Svenska

Vid tillräcklig efterfrågan

Demonstrera förståelse för signalbehandling, machine learning-metoder och applikationer för olika typer av brain computer interfaces, med fokus mot EEG.

Olika tekniker för registrering av hjärnaktivitet (EEG, fMRI, invasive, non-invasive), händelserelaterade potentialer (ERP), motor imagery/sensorimotoriska rytmer (MI/SMR), Steady-State Evoked Potentials (SSxEP), feature extraction, linear discriminant analysis (LDA), common spatial patterns (CSP), Riemannian geometry (RG), bayesian learning (BL), transfer learning (TF), BCI-kalibrering.

Demonstrera förståelse för de vanligast använda BCI-paradigmerna samt hur grundläggande typer av signalbehandling och maskininlärning kan appliceras på dessa paradigmer, här med fokus på EEG baserade BCI system.

Behärska verktyg från existerande Pythonpaket som MNE python, pyriemann, sklearn och timeflux för att behandla, analysera och/eller visualisera EEG-data med hjälp av tekniker introducerade i kursen.

Demonstrera förståelse för begränsningar hos olika typer av BCI-paradigmer och signalbehandling-metoder av dessa, samt kunna välja ut material för och organisera ett diskussionsseminarium.

Projekt

Litteraturkurs som självstudier

Seminarieföredrag av deltagarna

Fyra seminarieföredrag som täcker olika delar av kursmaterialet. Genomförande av ett mindre projekt.

Underkänd, godkänd

Nam, C., Nijholt, A. & Lotte, F.: Brain–Computer Interfaces Handbook, Technological and Theoretical Advances.. 2018. ISBN 9781498773430.

FRT280F

2022-06-14

Professor Thomas Johansson