Unsere Professur bietet Studierenden eine Reihe spannender Abschlussarbeiten, die einen wesentlichen Beitrag zu laufenden Forschungsprojekten leisten. Melden Sie sich bitte bei Interesse an den gelisteten Betreuer. Wir freuen uns auf die Zusammenarbeit!
BA-S: Bachelorseminararbeit
BA: Bachelorarbeit
MA-S: Masterseminararbeit
MA: Masterarbeit
Themenfeld: Gesundheitswesen
„Literaturarbeit: Multiagentensysteme für ein verbessertes Diabetesmanagement“
Beschreibung:
Das Ziel dieser Arbeit ist die systematische Untersuchung des Einsatzes von Multiagentensystemen und (teil-)autonomen, auf Large Language Models (LLMs) basierenden Systemen zur Verbesserung der Diabeteserkennung und des Diabetesmanagements. Im Rahmen der Arbeit soll zunächst eine systematische Literaturrecherche zu bestehenden Ansätzen, Architekturen und Frameworks durchgeführt werden. Dabei sollen insbesondere die Aufgabenverteilung zwischen den einzelnen Agenten, deren Kommunikation sowie die unterschiedlichen Grade der Autonomie untersucht werden. Anschließend sollen bestehende Forschungsansätze verglichen sowie aktuelle Herausforderungen analysiert und identifiziert werden.
Mindestanforderungen:
Hohe Motivation, gute Kommunikationsfähigkeit
Geeignet für:
BA, BA-S, MA-S
Betreut durch:
Beyza Cinar, [email protected]
„Literaturarbeit: Modellierung des menschlichen Metabolismus“
Beschreibung:
Das Ziel dieser Arbeit ist die Untersuchung bestehender Methoden zur Modellierung des menschlichen Metabolismus. Im Rahmen der Arbeit soll zunächst eine Literaturrecherche zu verschiedenen Modellierungsansätzen durchgeführt werden. Ein besonderer Fokus liegt auf der individualisierten Modellierung metabolischer Prozesse unter Berücksichtigung verschiedener Einflussfaktoren wie Alter, Gesundheitszustand, körperliche Aktivität und bestehende Erkrankungen. Dabei sollen insbesondere die Unterschiede zwischen gesunden, körperlich aktiven Personen und Patienten mit Stoffwechselerkrankungen betrachtet werden. Anschließend sollen die identifizierten Ansätze hinsichtlich ihrer Anwendbarkeit, Individualisierbarkeit und Limitationen verglichen werden.
Mindestanforderungen:
Hohe Motivation, gute Kommunikationsfähigkeit
Geeignet für:
BA, BA-S, MA-S
Betreut durch:
Beyza Cinar, [email protected]
„Fusion multimodaler Daten unterschiedlicher Frequenzen“
Beschreibung:
Das Ziel dieser Arbeit ist die Fusion zweier Sensorwerte (Herzrate und Glukose), die mit unterschiedlichen Frequenzen aufgenommen wurden. Während die Glukosewerte alle 5 Minuten gemessen wurden, variiert die Abtastrate der Herzfrequenz je nach Patienten (z. B. 1 Sekunde, 5 Sekunden oder 1 Minute). Im Rahmen der Arbeit soll zunächst eine systematische Literaturrecherche zu bestehenden Methoden der Datenfusion im medizinischen Kontext durchgeführt werden (z. B. Aggregationsverfahren wie Mittelwert- oder Medianbildung über definierte Zeitfenster). Anschließend sollen diese Methoden auf einen Datensatz von 51 Patienten angewendet werden, um ein binäres Modell zur Erkennung von Hypoglykämie zu trainieren und zu evaluieren. Ein zentrales Ziel der Arbeit ist der qualitative Vergleich der untersuchten Fusionsmethoden, um die besseren Methoden zu identifizieren.
Mindestanforderungen:
Basiswissen in Python-Programmierung, hohe Motivation, gute Kommunikationsfähigkeit
Geeignet für:
MA-S, MA
Betreut durch:
Beyza Cinar, [email protected]
„Maschinelle Lernverfahren für die kurzzeitige binäre Hypoglykämie-Klassifizierung“
Beschreibung:
Ziel dieser Arbeit ist es, einen Benchmark für die binäre Hypoglykämie-Erkennung auf Basis des DiaData Datensatzes zu etablieren. Hierzu sollen verschiedene State-of-the-Art maschinelle Lernmodelle systematisch miteinander verglichen werden, um Hypoglykämie-Ereignisse bis zu 120 Minuten im Voraus vorherzusagen.
