Guía docente de Neurociencia Computacional y Neuroingeniería (M51/56/3/16)

Esta materia se enmarca en una ingeniería, con una importante faceta experimental y con interés en estudios multidisciplinares. Por ello incluye distintas componentes: formación teórica (sobre metodología y materia de base), diseño (capacidad de estudio de sistemas utilizando ingeniería inversa de sistemas biológicos para diseño) y experimentación (validación de modelos, simulación y resultados). Aunque este es un campo muy amplio, con múltiples casos de estudio y aplicaciones diversos, existen ciertas metodologías, herramientas y técnicas que son aplicables para diversos campos.

Se hará especial énfasis en fomentar la capacidad del alumno para abordar nuevos estudios y problemas. La materia se centrará en tres campos de estudio: neurociencia computacional, simulación de sistemas neuronales biológicamente plausibles y neuroingeniería. En la materia se incidirá especialmente en las técnicas de estudio de los sistemas biológicos, identificación de primitivas computacionales y aplicaciones relacionadas con tecnologías actuales.

Se explicarán formas de computación masivamente paralelas basadas en sistemas biológicos y cómo simular estos sistemas. Se estudiarán los conceptos fundamentales de neuroingeniería, incluyendo: interfaces con el sistema nervioso (electrofisiología, registro y estimulación eléctrica), neuroprótesis, interfaces cerebro-computador (BCI), y ejemplos de desarrollos de neuroingeniería de diversa aplicación.

Se desarrollan clases de tipo seminario para la formación teórica, prácticas con uso de simuladores de sistemas neuronales biológicos y monitorización en el desarrollo de trabajos y estudios por parte de los estudiantes. Además se fomentará la formación científica mediante la revisión y discusión de trabajos científicos de este campo para desarrollar la capacidad de actualización de conocimientos por parte del estudiante más allá del curso que se imparte.

Ninguno

Resultados de Aprendizaje:

• (AP0) Resultados relacionados con las competencias generales (CG): habilidades de resolución de problemas, de discusión, de comunicación oral y escrita, etc.
• (AP1) Análisis de sistemas biológicos para identificación de primitivas de computación. Identificación de propiedades de interés computacional frente propiedades propias del sustrato biológico (tejido biológico).
• (AP2) Simulación de sistemas de computación bio-inspirados. Implementación de sistemas neuronales basados en impulsos. Modelos de neurona, de sistemas neuronales y de plasticidad sináptica.
• (AP3) Evaluación de prestaciones en el marco de aplicaciones reales como simulación de sistemas nerviosos.
• (AP4) Estudio de propiedades emergentes de sistemas diseñados para su validación en el marco del estudio de sistemas biológicos.
• (AP5) Revisión y discusión de trabajos científicos de este campo. Para desarrollar su capacidad de actualización de conocimientos científico-técnicos más allá de los contenidos del curso.

Introducción.

• La Neurona. El sustrato biológico.
• Modelos de neurona a distinto nivel de abstracción (a nivel de canales iónicos, multicompartimentales, simplificados).
• Aprendizaje. Adaptación sináptica.
• Proyecto del Cerebro Humano (HBP)

Procesamiento de información.

• Codificación de la información.
• Procesamiento de información con distintas codificaciones a nivel de impulsos nerviosos.

Centros nerviosos.

• Cerebelo.
• Tracto sensorial (tacto).
• Retina, Cóclea, etc.

Neuroingeniería        

• Interfaces neuroeléctricas (electrodos, estimulación/registro del tejido nervioso).
• Análisis de señales neuronales.
• Neuroprótesis.
• Prótesis de Retina, Prótesis Corticales sensoriales y motoras.
• Estimulación Cerebral Profunda (Deep Brain Stimulation)
• Interfaces cerebro-máquina (no invasivos).

Se desarrollarán prácticas de simulación neuronal y uso de interfaces cerebro-máquina.

• Simulación de una neurona de impulsos.
• Simulación de una red neuronal con aprendizaje.
• Estudio de los parámetros neuronales y sus características funcionales.

• Principles of Neural Science. Eric R. Kandel (Editor), James H. Schwartz (Editor), Thomas M. Jessell (Editor), Steven A. Siegelbaum (Editor), A. J. Hudspeth (Editor), 2012 (quinta Ed.).
• Spiking Neuron Models: Single Neurons, Populations, Plasticity by Wulfram Gerstner and Werner M. Kistler (Aug 26, 2002).
• Neuronal Dynamics: From Single Neurons to Networks and Models of Cognition by Wulfram Gerstner, Werner M. Kistler, Richard Naud and Liam Paninski (Aug 31, 2014).
• Thakor, N. V. (ed.) Handbook of neuroengineering. Springer. 2023.
• Wallisch P, et. al. Matlab for Neuroscientists. Associated Press, 2014.
• Berger, Th. Brain Computer Interfaces, Springer, 2008.

