Uniwersytet Mikołaja Kopernika w Toruniu - Centralny punkt logowania
Strona główna

Network Neuroscience

Informacje ogólne

Kod przedmiotu: 2401-CS-22-NN-s2
Kod Erasmus / ISCED: (brak danych) / (0223) Filozofia i etyka Kod ISCED - Międzynarodowa Standardowa Klasyfikacja Kształcenia (International Standard Classification of Education) została opracowana przez UNESCO.
Nazwa przedmiotu: Network Neuroscience
Jednostka: Katedra Kognitywistyki
Grupy:
Punkty ECTS i inne: 4.00 Podstawowe informacje o zasadach przyporządkowania punktów ECTS:
  • roczny wymiar godzinowy nakładu pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się dla danego etapu studiów wynosi 1500-1800 h, co odpowiada 60 ECTS;
  • tygodniowy wymiar godzinowy nakładu pracy studenta wynosi 45 h;
  • 1 punkt ECTS odpowiada 25-30 godzinom pracy studenta potrzebnej do osiągnięcia zakładanych efektów uczenia się;
  • tygodniowy nakład pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się pozwala uzyskać 1,5 ECTS;
  • nakład pracy potrzebny do zaliczenia przedmiotu, któremu przypisano 3 ECTS, stanowi 10% semestralnego obciążenia studenta.
Język prowadzenia: angielski
Wymagania wstępne:

(tylko po angielsku) Basic programming in Python

Rodzaj przedmiotu:

przedmiot obowiązkowy

Całkowity nakład pracy studenta:

(tylko po angielsku) Contact hours with teacher:


- participation in tutorials - 30 hrs

- consultations- 5 hrs


Self-study hours:

- preparation for tutorials - 25 hrs

- homework - 30 hrs

- preparing final project- 30 hrs


Altogether: 120 hrs (4 ECTS)


Efekty uczenia się - wiedza:

(tylko po angielsku) Student:

W1: has systematized and detailed knowledge of fundamental organizational features of brain network – K_W03, K_W14

W2: knows different approaches to obtain connectivity estimates across various spatial scales – K_W01

W3: is familiar with basic graph theory tools that can be used to quantify network organization – K_W04, K_W05

W4: understands the mathematical basics network neuroscience tools together with their biological interpretation – K_W02

Efekty uczenia się - umiejętności:

(tylko po angielsku) Student:

U1: is able to formulate various network neuroscience research questions – K_U01, K_U06

U2: is capable of selecting the network neuroscience to answer scientific questions- K_U07

U3: has advanced skills in analysis of human network constructed based on functional magnetic resonance imaging (fMRI); K_U04

U4: can apply network neuroscience tools to neuroimaging data and interpret analysis results in biological terms - K_U11

Efekty uczenia się - kompetencje społeczne:

(tylko po angielsku) Student:

K1: understands the the importance of creative thinking in problem solving – K_K03, K_K14

K2: understands the need for collaboration in scientific research– K_K01

K3: is open to publicly share results of analyses – K_K04, K_K05

K4: is aware of a need of constant learning in academic research – K_K02

K5: identifies the importance of planning and work organization - K_K09

K6: participates in discussions and brainstorms - K_K05

K7: can communicate results of finalized project - K_K12

Metody dydaktyczne:

(tylko po angielsku) Observation/demonstration teaching methods:

- display


Expository teaching methods:

- description

- discussion

- participatory lecture


Exploratory teaching methods:

- brainstorming

- classic problem-solving

- experimental

- practical

- project work


Online teaching methods:

- content-presentation-oriented methods

- cooperation-based methods

- evaluative methods

- exchange and discussion methods

- games and simulations

- integrative methods

- methods developing reflexive thinking

- methods referring to authentic or fictitious situations


Metody dydaktyczne eksponujące:

- pokaz

Metody dydaktyczne podające:

- opis
- opowiadanie
- pogadanka
- wykład informacyjny (konwencjonalny)

Metody dydaktyczne poszukujące:

- ćwiczeniowa
- doświadczeń
- giełda pomysłów
- klasyczna metoda problemowa
- laboratoryjna
- projektu

Metody dydaktyczne w kształceniu online:

- metody oparte na współpracy
- metody rozwijające refleksyjne myślenie
- metody służące prezentacji treści
- metody wymiany i dyskusji

Skrócony opis: (tylko po angielsku)

Network neuroscience is a novel approach to understanding the structure of the brain using tools from network science. The brian connectome (a comprehensive map of neural connections in the brain) can be studied across scales of organization: from molecules and neurons to circuits and systems. During the course students will gain understanding of basic organizational features of brain networks, and learn how to apply network neuroscience tools to neuroimaging data.

Pełny opis: (tylko po angielsku)

Network neuroscience is a novel approach to understanding the structure of the brain using tools from network science. The brian connectome (a comprehensive map of neural connections in the brain) can be studied across scales of organization: from molecules and neurons to circuits and systems. During the course students will gain knowledge about the fundamentals of network neuroscience, graph theory and basic features of brain network organization. Students will also learn how to estimate connectivity based on neuroimaging data, apply various network neuroscience tools to neuroimaging data.

Specifically, the course and practical tutorials will cover the following topics:

1. Graphs as models of complex systems: introduction to graph theory, concepts of nodes and edges;

2. Imaging brain connectome across scales: microscale, mesoscale and macroscale;

3. Economy of brain network organization: small-world network, hubs, and modularity;

4. Neuroimaging of the human connectome: imaging and denoising techniques, connectivity estimation;

5. Brain parcellations: different approaches of reducing dimensionality of neuroimaging data;

6. Connectivity matrices: directionality, thresholding, and binarization;

7. Connectome visualization: comparing different tools and approaches;

8. Basic measures of node connectivity: node strength, node degree, degree distributions;

9. Detecting brain hubs: centrality measures, methods of identification of hubs;

10. Network modularity: community detection algorithms, multilayer community detection.

11. Applications of network neuroscience: understanding the brain in health and disease.

All tutorials will be provided in Python programming language.

Literatura: (tylko po angielsku)

Fornito, A., Zalesky, A., & Bullmore, E. (2016). Fundamentals of brain network analysis. Academic Press.

Sporns, O. (2010). Networks of the Brain. MIT press.

Newman, M. (2018). Networks. Oxford university press.

Bassett, D. S., & Sporns, O. (2017). Network neuroscience. Nature neuroscience, 20(3), 353-364.

Bullmore, E., & Sporns, O. (2009). Complex brain networks: graph theoretical analysis of structural and functional systems. Nature reviews neuroscience, 10(3), 186-198.

Bullmore, E., & Sporns, O. (2012). The economy of brain network organization. Nature Reviews Neuroscience, 13(5), 336-349.

Metody i kryteria oceniania: (tylko po angielsku)

Assessment methods:

- activity

- homework

- final project

Assessment criteria:

fail- <50 pts (<50 %)

satisfactory- 51-60 pts (51-60 %)

satisfactory plus- 61-70 pts (61-70 %)

good - 71-80 pts (71-80 %)

good plus- 81-90 pkt (81-90 %)

very good- 91 pts (>90 %)

Zajęcia w cyklu "Semestr zimowy 2022/23" (zakończony)

Okres: 2022-10-01 - 2023-02-19
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Laboratorium, 30 godzin więcej informacji
Koordynatorzy: Karolina Finc
Prowadzący grup: Karolina Finc
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Zaliczenie na ocenę
Laboratorium - Zaliczenie na ocenę

Zajęcia w cyklu "Semestr letni 2023/24" (w trakcie)

Okres: 2024-02-20 - 2024-09-30
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Laboratorium, 30 godzin więcej informacji
Koordynatorzy: Simone Poetto
Prowadzący grup: Simone Poetto
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Zaliczenie na ocenę
Laboratorium - Zaliczenie na ocenę
Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Uniwersytet Mikołaja Kopernika w Toruniu.
ul. Jurija Gagarina 11, 87-100 Toruń tel: +48 56 611-40-10 https://usosweb.umk.pl/ kontakt deklaracja dostępności USOSweb 7.0.1.0 (2023-11-21)