| Corsi di Laurea | Corsi di Laurea Magistrale | Corsi di Laurea Magistrale a Ciclo Unico |
| Scuola di Ingegneria | ||
| BIOINGEGNERIA | ||
Insegnamento
ANALISI DI DATI BIOLOGICI
INL1000215, A.A. 2021/22
Informazioni valide per gli studenti immatricolati nell'A.A. 2020/21
ANALISI DI DATI BIOLOGICI
INL1000215, A.A. 2021/22
Informazioni valide per gli studenti immatricolati nell'A.A. 2020/21
Principali informazioni sull'insegnamento
| Corso di studio |
Corso di laurea magistrale in BIOINGEGNERIA IN0532, ordinamento 2020/21, A.A. 2021/22 |
 porta questa pagina con te |
|---|---|---|
| Curriculum | BIOINGEGNERIA DELLA RIABILITAZIONE [005PD] | |
| Crediti formativi | 6.0 | |
| Tipo di valutazione | Voto | |
| Denominazione inglese | ANALYSIS OF BIOLOGICAL DATA | |
| Dipartimento di riferimento | Dipartimento di Ingegneria dell'Informazione (DEI) | |
| Obbligo di frequenza | No | |
| Lingua di erogazione | ITALIANO | |
| Sede | PADOVA | |
| Corso singolo | È possibile iscriversi all'insegnamento come corso singolo | |
| Corso a libera scelta | È possibile utilizzare l'insegnamento come corso a libera scelta | |
| Corso per studenti Erasmus | Gli studenti Erasmus+ o di altri programmi di mobilità possono frequentare l'insegnamento |
Docenti
| Responsabile | GIOVANNI SPARACINO | ING-INF/06 |
|---|
Mutuante
| Codice | Insegnamento | Responsabile | Corso di studio |
|---|---|---|---|
| INL1000215 | ANALISI DI DATI BIOLOGICI | GIOVANNI SPARACINO | IN0532 |
Dettaglio crediti formativi
| Tipologia | Ambito Disciplinare | Settore Scientifico-Disciplinare | Crediti |
|---|---|---|---|
| CARATTERIZZANTE | Ingegneria biomedica | ING-INF/06 | 6.0 |
Organizzazione dell'insegnamento
| Periodo di erogazione | Primo semestre |
|---|---|
| Anno di corso | II Anno |
| Modalità di erogazione | frontale |
| Tipo ore | Crediti | Ore di didattica assistita |
Ore Studio Individuale |
|---|---|---|---|
| LEZIONE | 6.0 | 48 | 102.0 |
| Inizio attività didattiche | 27/09/2021 |
|---|---|
| Fine attività didattiche | 15/01/2022 |
| Visualizza il calendario delle lezioni | Lezioni 2023/24 Ord.2020 |
Commissioni d'esame
| Commissione | Dal | Al | Membri |
|---|---|---|---|
| 13 A.A. 2022/2023 | 01/10/2020 | 15/03/2024 |
SPARACINO
GIOVANNI
(Presidente)
BERTOLDO ALESSANDRA (Membro Effettivo) CAMERLINGO NUNZIO (Supplente) CAPPON GIACOMO (Supplente) DALLA MAN CHIARA (Supplente) DEL FAVERO SIMONE (Supplente) FACCHINETTI ANDREA (Supplente) LONGATO ENRICO (Supplente) PEDERSEN MORTEN GRAM (Supplente) SCARPA FABIO (Supplente) SCHIAVON MICHELE (Supplente) VERONESE MATTIA (Supplente) VETTORETTI MARTINA (Supplente) VISENTIN ROBERTO (Supplente) |
| 12 A.A. 2021/2022 | 01/10/2021 | 15/03/2023 |
SPARACINO
GIOVANNI
(Presidente)
VETTORETTI MARTINA (Membro Effettivo) BERTOLDO ALESSANDRA (Supplente) DALLA MAN CHIARA (Supplente) DEL FAVERO SIMONE (Supplente) FACCHINETTI ANDREA (Supplente) PEDERSEN MORTEN GRAM (Supplente) SAWACHA ZIMI (Supplente) SCARPA FABIO (Supplente) SCHIAVON MICHELE (Supplente) VERONESE MATTIA (Supplente) VISENTIN ROBERTO (Supplente) |
| 11 A.A. 2020/2021 | 01/10/2020 | 15/03/2022 |
SPARACINO
GIOVANNI
(Presidente)
FACCHINETTI ANDREA (Membro Effettivo) BERTOLDO ALESSANDRA (Supplente) CAPPON GIACOMO (Supplente) DALLA MAN CHIARA (Supplente) DEL FAVERO SIMONE (Supplente) LONGATO ENRICO (Supplente) PEDERSEN MORTEN GRAM (Supplente) SACCOMANI MARIAPIA (Supplente) SAWACHA ZIMI (Supplente) VETTORETTI MARTINA (Supplente) |
| Prerequisiti: | Informatica di Base (Matlab)
Elementi di Probabilità e Statistica Segnali e Sistemi Conoscenze di base di Sistemi e Modelli Conoscenze di base di Elaborazione di Segnali Biologici |
| Conoscenze e abilita' da acquisire: | Al termine del corso, lo studente sarà in grado di padroneggiare, e implementare numericamente in modo efficace, i metodi di analisi dati più usati in campo clinico e di ricerca.
In particolare, ai fini della professione, questo corso renderà l'allievo in grado di effettuare l'analisi di un certo problema che richiede l’ “interpretazione di dati” (dall’elaborazione del segnale o alla simulazione o identificazione di un sistema) individuare le metodologie di soluzione più appropriate tradurre le metodologie mediante algoritmi numerici adatti implementare gli algoritmi in Matlab |
| Modalita' di esame: | Il colloquio verterà, per circa il 30%, su homework assegnati ai frequentanti durante il corso e da consegnare subito prima della prova finale . Gli homework verranno discussi davanti al computer, anche nelle scelte algoritmiche e di programmazione. Il resto del colloquio vertera' sul contenuto delle lezioni teoriche. |
| Criteri di valutazione: | In sede di esame si valuta livello di comprensione della materia, capacita' di rielaborare concetti, maturita' nell'individuare e progettare soluzioni ingegneristiche a problemi di analisi di dati, logica nella implementazione al calcolatore degli algoritmi, rigore nell'uso delle metodologie, chiarezza espositiva, capacità di sintesi. |
| Contenuti: | L’obiettivo è fornire all’allievo bioingegnere la conoscenza di metodi avanzati di analisi di dati biologici. In particolare, si fa ricorso a metodologie di analisi statistica integranti l’approccio modellistico con quello di elaborazione del segnale.
Specificatamente, il programma del corso include: - Fondamenti di Calcolo Scientifico - Interpolazione (parametrica, spline, nonparametrica) - Smoothing - Predizione - Filtraggio stocastico alla Wiener - Filtraggio stocastico alla Kalman - Aspetti numerici di approssimazione e filtraggio - Analisi non lineare di serie temporali - Applicazioni "hands on" su EEG, potenziali evocati, segnale glicemico, NIRS, serie ormonali, …, mediante implementazione in Matlab (in aula o a casa come homework) di tutte le tecniche discusse a lezione |
| Attivita' di apprendimento previste e metodologie di insegnamento: | L’approccio del corso è completamente ingegneristico ed “hands on”: si parte da problemi di significativo interesse clinico e medico-biologico (EEG, potenziali evocati, segnali endocrino-metabolici, segnali rivelati da biosensori, serie epidemiologiche, …), li si analizza, si identificano le metodologie di soluzione più adatte e le si implementa a basso livello in Matlab mediante algoritmi di cui si cura anche l’efficienza numerica Non si usano mai codici fatti da altri (l'impostazione e' che si capisce fino in fondo solo quello che si fa).
Semplificando, si può ripartire il carico del corso come: Teoria 60% Pratica 40% La frequenza assidua delle lezioni e' fortemente consigliata ed indispensabile per la gestione efficiente degli homework. |
| Eventuali indicazioni sui materiali di studio: | Dispense e diapositive proiettate a lezione vengono messe a disposizione dal docente attraverso un sito ad hoc. Altro materiale di studio per eventuali approfondimenti (libri, articoli scientifici, ...) viene indicato a lezione e nelle dispense stesse. |
| Testi di riferimento: |
|
- Problem solving
- Case study
- Simulazioni
- Project work
- Problem based learning
- Utilizzo delle tecnologie per la didattica (moodle e/o altri strumenti per la didattica, software, video, quiz, wooclap)
- Attivita' di valutazione durante il corso
