Gäller från och med: Vårterminen 2021
Beslutad av: Professor Thomas Johansson
Datum för fastställande: 2022-06-14
Avdelning: Reglerteknik
Kurstyp: Ren forskarutbildningskurs
Undervisningsspråk: Svenska
Demonstrera förståelse för signalbehandling, machine learning-metoder och applikationer för olika typer av brain computer interfaces, med fokus mot EEG.
Kunskap och förståelse
För godkänd kurs skall doktoranden 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.
Färdighet och förmåga
För godkänd kurs skall doktoranden 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.
Värderingsförmåga och förhållningssätt
För godkänd kurs skall doktoranden 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.
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.
Nam, C., Nijholt, A. & Lotte, F.: Brain–Computer Interfaces Handbook, Technological and Theoretical Advances.. 2018. ISBN 9781498773430.
Undervisningsformer: Projekt, litteraturkurs som självstudier
Examinationsform: Seminarieföredrag av deltagarna.
Fyra seminarieföredrag som täcker olika delar av kursmaterialet. Genomförande av ett mindre projekt.
Betygsskala: Underkänd, godkänd
Examinator:
Kursansvariga: