Der Studierende / die Studierende entwickeln Lösungen, welche mit Hilfe von künstlicher Intelligenz in der Lage sein soll, Messreihen auszuwerten sowie Druckbelastungen bzw. Bewegungsmuster zu erkennen.
Bezug zum Thema Data Science
Die Analyse von Messsequenzen unter Anwendung von Verfahren des maschinellen Lernens mit vorangehender Generierung geeigneter Trainingsdaten sind wichtige Bausteine der Data Science.
Verfügbare Ressourcen
- Die Fuß-Sensorik in passender Schuhgröße kann beschafft werden. Größe 43 ist bereits vorhanden.
- Die / der Studierende erhält Zugriff auf die Infrastruktur des Center for Applied Data Science (CfADS), wie z.B. einen leistungsstarken Computercluster auf Basis eines Hadoop-Frameworks.
Projektplan
Erstes Semester: Einarbeitung in die Messsoftware und das Themengebiet. Sammeln notwendiger Informationen für weitere Arbeitsschritte. Die Erstellung eines Forschungsexposès ist Prüfungsleistung.
Zweites Semester: Entwurf einer Methode zur Generierung von geeigneten Trainingsdaten. Erstellung von Algorithmen zur Analyse von Messreihen. Recherche zu relevanten Arbeiten im Themenumfeld der Druckmessung von Personen mit diabetischem Fuß-Syndrom.
Drittes Semester: Weiterentwicklung der Algorithmen. Anwendung und Umsetzung von Methoden des maschinellen Lernens, insbesondere Neuronale Netze oder Gaußsche Prozessmodelle.
Viertes Semester: Entwicklung und Evaluation der ML-Verfahren zur Analyse und Darstellung von Messreihen aus der Fußdruck-Messung. Erzeugung von Prognosen auf Basis der Modelle. Die Modelle sollen in der Lage sein, Bewegungsmuster zu erkennen und auf Überbelastungen hinweisen.
Eignungskriterien
Zwingend:
- Grundkenntnisse in der Informatik
- Programmierkenntnisse in Python oder Matlab
- Teamfähigkeit und Interesse an wissenschaftlicher Arbeit
- Selbstständige Arbeitsweise
Optional:
- Kenntnisse in Bereichen des maschinellen Lernens
- Kenntnisse über entsprechende Bibliotheken und Pakete für Data Science in Python.
Erwerbare Kompetenzen
- Erfahrung und Kompetenz zur Generierung und Beurteilung geeigneter Trainingsdaten
- Erstellen von Analyseergebnissen
- Erfahrung in der Anwendung von Methoden aus dem Deep Learning
- Wissenschaftliches Arbeiten, Schreiben und Präsentieren