PRESENTAZIONE

Il laboratorio di Elaborazione dei Segnali Biomedici offre un’introduzione pratica all’analisi dei segnali fisiologici, con un focus sull'applicazione di metodi avanzati per l'elaborazione dei dati biomedici. Gli studenti approfondiranno le principali tecniche di trasformazione dei segnali, in particolare la Trasformata di Fourier e la Trasformata di Hilbert, strumenti fondamentali per l'analisi nel dominio della frequenza e della fase. Verranno inoltre affrontate la progettazione e l’applicazione di filtri digitali, essenziali per la selezione delle componenti di interesse nei segnali. Attraverso esercitazioni guidate , verranno analizzati segnali reali provenienti da elettroencefalografia, elettrocardiografia ed elettromiografia. Infine, saranno approfondite, tramite esercizi pratici, le basi della statistica inferenziale applicata all’analisi dei segnali, con l’obiettivo di sviluppare competenze concrete nell’elaborazione, visualizzazione e interpretazione dei dati biomedici.

OBIETTIVI E CONTENUTI

OBIETTIVI FORMATIVI

Il laboratorio ha l’obiettivo di fornire agli studenti competenze pratiche nell’elaborazione dei segnali biomedici. Al termine del corso, lo studente sarà in grado di applicare trasformate (Fourier e Hilbert), progettare e utilizzare filtri digitali, analizzare segnali EEG, ECG ed EMG in Python, ed eseguire semplici analisi statistiche inferenziali sui dati

OBIETTIVI FORMATIVI (DETTAGLIO) E RISULTATI DI APPRENDIMENTO

Al termine del laboratorio, lo studente sarà in grado di:

1. Conoscenze e comprensione

   • Descrivere i principi fondamentali dell’elaborazione dei segnali biomedici, con particolare riferimento alla Trasformata di Fourier, alla Trasformata di Hilbert e alle tecniche di filtraggio digitale.

   • Comprendere le caratteristiche principali dei segnali fisiologici quali EEG, ECG ed EMG, e le problematiche associate alla loro analisi.

2. Capacità di applicare conoscenza e comprensione

   • Applicare tecniche di trasformazione e filtraggio digitale a segnali reali utilizzando il linguaggio Python.

   • Eseguire operazioni di pre-processing, analisi nel dominio del tempo e della frequenza, e visualizzazione di segnali biomedici.

   • Svolgere analisi di base con strumenti di statistica inferenziale applicati ai segnali fisiologici.

3. Autonomia di giudizio

   • Valutare in modo critico i risultati ottenuti dalle elaborazioni, scegliendo metodi adeguati in base al tipo di segnale e agli obiettivi dell’analisi.

   • Dimostrare progressiva autonomia nella progettazione e nello sviluppo di semplici pipeline di analisi dei segnali.

4. Abilità comunicative

   • Comunicare in modo chiaro e coerente le scelte metodologiche adottate e i risultati ottenuti, anche attraverso la documentazione delle consegne richieste.

5. Capacità di apprendimento

   • Affrontare nuove problematiche nell’ambito dell’elaborazione dei segnali biomedici con un approccio pratico e orientato alla soluzione, sviluppando capacità di apprendimento autonomo attraverso l’esperienza laboratoriale.

PREREQUISITI

Elaborazione dei dati e segnali biomedici, fondamenti di informatica.

MODALITA' DIDATTICHE

Il laboratorio si basa su attività guidate al calcolatore, svolte in aula con la supervisione del docente e/o del tutor, durante le quali verranno introdotti e applicati gli strumenti teorici e computazionali per l’elaborazione dei segnali biomedici. Ogni modulo prevede inoltre attività pratiche aggiuntive da svolgere in autonomia, individualmente o in gruppo, che consistono nello sviluppo e nella documentazione di analisi su dataset forniti.
Tali esercitazioni rappresentano parte integrante del percorso formativo e saranno oggetto di valutazione. L’approccio didattico è fortemente applicativo e orientato al problem solving, con l’obiettivo di stimolare la partecipazione attiva, il ragionamento critico e la capacità di lavorare in gruppo.

PROGRAMMA/CONTENUTO

Modulo 1 – Pre-processing e filter design su segnali ECG

• Introduzione ai segnali ECG: caratteristiche e componenti principali

• Rimozione di rumore e artefatti: filtri passa-basso, passa-alto e notch

• Progettazione di filtri FIR e IIR in Python

• Identificazione e segmentazione dei complessi QRS

• Riconoscimento di pattern patologici (aritmie, alterazioni morfologiche)

Modulo 2 – Signal decomposition e trasformate su segnali EEG

• Introduzione ai segnali EEG: frequenze fisiologiche e rumori comuni

• Trasformata di Fourier per l’analisi spettrale

• Trasformata di Hilbert e calcolo dell’ampiezza istantanea

• Analisi di bande di frequenza e stima di biomarcatori (es. potenza alfa, theta)

• Confronto tra soglie, eventi e stati cognitivi

Modulo 3 – Analisi avanzata di segnali EMG

• Introduzione ai segnali EMG: caratteristiche temporali e spettrali

• Progettazione avanzata di filtri adattivi e filtri in banda stretta

• Decomposizione empirica del segnale (EMD) e analisi delle Intrinsic Mode Functions (IMF)

• Analisi di correlazione temporale tra canali EMG

• Studio di profili di attivazione muscolare e sinergie neuromuscolari

DOCENTI E COMMISSIONI

LEZIONI

Orari delle lezioni

L'orario di questo insegnamento è consultabile all'indirizzo: Portale EasyAcademy

ESAMI

MODALITA' D'ESAME

L'esame consisterà in una discussione orale delle consegne svolte in aula

MODALITA' DI ACCERTAMENTO

Modalità di verifica dell’apprendimento

L’esame consiste nella valutazione di tre consegne, ciascuna riferita a uno dei moduli del laboratorio. Le esercitazioni saranno svolte in gruppi di lavoro e includeranno la documentazione del codice e l’interpretazione dei risultati ottenuti. Al termine del corso, è prevista una discussione orale di gruppo sugli elaborati presentati, volta a verificare la comprensione critica degli strumenti utilizzati e dei contenuti teorico-pratici affrontati durante il laboratorio.

La valutazione finale terrà conto di:

• qualità e correttezza tecnica delle consegne (preprocessing, analisi, visualizzazione);

• capacità di giustificare le scelte metodologiche adottate;

• partecipazione attiva alle attività di laboratorio;

• chiarezza e completezza della discussione orale.