Ingegneria Biomedica

FEBO CINCOTTI
EMMA COLAMARINO

Obiettivi generali
The course aims to introduce the principles, methodologies, and applications of the main engineering techniques used to study biomedical data pertaining the domains of statistics and machine learning.
Obiettivi specifici
- Conoscenza e comprensione Gli studenti apprenderanno concetti di statistica descrittiva, verifica di ipotesi, modelli di classificazione ed elaborazione avanzata di
biosegnali
- Applicare conoscenza e comprensione
Gli studenti acquisiranno familiarità con gli strumenti di base per applicare test statistici e per addestrare modelli di classificazione di base
- Capacità critiche e di giudizio
Gli studenti impareranno a scegliere la metodologia di controllo più adatta per uno specifico problema e a valutare la complessità della soluzione proposta.
- Capacità comunicative
Gli studenti impareranno a comunicare in un contesto multidisciplinare le principali problematiche legate all'interfaccia dei segnali neurofisiologici con i sistemi artificiali, e a veicolare le possibili scelte progettuali a tale scopo.
- Capacità di apprendimento:
Gli studenti svilupperanno una mentalità orientata all'apprendimento autonomo di concetti avanzati non trattati nel corso.

1. Conoscenza e capacità di comprensione (DD1).
Al termine dell'insegnamento, lo studente sarà in grado di:
• Conoscere e comprendere i principi della statistica descrittiva e inferenziale, incluse le procedure di stima e la verifica di ipotesi (es. test parametrici, ANOVA, chi2).
• Comprendere le metodologie fondamentali del machine learning per la classificazione (approcci parametrici, data-driven, reti neurali artificiali) e le relative metriche e procedure per la valutazione delle prestazioni.
• Descrivere le tecniche avanzate di elaborazione di biosegnali, con specifico riferimento all'analisi del segnale elettromiografico (es. MUAP, sinergie muscolari) e alla stima di sorgenti neuroelettriche (es. problema diretto/inverso, filtri spaziali, ERP, ERD/S).
2. Conoscenza e capacità di comprensione applicate (DD2).
Lo studente sarà in grado di:
• Applicare le corrette procedure statistiche all'analisi di dati biomedici reali, implementando script dedicati in ambiente Matlab.
• Applicare e validare modelli di classificazione di base per l'analisi di dati biomedici, al fine di discriminare diverse classi o condizioni di interesse.
• Eseguire l'analisi di segnali elettromiografici e neuroelettrici utilizzando le tecniche apprese, al fine di estrarre parametri di interesse funzionale. (Queste abilità sono verificate principalmente tramite la prova di laboratorio ).
3. Autonomia di giudizio (DD3).
Lo studente saprà:
• Valutare criticamente quale test statistico o modello di classificazione sia più appropriato per un determinato dataset biomedico e obiettivo di analisi.
• Interpretare i risultati di un'analisi (statistica o di classificazione), valutando la significatività dei risultati e i limiti delle metodologie applicate (es. rischio di overfitting).
• Scegliere la metodologia di elaborazione più adatta per uno specifico biosegnale in funzione dell'applicazione. (Questa abilità è stimolata dalle lezioni in laboratorio e valutata tramite il quesito a risposta aperta e la prova pratica ).
4. Abilità comunicative (DD4).
Lo studente acquisirà la capacità di:
• Descrivere con chiarezza e rigore tecnico le metodologie apprese e i risultati ottenuti.
• Argomentare in un contesto multidisciplinare (es. con ingegneri, medici, biologi) i quesiti di analisi che possono essere affrontati mediante le competenze acquisite, valutandone criticamente i limiti di applicazione.
• Giustificare le scelte progettuali e metodologiche adottate (valutato tramite il quesito a risposta aperta e la prova di laboratorio).
5. Capacità di apprendere (DD5)
• Lo studente avrà sviluppato le competenze metodologiche e la mentalità necessarie per approfondire autonomamente tematiche avanzate (es. nuovi algoritmi di machine learning o tecniche emergenti di analisi dei biosegnali) non trattate esplicitamente a lezione, consultando la letteratura scientifica di settore.
Lo studente avrà sviluppato le competenze metodologiche e la mentalità necessarie per approfondire autonomamente tematiche avanzate non trattate esplicitamente a lezione (es. metodi statistici specializzati, algoritmi di machine learning o tecniche emergenti di analisi dei biosegnali), consultando la letteratura scientifica di settore.