• N. R. Luque, F. Naveros, D. Sheynikhovich, E. Ros, A. Arleo. Computational epidemiology study of homeostatic compensation during sensorimotor aging. Neural Networks. 146. 316-333. 2022. DOI: https://doi.org/10.1016/j.neunet.2021.11.024
•  I. Abadía, F. Naveros, E. Ros, R. R. Carrillo, N. R. Luque.  A cerebellar-based solution to the nondeterministic time delay problem in robotic control. Science in Robotics, 6(58). 2021. DOI: https://doi.org/10.1126/scirobotics.abf2756
• M. Marín, M.J. Sáez-Lara, E. Ros, J. A. Garrido. Optimization of Efficient Neuron Models with Realistic Firing Dynamics. The case of the Cerebellar Granule Cell. Frontiers in Cellular Neuroscience, section Cellular Neurophysiology. 14:161. 2020. DOI: https://doi.org/10.3389/fncel.2020.00161
• Luque NR, Naveros F, Carrillo RR, Ros E and Arleo A (2019) Spike burst-pause dynamics of Purkinje cells regulate sensorimotor adaptation. PLoS Comput. Biol., 15(3): e1006298. 2019. DOI: https://doi.org/10.1371/journal.pcbi.1006298.
• F. Naveros, J.A. Garrido, R. R. Carrillo, E. Ros, N.R. Luque. Event- and Time-Driven Techniques Using Parallel CPU-GPU Co-Processing for Spiking Neural Networks. Frontiers in Neuroinformatics. 11:7. 2017. DOI: https://doi.org/10.3389/fninf.2017.00007
• A. Prieto, B. Prieto, E. Martinez-Ortigosa, E. Ros, F. Pelayo, J. Ortega, I. Rojas. Neural networks: An overview of early research, current frameworks and new challenges. Neurocomputing, 214:242–268, 2016. DOI: https://doi.org/10.1016/j.neucom.2016.06.014
• E. Ros, R. Carrillo, E. M. Ortigosa, B. Barbour, R. Agís, Event-driven simulation scheme for spiking neural networks using look-up tables to characterize neuronal dynamics, Neural Computation, 18(12), pp. 2959-2993, 2006. DOI: https://doi.org/10.1162/neco.2006.18.12.2959
• J.A. Garrido, E. Ros and E. D’Angelo, Spike timing regulation on the millisecond scale by distributed synaptic plasticity at the cerebellum input stage: a simulation study. Front. Comput. Neurosci. 7, 64.  2013. DOI: https://doi.org/10.3389/fncom.2013.00064
• J. A Garrido Alcazar, N. R. Luque, E. D‘Angelo, E. Ros, Distributed cerebellar plasticity implements adaptable gain control in a manipulation task: a closed-loop robotic simulation. Frontiers in Neural Circuits. 7, 159, 2013. doi: https://doi.org/10.3389/fncir.2013.00159
• M. A. López-Gordo, E. Fernández, S. Romero, F. Pelayo, A. Prieto. An auditory brain-computer interface evoked by natural speech. Journal of Neural Engineering. Vol. 9 2012. DOI: https://doi.org/10.1088/1741-2560/9/3/036013

https://ebrains.eu/

https://www.nest-initiative.org/

https://en.wikipedia.org/wiki/BCI2000 

El artículo 17 de la Normativa de Evaluación y Calificación de los Estudiantes de la Universidad de Granada establece que la convocatoria ordinaria estará basada preferentemente en la evaluación continua del estudiante, excepto para quienes se les haya reconocido el derecho a la evaluación única final.

Todo lo relativo a la evaluación se regirá por la normativa de evaluación y de calificación de los estudiantes de la Universidad de Granada. El sistema de calificaciones se expresará mediante calificación numérica de acuerdo con lo establecido en el art. 5 del R. D 1125/2003, de 5 de septiembre, por el que se establece el sistema europeo de créditos y el sistema de calificaciones en las titulaciones universitarias de carácter oficial y validez en el territorio nacional.

La metodología de evaluación por defecto según la normativa de la Universidad de Granada es la evaluación continua, que en el caso de esta asignatura se compone de los siguientes elementos:

• Elaboración y defensa de trabajo sobre un tema relacionado con el temario de la asignatura (Máx. 7 puntos)
• Ejercicios prácticos propuestos durante las sesiones de laboratorio (Máx. 3 puntos)

Si algún estudiante, por causa justificada, no puede realizar la presentación del trabajo o asistir a las clases, sesiones prácticas y/o seminario, deberá ponerse en contacto con los profesores para que se le proponga la realización de actividades compensatorias basadas en la investigación, obtención de información y desarrollo de ideas partiendo de las fuentes documentales accesibles para el estudiante sobre los contenidos de las diferentes clases y los ejercicios prácticos.

Alternativamente a la evaluación continua, el alumno puede optar por la evaluación única final (EUF) según lo dispuesto en la normativa de evaluación y de calificación de los estudiantes de la Universidad de Granada (http://secretariageneral.ugr.es/pages/normativa/ugr/ncg7121).

El artículo 19 de la Normativa de Evaluación y Calificación de los Estudiantes de la Universidad de Granada establece que los estudiantes que no hayan superado la asignatura en la convocatoria ordinaria dispondrán de una convocatoria extraordinaria. A ella podrán concurrir todos los estudiantes, con independencia de haber seguido o no un proceso de evaluación continua. De esta forma, el estudiante que no haya realizado la evaluación continua tendrá la posibilidad de obtener el 100% de la calificación mediante la realización de una prueba y/o trabajo.

En las convocatorias extraordinarias se utilizará la evaluación única final. La evaluación única final se realizará en un solo acto académico. Dicha prueba (evaluada de 0 a 10) incluirá pruebas tanto de tipo teórico como práctico relacionada con los contenidos de la asignatura.