Cross spectrum and coherence.

Non-stationarity issues in the analysis of biomedical signals will be discussed as well as the methodological approaches to face with non-stationarity. In this context, wavelet analysis and derived measures as Wavelet cross spectrum and wavelet coherence will be shown.

Finally, the course will introduce electromagnetic modelling of EEG and electromagnetic inverse modelling of EEG sources, and discuss the integration of EEG and fMRI

Bibliografia e materiale didattico

Advanced Image Processing - Il materiale didattico sarà fornito dal docente in forma di dispense.

Bibliography

Advanced Image Processing - The educational material will be given by the teacher.

Modalità d'esame

The exam is made up of two oral examinations, one for each module.

During the oral exam, students will be also asked to show and discuss the results of the application of the methodologies covered during the course to both simulated and real data.

 

Assessment methods

The exam is made up of two oral examinations, one for each module.

During the oral exam, students will be also asked to show and discuss the results of the application of the methodologies covered during the course to both simulated and real data.

Updated: 16/09/2020 14:42