Kontexterkennung (Verhalten, Zustand, Umgebung, Ort) in kontinuierlichen Zeitreihen von mobilen und ubiquitären Systemen, Wearables. Erkennung von komplexen Alltagsverhalten wie Ernährung, Stress, Bewegung, z.B. in EU H2020 ACROSSING.
Entwicklung von ML-basierten Schätzalgorithmen für neue/bestehende Gesundheitsmarker/digitale Biomarker aus Kombination von klinischen Diagnosedaten sowie mobilen Systemen, Wearables. Ansatz: Fusion von Daten- und Expertenmodellen
Digitale Modellierung und Simulation von körpergetragenen/Wearable-Systemen und ML-Algorithmen zur Schätzung von digitalen Biomarkern. ML-driven digital fabrication.
Grundlagenforschung
Spezifische ML-Methoden für Kontexterkennung, primär in Zeitreihendaten, z.B. Pattern Spotting mit neuartigen Hidden-Markov-Netzen.
Dynamische Ressourcenoptimierung von Mustererkennungsalgorithmen für eingebettete Wearable Systeme, z.B. adaptive Samplingmethoden, Random Sampling.
Unüberwachte Mustersuchmethoden für große Datensätze, z.B. Bayesian Rule Mining.
AI in Medicine
Grundlagenforschung
Kontakt: