Uniwersytet Mikołaja Kopernika w Toruniu - Centralny punkt logowania
Strona główna

Podstawy analizy danych fMRI

Informacje ogólne

Kod przedmiotu: 2401-K-MF-PAD
Kod Erasmus / ISCED: (brak danych) / (brak danych)
Nazwa przedmiotu: Podstawy analizy danych fMRI
Jednostka: Katedra Kognitywistyki
Grupy: Kognitywistyka s1,s2 - zajęcia do wyboru
Strona przedmiotu: https://github.com/fMRIAnalysisCourse/fmri-analysis-course
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: polski
Wymagania wstępne:

Język angielski na poziomie min. B1 (opracowania dotyczące analizy fMRI / programowania w języku Python są anlgojęzyczne).

Rodzaj przedmiotu:

przedmiot fakultatywny

Całkowity nakład pracy studenta:

1. Godziny realizowane z udziałem nauczycieli: 30 godzin laboratorium.

2. Czas poświęcony na pracę indywidualną studenta potrzebny do pomyślnego zaliczenia przedmiotu, tj. wcześniejsze przygotowanie i uzupełnienie notatek; zebranie i wybór odpowiednich materiałów do zajęć, wymagane powtórzenie materiału, pisanie prac i rozwiązywanie zadań zomowych, czytanie literatury: 60 godzin.

3. Czas wymagany do przygotowania zaliczenia końcowego: 30 godzin

Efekty uczenia się - wiedza:

W1: zna zasady prowadznia badań neuroobrazowych zgodnie z założeniami nauki otwartej (open science).

W2: rozumie matematyczne podstawy analizy danych fMRI (algebra liniowa, wnioskowanie statystyczne, ogólny model liniowy, uczenie maszynowe, teoria grafów).

W3: zna podstawowe metody przetwarzania i analizy statystycznej danych fMRI.

Efekty uczenia się - umiejętności:

U1: potrafi samodzielnie zaplanować poszególne kroki analizy danych fMRI i dopasować je do postawionych pytań badawczych.

U2: potrafi zaimplementować analizę danych fMRI w języku Python.

U3: potrafi korzystać z narzędzi do kontroli wersji (Git/Github).

U4. potrafi raportować wyniki analizy danych fMRI, w tym tworzyć estetyczne wizualizacje wyników.

Efekty uczenia się - kompetencje społeczne:

K1: bez lęku radzi sobie z rozwiązywaniem problemów.

K2: rozumie potrzebę ciągłego dokształcania się i rozoju.

K3: potrafi efektywnie pracować w grupie; docenia zalety różnorodnych kompetencji w zespole.

K4: ceni oryginalność i kreatywność rozwiązań.

K5: potrafi w sposób ciekawy i prosty tłumaczyć skomplikowane zagadnienia.

Metody dydaktyczne:

Metody samodzienego dochodzenia do wiedzy; metody praktyczne; dyskusja.

Metody dydaktyczne eksponujące:

- pokaz

Metody dydaktyczne podające:

- opis
- pogadanka
- wykład konwersatoryjny

Metody dydaktyczne poszukujące:

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

Metody dydaktyczne w kształceniu online:

- gry i symulacje
- metody ewaluacyjne
- metody integracyjne
- metody odnoszące się do autentycznych lub fikcyjnych sytuacji
- metody oparte na współpracy
- metody rozwijające refleksyjne myślenie
- metody służące prezentacji treści
- metody wymiany i dyskusji

Skrócony opis:

W ramach zajęć z "Podstaw analizy danych fMRI" student/studentka zapozna się z metodami przetwarzania i analizy statystycznej danych neuroobrazowych uzyskanych metodą czynnościowego rezonansu magnetycznego (fMRI).

Pełny opis:

W ramach zajęć poruszone zostaną następujące tematy:

1. Otwarzalność wyników naukowych (reproducibility) i nauka otwarta (open science).

2. Podstawy algebry liniowej i statystyki w neuroobrazowaniu.

3. Podstawy programowania w języku Python i kontrola wersji (Git/GitHub)

4. Wstępne przetwarzanie danych fMRI i czynniki zakłócające w badaniach neuroobrazowych.

5. Analiza aktywacji z wykorzystaniem ogólnego modelu liniowego (General Linear Model, GLM).

5. Podstawy analizy połączeń funkcjonalnych (functional connectivity) i neuronuki sieciowej (network neuroscience).

6. Metody uczenia maszynowego (machine learning) w neuroobrazowaniu.

7. Wizualizacja danych i raportowanie wyników.

Każdy uczestnik kursu otrzyma darmowy dostęp do platformy DataCamp (datacamp.com) w ramach programu DataCamp Clasroom.

Literatura:

1. Poldrack, R. A., Mumford, J. A., & Nichols, T. E. (2011). Handbook of functional MRI data analysis. Cambridge University Press.

2. Poldrack, R. A. (2018). The new mind readers: What neuroimaging can and cannot reveal about our thoughts. Princeton University Press.

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

4. Huettel, S. A., Song, A. W., & McCarthy, G. (2004). Functional magnetic resonance imaging (Vol. 1). Sunderland, MA: Sinauer Associates.

Metody i kryteria oceniania:

1. Aktywność na zajęciach.

2. Zadania domowe.

3. Praca w grupach.

4. Kolokwium końcowe.

Zajęcia w cyklu "Semestr letni 2021/22" (zakończony)

Okres: 2022-02-21 - 2022-09-30
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Konwersatorium, 30 godzin więcej informacji
Koordynatorzy: Karolina Finc
Prowadzący grup: Karolina Finc
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Zaliczenie na ocenę
Konwersatorium - 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)