Website
Modulhandbuch Master Medizinische Informatik ab WS 2019/20

Modul CS4352-KP06

Medical Data Science für Assistive Gesundheitstechnologien (MDS4AGT)

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:
  • 40 Stunden Prüfungsvorbereitung
  • 65 Stunden Selbststudium
  • 75 Stunden Präsenzstudium
Lehrinhalte:
  • Einführung
  • Generelle Vorgehensweise beim sensorbasierten Monitoring von Menschen (Szenario 1: Aktivitätserkennung)
  • Software-Architektur fürs sensorbasierte Monitoring von Menschen (Szenario 1: Aktivitätserkennung)
  • Merkmalslernen aus multimodalen Sensordaten (Szenario 1: Aktivitätserkennung)
  • Überwachte Klassifikation mithilfe der Support Vector Machine (Szenario 1: Aktivitätserkennung)
  • Generelle Vorgehensweise bei der sensorbasierten Innenlokalisierung (Szenario 2: Innenlokalisierung)
  • Statistische Repräsentation von multimodalen Sensordaten (Szenario 2: Innenlokalisierung)
  • Rekursive Schätzung einer Wahrscheinlichkeitsdichte (Szenario 2: Innenlokalisierung)
  • Zustandsschätzung mithilfe von Particle Filtering (Szenario 2: Innenlokalisierung)
  • Generelle Vorgehensweise bei der Interpretation von Schlaflabordaten (Szenario 3: Schlafmedizin)
  • Vorverarbeitung und Fusion von Zeitreihen (Szenario 3: Schlafmedizin)
  • Repräsentation und Klassifikation von Zeitreihen mithilfe neuronaler Netze (Szenario 3: Schlafmedizin)
  • Nachvollziehbarkeit von komplexen, neuronalen Netzen (Szenario 3: Schlafmedizin)
  • 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 beim sensorbasierten Monitoring von Menschen.
  • Studierende kennen die Software-Architektur fürs sensorbasierte Monitoring von Menschen.
  • Studierende kennen ausgewählte Verfahren zum Merkmalslernen und können sie in einer Programmiersprache umsetzen.
  • Studierende kennen den Klassifikationsalgorithmus Support Vector Machine und können ihn 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 Interpretation von Schlaflabordaten.
  • Studierende kennen ausgewählte Verfahren zur Vorverarbeitung und Fusion von Zeitreihen und können sie in einer Programmiersprache umsetzen.
  • Studierende kennen das Verfahren der neuronalen Netze zur Repräsentation und Klassifikation von Zeitreihen und können es in einer Programmiersprache umsetzen.
  • Studierende können qualitative und quantitative Aussagen zur Nachvollziehbarkeit von komplexen, neuronalen Netzen machen.
  • 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:
  • Klausur
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
Sprache:
  • Sowohl Deutsch- wie Englischkenntnisse nötig
Bemerkungen:

Zulassungsvoraussetzungen zur Belegung des Moduls:
- Keine

Zulassungsvoraussetzungen zur Teilnahme an Modul-Prüfung(en):
- Erfolgreiche Bearbeitung von kleineren Programmierprojekten gemäß Vorgabe am Semesteranfang

Modulprüfung(en):
- CS4352-L1: Medical Data Science für Assistive Gesundheitstechnologien, Klausur, 120min, 100% der Modulnote

Letzte Änderung:
20.9.2021