Dottorando Karolina Armonaite

Titolo di Laurea

• Master degree in Health management

Università presso cui è stato conseguito il titolo

• Università di Mykolas Romeris, Vilnius (Lituania)

Curriculum formativo

L’area della mia ricerca è quella delle neuroscienze computazionali che coinvolge l’applicazione alle neuroscienze di metodi matematici/statistici e tecniche di Machine Learning (ML). Lo scopo è quello di analizzare i dati encefalografici (EEG) come indicatori dell’attività cognitiva del sistema dinamico del cervello. Vogliamo studiare il funzionamento delle reti di neuroni cerebrali come un sistema complesso in condizioni di criticità e l’auto-organizzazione delle aree corticali.
Indagando la struttura dinamica multiscala delle reti neurali locali e globali vorremmo collegare tali dinamiche ai meccanismi biofisici generatori. Queste analisi hanno interesse non solo per applicazioni a scenari clinici (come ictus, malattia di Alzheimer, affaticamento nella sclerosi multipla, ecc.), ma anche in campo industriale, per esempio per lo sviluppo di brain-computer interface.

Informazioni generali sul corso di dottorato di afferenza

Informazioni relative al percorso di ricerca del Dottorando

Insegnamenti obbligatori scelti:

• Processi cognitivi e tecnologie (8 CFU)
• Informatica (12 CFU)
• Probabilità e statistica (6 CFU)
• Piattaforme per i Big Data (9 CFU)
• Intelligenza artificiale (9 CFU)

Insegnamenti a libera scelta

• Calcolo e algebra lineare (9 CFU)
• Metodi matematici per l'ingegneria (9 CFU)
• Discrete Mathematics (6 CFU)
• Fisica (9 CFU)
• Inglese tecnico – B2 (3 CFU)
• Big data Analytics and Visualization (6 CFU)
• Introduzione ai Big Data (9 CFU)
• Campi Elettromagnetici I (9 CFU)
• Campi Elettromagnetici II (9 CFU)

Progetto di ricerca

Obiettivi del progetto di ricerca intrapreso

Indagare la struttura dinamica multiscala delle reti neurali locali e globali del cervello e collegare tali dinamiche ai meccanismi biofisici ed allo svolgimento di compiti e calcoli cognitivamente gravosi.
Le ricerche dimostrano che anche nello stato di riposo, l'attività elettrica neuronale, la neurodinamica, è non stazionaria e non-lineare. Ciò significa che i segnali EEG possono mostrare modelli di organizzazione che ricorrono a diverse scale generando proprietà specifiche che possono essere identificate. Abbiamo studiato diverse misure della dimensione frattale dei segnali EEG, poiché l'esistenza a diverse scale di regolarità auto-simili del segnale determina che esse siano distribuite secondo un comportamento scale-free a legge di potenza. La dimensione frattale dei segnali EEG si è rivelata un marker affidabile dell'attività elettrica neuronale sottostante, sensibile ad alterazioni in scenari clinici come ictus, malattia di Alzheimer, affaticamento nella sclerosi multipla, ecc.

Linee di ricerca esplorate

Analisi armonica e frattale, studio di distribuzioni statistiche nel dominio del tempo e delle frequenze delle proprietà dei segnali EEG intracranici ed applicazione di metodi di machine learning per la classificazione di segnali neurofisiologici rilevati in diverse aree corticali.

Metodologie utilizzate

Principal Component Analysis, Machine Learning, Deep Neural Networks, Statistica, Fractality measures, Spectral analysis

Descrizione dei risultati del progetto conseguiti allo stato attuale

Usando analisi non-lineari sono emerse evidenze che le diverse aree corticali possono esprimere proprietà neurodinamiche distinte sia in condizioni di veglia che di sonno.

Seminari (seguiti o tenuti per almeno 4 CFU)

Conteggio N_Uditore-N_Relatore:1-6

• 18-25 June, 2022
  Neural Circuit Dynamics NSAS School 2022 (NSAS - Neuroscience School of Advanced Studies Advanced Courses), Isola di San Servolo, Venice, Italy, Director: Gyorgy Buzsaki (USA)

Attività di ricerca (fino a 38 CFU)

Prodotti di ricerca

• Karolina Armonaite, Livio Conti and Franca Tecchio, “Fractal nature of the ongoing neuronal electrical activity”, In “Fractal Geometry of the Brain”, Editor Antonio Di Ieva. To be published.