Darüber hinaus soll untersucht werden, welche Feature-Sets für die jeweiligen Modelle am besten geeignet sind, wobei ein minimales Set an Features vorgegeben wird. Die Bewertung der Modelle erfolgt anhand relevanter Metriken, insbesondere Recall und F1-Score, um die leistungsfähigste Methode zu identifizieren.
Mindestanforderungen:
Basiswissen in Python-Programmierung und maschinellem Lernen, hohe Motivation, gute Kommunikationsfähigkeit
Geeignet für:
MA
Betreut durch:
Beyza Cinar, [email protected]
„Einfluss altersabhängiger Datenunterschiede auf die KI-basierte Hypoglykämie-Erkennung bei Kindern“
Beschreibung:
Ziel dieser Arbeit ist die Untersuchung, inwieweit altersabhängige Unterschiede in den Daten die Leistung von KI-basierten Modellen zur Hypoglykämie-Vorhersage bei Kindern (0–13 Jahre) beeinflussen. Insbesondere soll analysiert werden, ob ein gemeinsames Modell für Kinder geeignet ist oder ob eine getrennte Modellierung für jüngere Kinder (0–6 Jahre) und ältere Kinder (6–13 Jahre) zu besseren Ergebnissen führt.
Hierzu sollen die verfügbaren Daten zunächst statistisch und visuell analysiert werden, um altersabhängige Unterschiede zu identifizieren. Anschließend sollen drei verschiedene Modelle mit unterschiedlichen Patientengruppierungen trainiert und auf identischen Testdaten evaluiert werden, um die Vergleichbarkeit der Ergebnisse sicherzustellen.
Mindestanforderungen:
Basiswissen in Python-Programmierung und in der statistischen Datenanalyse, hohe Motivation, gute Kommunikationsfähigkeit
Geeignet für:
MA
Betreut durch:
Beyza Cinar, [email protected]
„Analyse statistischer Patientenprofil-Metriken zur Personalisierung von Machine-Learning-Modellen„
Beschreibung:
Entwicklung einer statistischen Patientenprofil-Matrix, die individuelle Merkmale (z. B. Mittelwert, Standardabweichung, Varianz und weitere Verteilungsmerkmale) aus Sensor- oder Sequenzdaten jedes Patienten erfasst. Ziel ist es, neue Sequenzen Patienten zuzuordnen, ohne explizit auf Patientenkennungen (PtID) zurückzugreifen.
Auf Basis dieser Matrix wird ein Machine-Learning-Klassifikationsmodell trainiert, das diese statistischen Profile als implizite Identifikatoren nutzt. Es soll untersucht werden, ob die Einbeziehung patientenspezifischer statistischer Merkmale die Modellleistung im Vergleich zu Basismodellen verbessert, die individuelle Unterschiede nicht berücksichtigen.
Zugrunde liegende Forschungsfragen sind: Wie stark unterscheiden sich diese Merkmale zwischen einzelnen Individuen? Welche statistischen Merkmale in einem Datensatz helfen dem Modell, zu erkennen, zu welchen Patienten Daten gehören, oder zumindest, dass sie zu einem anderen Patienten gehören?
Mindestanforderungen:
Programmierkenntnisse (Grundlagen Python), Statistikkenntnisse auf Schulniveau, hohe Motivation, gute Kommunikationsfähigkeit
Geeignet für:
MA-S, MA
Betreut durch:
Beyza Cinar, [email protected]
Vaibhav Gupta, [email protected]
Themenfeld: Datenimputation
„Analyse von Evaluationsmetriken für den Rekonstruktionsverlust bei Imputationstechniken“
Beschreibung:
Dieses Projekt konzentriert sich auf die Bewertung von Imputationstechniken zur Behandlung fehlender Werte in Gesundheitsdatensätzen. Die Leistung dieser Techniken, insbesondere im Hinblick auf den Rekonstruktionsverlust, wird üblicherweise mithilfe verschiedener Evaluationsmetriken wie RMSE, MAPE und ähnlicher Maße beurteilt.
