Циљ и исход предмета
Упознавање са карактеристикама и начином функционисања комплексног система у реалном времену, интерфејс мозак-рачунар. Овладавање техникама за мерење, обраду и класификацију електричног сигнала мозга као и његово претварање у перцептивни повраћај (у реалном времену) уз помоћ машинског учења. По завршетку курса студент познаје све елементе једног интерфејса мозак-рачунар, оспособљен је да користи алате како хардверске тако и софтверске како би се информације из мозга претвориле у перцептивни догађај.
Теоријска настава
Неурони, синапсе, електрични сигнал мозга. Мерни инструменти попут електроенцефалограма (ЕЕГ). Closed loop и open loop, biofeedback и neurofeedback. Парадигме као што су Motor Imagery, Event Related Potentials, Evoked Potentials. Интеракција више корисника, хипер-скенирање (hyperscanning). Примена у медицини, у гејминг индустрији, у спорту, у уметности, у паметним транспортним уређајима. Разлика између активног и пасивног интерфејса, и неуро-адаптивних уређаја. Неуро-маркетинг и неуро-етика. Утицај психолошког стања корисника на електричне сигнале па и на перформанс система. Зависност перформанси система од тренинга и учења корисника као и од машинског учења. Анализа и обрада сигнала, чишћење шума, специјални филтери, темпорални филтери, Калманов филтер, Фуријеова трансформација, конволуција, семпловање, epoching, издвајање потребних вектора за класификацију. Машинско учење – Linear Discriminant Analysis, Support Vector Machine. Lab Streaming Layer (LSL) протокол комуникације између уређаја и њихова синхронизација за перцептивни повраћај у реалном времену.
Практична настава
Практичан рад са ЕЕГ мерним инструментом. Снимање електричног сигнала мозга, обрада и класификација уз алат openViBE. Повезивање излаза класификације openViBE-а са перцептивним повраћајем нпр. унутар видео игре, уз помоћ LSL протокола.