E' richiesta la conoscenza di:
• teoria della probabilità: variabili aleatorie mono- e multi-dimensionali, funzioni e distribuzioni di probabilità, valori attesi, stimatori;
• elaborazione di biosegnali: fisiologia, strumentazione e processamento dei segnali elettroencefalografico ed elettromiografico;
• nozioni di programmazione e conoscenza di base dell'ambiente Matlab.

Sezione I: Statistica.
Introduzione. Statistica descrittiva. Distribuzioni di probabilità. Distribuzioni campionarie. Stime di intervallo. Statistica inferenziale. Test per le medie a un campione. Test per le medie a campioni indipendenti. Test per più di due campioni. Analisi della varianza (ANOVA) a campioni indipendenti. Test per le medie a campioni ripetuti. Potenza di un test. Test basati sulla distribuzione chi2. Cenni su test non paramentrici.

Sezione II: Introduzione alla classificazione.
Introduzione. Metriche e procedure di valutazione delle prestazioni di un classificatore. Approcci parametrici. Approcci data-driven. Reti neurali artificiali multilivello non ricorsive. Overfitting.

Sezione III: Elaborazione di biosegnali
Elaborazione segnale elettromiografico. Richiami. Procedure di elaborazione di singolo canale. Acquisizione multicanale da distretti muscolari differenti (sinergia muscolare, controllo motorio), stima di MUAP e loro interpretazione funzionale, applicazioni).
Imaging di sorgenti neuroelettriche. Richiami. Modelli per la stima di ERP (classico e a rifasamento); Stima di attività indotta, ERD/S. Registrazioni multielettrodo e filtri spaziali. Problema neuroelettrico diretto. Problema neuroelettrico inverso.

Sezione IV: Lezioni in laboratorio informatico
Realizzazione in ambiente Matlab di programmi in cui vengono applicate le nozioni apprese nelle Sezioni I-III.

Il materiale didattico fornito dai docenti include:
- slides delle lezioni
- registrazione delle lezioni
- testi e soluzioni dei precedenti appelli d'esame
- esercitazioni aggiuntive autosomministrabili per acquisire maggiore familiarità con il linguaggio Matlab.

Il materiale è condiviso su cloud con tutti gli studenti del corso e le procedure di accesso sono descritte nella classe Piazza (https://piazza.com/uniroma1.it/spring2026/1044421).

Lane, DM. Online Statistics Education: A Multimedia Course of Study, https://onlinestatbook.com
Surface Electromyography : Physiology, Engineering, and Applications; Editor(s):Roberto Merletti, Dario Farina, 2016, The Institute of Electrical and Electronics Engineers, Inc.

Lezioni frontali (4 lezioni/settimana) in cui vengono esposti gli argomenti in programma e svolti una selezione di problemi.
Lezioni in laboratorio informatico (1/settimana) in cui gli studenti si esercitano nell'applicazione in ambiente Matlab delle nozioni apprese.

La frequenza delle lezioni non è obbligatoria. Tuttavia si raccomanda la partecipazione alle esercitazioni di laboratorio.

La valutazione della preparazione avverrà mediante prove scritte e di laboratorio informatico. Tutte le prove si svolgono nella medesima seduta, separate da una breve pausa.

La prova scritta consisterà di:
(i) quesiti a risposta chiusa in cui viene valutata la conoscenza e la comprensione degli argomenti trattati durante il corso
(ii) un quesito a risposta aperta, in cui sono valutati il grado di approfondimento dello studio della materia e le capacità comunicative.

Nella prova di laboratorio saranno proposti problemi da risolvere mediante la stesura di script in ambiente Matlab, al fine di valutare le capacità di applicare conoscenza e comprensione.

Tutte le tracce e le soluzioni dei precedenti esami sono disponibili nel materiale didattico a cui hanno accesso gli studenti che seguono il corso.
A titolo di esempio, è possibile visionare una traccia d'esame al seguente link:
https://drive.google.com/file/d/11N-FgN8omYS7sVfIk0EsYtITS1uiQ7Zh/view?usp=drive_link

• Introduzione alla statistica e statistica descrittiva


• Distribuzioni di probabilità e distribuzioni campionarie


• Stime di intervallo e statistica inferenziale


• Test per le medie a campioni indipendenti


• Test per le medie a campioni ripetuti


• Potenza di un test, test basati sulla distribuzione chi2, cenni su test non-parametrici


• Introduzione alla classificazione, prestazioni


• Classificatori lineari parametrici e data-driven


• Reti neurali artificiali, overfitting


• EEG singolo canale


• EEG multicanale


• EMG singolo canale


• EMG multicanale