Dauer:
1 Semester | Angebotsturnus:
Jedes Sommersemester | Leistungspunkte:
6 |
Studiengang, Fachgebiet und Fachsemester: - Master Medizinische Informatik 2014 (Wahlpflicht), Medical Data Science / Künstliche Intelligenz, 1. oder 2. Fachsemester
- Master Medizinische Informatik 2019 (Pflicht), Medical Data Science / Künstliche Intelligenz, 1. oder 2. Fachsemester
|
Lehrveranstaltungen: - CS4352-P: Medical Data Science für Assistive Gesundheitstechnologien (Praktikum, 1 SWS)
- CS4352-Ü: Medical Data Science für Assistive Gesundheitstechnologien (Übung, 2 SWS)
- CS4352-V: Medical Data Science für Assistive Gesundheitstechnologien (Vorlesung, 2 SWS)
| Workload: - 75 Stunden Präsenzstudium
- 65 Stunden Selbststudium
- 40 Stunden Prüfungsvorbereitung
| |
Lehrinhalte: | - Einführung in Medical Data Science für assistive Gesundheitstechnologien
- Generelle Vorgehensweise bei der Erkennung menschlicher Aktivitäten
- Integration und Synchronisation von multiplen Sensoren
- Merkmalslernen aus multimodalen Sensordaten
- Überwachte Klassifikation von multimodalen Sensordaten
- Generelle Vorgehensweise bei der sensorbasierten Innenlokalisierung
- Statistische Repräsentation von multimodalen Sensordaten
- Rekursive Schätzung einer Wahrscheinlichkeitsdichte
- Zustandsschätzung mithilfe von Particle Filtering
- Generelle Vorgehensweise bei der Analyse von Schlaflabordaten
- Ansätze zur Erweiterung von multimodalen Zeitreihen
- Transferlernen für die Klassifikation von Zeitreihen
- Erklärbare Methoden maschinellen Lernens
- Demonstratoren aus aktuellen Forschungsprojekten
- Zusammenfassung und Schlussfolgerungen
| |
Qualifikationsziele/Kompetenzen: - Studierende haben einen Überblick über bekannte, assistive Gesundheitstechnologien und können ihren Einsatz medizinisch motivieren.
- Studierende kennen die generelle Vorgehensweise bei der Erkennung menschlicher Aktivitäten.
- Studierende kennen ausgewählte Verfahren für die Integration und Synchronisation von multiplen Sensoren.
- Studierende kennen ausgewählte Verfahren zum Merkmalslernen und können sie in einer Programmiersprache umsetzen.
- Studierende kennen ausgewählte Klassifikationsverfahren für multimodale Sensordaten und können sie in einer Programmiersprache umsetzen.
- Studierende kennen die generelle Vorgehensweise bei der sensorbasierten Innenlokalisierung.
- Studierende kennen ausgewählte Modelle zur statistischen Repräsentation von multimodalen Sensordaten und können sie in einer Programmiersprache umsetzen.
- Studierende kennen die Theorie der rekursiven Schätzung einer Wahrscheinlichkeitsdichte.
- Studierende kennen das Verfahren Particle Filtering und können es in einer Programmiersprache umsetzen.
- Studierende kennen die generelle Vorgehensweise bei der Analyse von Schlaflabordaten.
- Studierende kennen ausgewählte Ansätze zur Erweiterung von multimodalen Zeitreihen und können sie in einer Programmiersprache umsetzen.
- Studierende kennen ausgewählte Transferlernverfahren für die Klassifikation von Zeitreihen.
- Studierende kennen ausgewählte Methoden des erklärbaren, maschinellen Lernens.
- Studierende kennen die Zielsetzung und Funktionsweise von Softwaresystemen aus ausgewählten, aktuellen Forschungsprojekten.
- Studierende kennen die gesellschaftliche Relevanz von assistiven Gesundheitstechnologien.
|
Vergabe von Leistungspunkten und Benotung durch: |
Modulverantwortlicher: Lehrende: |
Literatur: - Peter J. Brockwell and Richard A. Davis: Introduction to Time Series and Forecasting - ISBN: 978-3-319-29852-8
- Marcin Grzegorzek: Sensor Data Understanding - ISBN: 978-3-8325-4633-5
- Andrew R. Webb: Statistical Pattern Recognition - ISBN: 978-0-470-68228-9
- Sergios Theodoridis and Konstantinos Koutroumbas: Pattern Recognition - ISBN: 978-1-597-49272-0
- Heinrich Niemann: Klassifikation von Mustern - ISBN: 978-3-642-47517-7
- Marcin Grzegorzek: Appearance-Based Statistical Object Recognition Including Color and Context Modeling - ISBN: 978-3-8325-1588-1
- Muhammad Adeel Nisar: Sensor-Based Human Activity Recognition for Assistive Health Technologies - ISBN: 978-3-8325-5571-9
- Frédéric Li: Deep Learning for Time-series Classification Enhanced by Transfer Learning Based on Sensor Modality Discrimination - ISBN: 978-3-8325-5396-8
- Frank Ebner: Smartphone-Based 3D Indoor Localization and Navigation - ISBN: 978-3-8325-5232-9
- Xinyu Huang: Sensor-Based Sleep Stage Classification Using Deep Learning - ISBN: 978-3-8325-5617-4
|
Sprache: - Sowohl Deutsch- wie Englischkenntnisse nötig
|
Bemerkungen:Zulassungsvoraussetzungen zur Belegung des Moduls: - Keine Zulassungsvoraussetzungen zur Teilnahme an Modul-Prüfung(en): - Erfolgreiche Bearbeitung von Übungs- und Praktikumsaufgaben gemäß Vorgabe am Semesteranfang Modulprüfung(en): - CS4352-L1: Medical Data Science für Assistive Gesundheitstechnologien, Mündliche Prüfung, 100% der Modulnote |
Letzte Änderung: 22.3.2023 |
für die Ukraine