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: |
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 |
