Modul CS4353-KP07

Dauer

1 Semester

Angebotsturnus

Jedes Wintersemester beginnend

Leistungspunkte

7

Studiengang, Fachgebiet und Fachsemester:

• Master Hörakustik und Audiologische Technik 2022, Vorkenntnisabhängiges Pflichtmodul, Vorkenntnisabhängiges Pflichtmodul, 1. Fachsemester

Lehrveranstaltungen:

• CS4353-Ü: Medical Data Science (Übung, 4 SWS)
• CS4353-V: Medical Data Science (Vorlesung, 2 SWS)

Workload:

• 50 Stunden Prüfungsvorbereitung
• 70 Stunden Selbststudium
• 90 Stunden Präsenzstudium

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 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:

• Übungsaufgaben, Projekt sowie mündliche Prüfung oder Klausur

Modulverantwortliche:

• Prof. Dr.-Ing. Marcin Grzegorzek

Lehrende:

• Institut für Medizinische Informatik
• Prof. Dr.-Ing. Marcin Grzegorzek

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:

• Deutsch oder Englisch

Bemerkungen:

Letzte Änderungen:

30.09.2025