• Inicio

    Profesora:  Dra. Victoria Peterson (Universidad Nacional de Entre Ríos y CONICET)
    Twitter: @vpeterson09
    Mail: vpeterson (arroba) santafe-conicet (punto) gov (punto) ar

    Prerrequisitos: Conocimiento básicos de programación (fundamentalmente Matlab), Álgebra lineal, Cálculo, Probabilidad y estadística.

    Evaluación: Resolución y entrega de guías de trabajo en clase. Trabajo final integrador

    Carga horaria: 36 horas  (12 clases teórico-prácticas de 3hs cada una) 

    Fechas y horarios:  lunes, miércoles y viernes de 10 a 13h, del 5 al 30 de agosto de 2019.

    PROGRAMA 

    Este curso teórico-práctico estará divido en tres grandes bloques. En primer lugar abordaremos los conceptos básicos dentro de las Interfaces Cerebro-Computa, desde su base neurofisiológica hasta los paradigmas para establecer la comunicación. Luego en el segundo bloque nos concentraremos en el abordaje de diferentes herramientas del procesamiento de señales aplicado al tratamiento de la señal de EEG y finalmente, en el tercer módulo atacaremos el problema de reconocimiento de patrones con herramientas del aprendizaje maquinal.

    MODULO I: Interfaces cerebro-computadora: introducción, historia y misión actual. Bases neurofisiológicas. Tipos de imágenes cerebrales. Tipos de BCI. Paradigmas. Partes de una BCI.

    MODULO II: Introducción al procesamiento de señales. Métodos de extracción de características. Análisis de Componentes Principales (PCA), Análisis de Componentes Independientes (ICA), Patrones Espaciales Comunes (CSP). Geometría Riemanniana. Medidas de disimilaridad. Visualización de características-mapas topográficos.

    MODULO III: Introducción al aprendizaje maquinal. Separación de datos. Métricas de performance. Generalización. Clasificación. Análisis Discriminante Lineal (LDA). Maquinas de Soporte Vectorial (SVM). Regularización. Aprendizaje supervisado estadístico. Nuevas tendencias en aprendizaje maquinal en BCI.

    BIBLIOGRAFIA

    • Nam, C. S., Nijholt, A., & Lotte, F. (Eds.). (2018). Brain–Computer Interfaces Handbook: Technological and Theoretical Advances. CRC Press.
    • Maureen, C., Laurent, B., & Lotte, F. (Eds.). (2018). Brain-Computer Interfaces 1 : Foundations and Methods. John Wiley & Sons, ISTE Ltd.
    • Webb, A. R. (2003). Statistical pattern recognition. John Wiley & Sons.
    • Friedman, J., Hastie, T., & Tibshirani, R. (2001). The elements of statistical learning (Vol. 1, No. 10). New York, NY, USA:: Springer series in statistics.