INGLESE 

Agli/alle studenti/esse verra fornito materiale didattico sotto forma di slides e letteratura scientifica aggiornata relativa gli argomenti del corso che verranno messi a disposizione sul canale Teams e sulla piattaforma e-learning del corso.

Testi di riferimento per alcune parti del programma sono:

Neuroimaging. Per lo studio del cervello umano. Katiuscia Sacco

Analisi e modelli di segnali biomedici. Luigi Landini, Nicola Vanello
Analyzing Neural Time Series Data: Theory and Practice, Mike X Cohen

MATLAB for Brain and Cognitive Scientists, Mike X Cohen

Il dettaglio delle parti dei testi di riferimento che verranno affrontate durante il corso sara reso disponibile sulla piattaforma e-learning del corso. 

1. Conoscenza e capacita di comprensione
Lo/a studente/essa acquisira conoscenze relative ai principi di acquisizione, alle caratteristiche e alle proprieta dei principali segnali di neuroimaging nell?essere umano, nonche ai principali approcci analitici e computazionali utilizzati per il loro trattamento.

2. Capacita di applicare conoscenza e comprensione
Lo/a studente/essa sara in grado di applicare metodi appropriati di elaborazione e analisi a dati di neuroimaging, affrontando esempi e problematiche tipiche e selezionando le procedure piu adeguate in relazione alla natura dei dati e agli obiettivi sperimentali.

3. Autonomia di giudizio
Lo/a studente/essa sara in grado di valutare criticamente le diverse scelte metodologiche effettuate nelle varie fasi dell?analisi dei dati, riconoscendone i limiti e comprendendone le conseguenze sull?interpretazione dei risultati e della funzione cerebrale.

4. Abilita comunicative
Lo/a studente/essa sara in grado di descrivere in modo appropriato le principali metodologie di analisi dei dati di neuroimaging, illustrando le procedure adottate e interpretando e discutendo criticamente i risultati ottenuti.

5. Capacita di apprendimento
Lo/a studente/essa sviluppera gli strumenti concettuali e metodologici necessari per approfondire autonomamente nuove tecniche di analisi e approcci computazionali applicati al neuroimaging e per aggiornare le proprie competenze in un settore in continua evoluzione. 

Agli studenti e richiesta la conoscenza delle nozioni di base di matematica per le scienze cognitive, e di elementi di analisi del segnale. La conoscenza di Matlab e anche utile. 

Il modulo consta in 48 ore di lezione frontale, tenute nei giorni definiti nel calendario didattico.

La didattica frontale comprende lezioni teoriche integrate da esempi applicativi. Durante l?insegnamento sono proposti agli studenti anche alcuni casi tipici da trattare collegialmente in aula.

La frequenza e facoltativa, consigliata, e la prova finale sara uguale per studenti frequentanti e non frequentanti. 

La verifica della preparazione degli studenti avverra con una prova in itinere basata su una presentazione di articoli suggeriti dagli studenti e concordati preventivamente con al docente. Per la prova, i punti totali a disposizione (30) saranno suddivisi equamente sulla base di indicatori di: 1.correttezza formale, 2.ricchezza di contenuti e 3.rigore nell'esposizione ivi compresa l'appropriatezza del linguaggio tecnico. Il punteggio finale sara dato dalla somma dei punteggi parziali. Qualora gli studenti/ le studentesse non sostenessero o superassero la prova in itinere la prova finale constera in un elaborato scritto sugli argomenti del corso seguito da un approfondimento orale.
I risultati della prova in itinere o scritta saranno comunicati sulla pagina e-learning del corso, cosi come il calendario della prova orale.
Gli argomenti oggetto della prova finale nel suo complesso rifletteranno quelli trattati durante l'insegnamento e presenti nel programma, elaborati in modo da portare gli studenti a riflettere sui collegamenti tra i vari argomenti trattati. Al fine del superamento dell'esame lo /la studente/essa dovra dimostrare la conoscenza di tutti gli argomenti del programma del corso.

Nel dettaglio, verra assegnata una votazione tra:

1) 18 e 21 se lo/a studente/essa dimostrera conoscenze e competenze sufficienti negli argomenti del corso, con particolare riferimento alle caratteristiche spazio-temporali dei dati misurati tramite differenti tecniche;

2) 22 e 25 se lo/a studente/essa dimostrera conoscenze e competenze buone in tutti gli argomenti del corso;

3) 26-29 se lo/a studente/essa dimostrera conoscenze e competenze molto buone in tutti gli argomenti del corso e un grado di rigore scientifico piu che buono;

4) 30 se lo/a studente/essa dimostrera conoscenze e competenze ottime in tutti gli argomenti del corso e un elevato grado di rigore scientifico;

5) 30 e lode se lo/a studente/essa dimostrera eccellenti conoscenze e competenze in tutti gli argomenti del corso e un elevato grado di rigore scientifico, nonche la capacita di fare collegamenti e spaziare rispetto agli argomenti trattati.

Gli studenti e le studentesse con disabilita, DSA o altri bisogni educativi speciali possono usufruire di un trattamento individualizzato in sede di esame, nel rispetto della normativa e di quanto previsto nella Carta dei Servizi di Ateneo (https://www.unich.it/sites/default/files/2024-02/carta_dei_servizi_0.pdf), previa intesa con il docente della materia. Per richiedere le misure compensative e dispensative e necessario afferire al Servizio CON_TE_STO seguendo la procedura indicata nella Carta dei Servizi.
Si invitano gli studenti e le studentesse a prendere contatti con la/il docente durante lo svolgimento delle lezioni, o comunque con largo anticipo rispetto alla data dell?appello, per conoscere le modalita di esame e le misure che sono accettate.
Per essere orientati e indirizzati ai diversi servizi offerti dall?Ateneo e possibile contattare il Docente Referente del Dipartimento: Prof.ssa Marcella Brunetti. 

 

Questo insegnamento concorre alla realizzazione degli obiettivi ONU dell'Agenda 2030 per lo Sviluppo Sostenibile 

L?orario di ricevimento e fissato il lunedi dalle 14:30 alle 16:30 presso ITAB, campus di Chieti. Si suggerisce agli studenti di confermare l'appuntamento via mail: laura.marzetti@unich.it