Obiettivi
Il corso introduce i fondamenti teorici dell’affective computing, dei modelli emotivi e dei sistemi multimodali di riconoscimento delle emozioni, con applicazioni nell’interazione uomo-computer, nella sanità, nella neurotecnologia e nei sistemi intelligenti.

Conoscenza e capacità di comprensione
Lo studente apprenderà i fondamenti della conversione da analogico a digitale, acquisendo i concetti di campionamento, quantizzazione e rappresentazione digitale dei segnali, nonché i principali metodi di elaborazione dei segnali digitali, tra cui il filtraggio, la rimozione degli artefatti, l’estrazione delle caratteristiche, l’analisi tempo-frequenza e la caratterizzazione del segnale.
Lo studente comprenderà questi concetti prendendo in esame i segnali comunemente impiegati nell’informatica affettiva e nell’interazione uomo-macchina, con particolare enfasi sui segnali fisiologici ed elettrofisiologici, tra cui l’elettroencefalografia (EEG), l’attività elettrodermica (EDA/GSR), l’elettromiografia (EMG) e la fotopletismografia (PPG). Lo studente acquisirà inoltre conoscenze di base sull’elaborazione delle espressioni facciali e dei segnali vocali come modalità complementari per il riconoscimento multimodale delle emozioni.

Conoscenza e capacita di comprensione applicate
Attraverso lezioni frontali e attività di laboratorio, gli studenti impareranno come acquisire, pre-elaborare, analizzare e interpretare i segnali digitali.
Gli studenti implementeranno algoritmi per l’elaborazione dei segnali e l’estrazione di caratteristiche dai segnali digitali e svilupperanno semplici sistemi multimodali di riconoscimento delle emozioni.

Autonomia di giudizio
Attraverso attività di laboratorio e compiti assegnati, gli studenti impareranno a valutare criticamente diverse tecniche di elaborazione dei segnali e metodi di riconoscimento delle emozioni, selezionando approcci appropriati in base all’applicazione e alle caratteristiche dei segnali acquisiti.

Abilità comunicative
Gli studenti saranno incoraggiati a discutere le scelte metodologiche, i risultati sperimentali e le sfide pratiche incontrate durante le attività di laboratorio. Le capacità di comunicazione tecnica saranno valutate durante l’esame orale e la discussione dei compiti assegnati.

Capacità di apprendere
L’integrazione delle lezioni teoriche con le esperienze di laboratorio fornirà agli studenti le competenze pratiche necessarie per studiare in modo autonomo nuovi metodi di elaborazione dei segnali e applicazioni di affective computing.