Universidad Pública de Navarra



Año Académico: 2017/2018 | Otros años:  2016/2017 
Máster Universitario en Ingeniería Biomédica
Código: 73313 Asignatura: Aplicaciones de neuroingeniería
Créditos: 3 Tipo: Optativa Curso: 1 Periodo: 2º S
Departamento: Matemáticas
Profesores
VIDAURRE ARBIZU, CARMEN (Resp) MARTINEZ RAMIREZ, ALICIA

Partes de este texto:

 

Módulo/Materia

Módulo de Especialidad

Materia: Especialidad en Procesado y Comunicación de Señales e Imágenes Médicas

Subir

Descriptores

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).

Subir

Competencias genéricas

CB01 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.
CB02 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.
CB03 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.
CB04 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.
CG01 Aplicar el razonamiento crítico a los conocimientos adquiridos desde una perspectiva multidisciplinar.

Subir

Competencias específicas

  • Que los estudiantes sean capaces de implementar algoritmos de procesado de EEG para eliminar artefactos, localizar fuentes y analizar potenciales evocados.
  • Que los estudiantes sean capaces de implementar algoritmos para interfaces cerebro-ordenador.

Subir

Resultados aprendizaje

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.

Subir

Metodología

Metodología - Actividad Horas Presenciales Horas no presenciales
A-1 Clases expositivas/participativas 15 10
A-2 Prácticas 15 10
A-3 Debates, puestas en común, tutoría grupos    
A-4 Elaboración de trabajo  6  
A-5 Lecturas de material   5
A-6 Estudio individual   12
A-7 Exámenes, pruebas de evaluación 2  
A-8 Tutorías individuales    
     
Total 33 42

Subir

Relación actividades formativas-competencias

Competencia Actividad formativa
CB01, CB02, CB03 Clases expositivas/participativas
CB01, CB02, CB03, CB04, CG01 Prácticas
CB01, CB02, CB03, CB04, CG01 Realización de proyectos en grupo
CB02, CB03, CB04, CG01 Estudio y trabajo autónomo del estudiante
CB01, CB02, CB03, CB04, CG01 Tutorías y pruebas de evaluación

Subir

Idiomas

Castellano

Subir

Evaluación

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%  

Subir

Contenidos

  • Algoritmos de procesado de Potenciales Evocados.
  • Algoritmos para localización de fuentes aplicada en EEG
  • Aplicaciones en interfaces Cerebro-Ordenador

Subir

Temario

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.

Subir

Bibliografía

Acceda a la bibliografía que su profesor 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. 

Subir