Ziel der Arbeit ist es, eine umfassende State-of-the-Art-Analyse von Evaluationsmetriken in diesem Bereich durchzuführen, einschließlich Metriken zur Vorhersagegenauigkeit, statistischer Ähnlichkeitsmaßen sowie Metriken zur Erhaltung von Mustern. Im Rahmen des Projekts werden mehrere Imputationstechniken auf ausgewählte Gesundheitsdatensätze angewendet und anschließend systematisch mithilfe verschiedener Metriken bewertet. Die Studie vergleicht, wie effektiv diese Metriken die Qualität der Imputation erfassen, und hebt ihre Stärken und Schwächen in realen Anwendungsszenarien im Gesundheitsbereich hervor.
Mindestanforderungen:
Programmierkenntnisse (Grundlagen), hohe Motivation, gute Kommunikationsfähigkeit
Geeignet für:
MA-S, MA
Betreut durch:
Vaibhav Gupta, [email protected]
Themenfeld: Stresserkennung
„Kontextuelle Annotation von Aktivitäten mithilfe von GPS- und Beschleunigungsdaten“
Beschreibung:
Gesundheitsanwendungen, die tragbare Geräte wie Smartwatches nutzen, um den Gesundheitszustand von Personen zu bestimmen, werden zunehmend populär – sowohl als kommerzielle Produkte als auch als Gegenstand wissenschaftlicher Forschung. Die Forschung im Bereich der affektiven Informatik konzentriert sich häufig auf Laborstudien, um bestimmte kognitive oder emotionale Zustände zu rekonstruieren. Daten aus realitätsnäheren Szenarien sind hingegen oft begrenzt, da detaillierte Annotationen und Labels fehlen.
Solche fehlenden Labels können kontextuelle Informationen umfassen, etwa den Aufenthaltsort oder die aktuell ausgeübte Aktivität einer Person – beides kann entscheidend sein, um die kognitive Belastung zu verstehen (z. B. Arbeitsweg, Arbeitsplatz, Universität, Sportstätte usw.). Die Rekonstruktion solcher Labels aus vorhandenen Daten, etwa GPS- oder Beschleunigungsdaten, könnte dabei helfen, affektive oder kognitive Zustände von Personen zu modellieren.
Ziel dieses Projekts ist es, einen Überblick über aktuelle Methoden zur Erkennung menschlicher Aktivitäten (Human Activity Recognition) zu geben und ein Modell zu implementieren, das kontextuelle Labels effizient rekonstruiert.
Mindestanforderungen:
Programmierkenntnisse (Grundlagen bis Mittelstufe), hohe Motivation, gute Kommunikationsfähigkeit
Geeignet für:
BA, MA
Betreut durch:
Paul Schreiber, [email protected]
„State Learning aus multivariaten biomedizinischen Zeitreihendaten“
Beschreibung:
Diese Abschlussarbeit untersucht, wie sich aussagekräftige latente „Patientenzustände“ aus multivariaten biomedizinischen Zeitreihen (z. B. Wearable-Daten) mithilfe von kontrastivem selbstüberwachtem Lernen ableiten lassen. Ziel ist es, zeitliche Segmente in kompakte Repräsentationen zu kodieren, die zugrunde liegende physiologische Dynamiken erfassen und zugleich robust gegenüber Rauschen, fehlenden Daten und interindividueller Variabilität sind.
Neben dem selbstüberwachten Pretraining werden die gelernten Repräsentationen anhand nachgelagerter überwachter Klassifikationsaufgaben (z. B. Krankheitserkennung, Ereignisvorhersage) evaluiert. Dadurch kann überprüft werden, ob die gelernten Zustände die Leistung im Vergleich zu rein überwachtem Lernen verbessern. Im Rahmen des Projekts werden verschiedene kontrastive Lernstrategien verglichen und analysiert, wie gut die resultierenden Zustandsrepräsentationen über verschiedene Personen und Aufgaben hinweg generalisieren. Das Ergebnis umfasst sowohl einen methodischen Beitrag als auch eine empirische Evaluation auf realen biomedizinischen Datensätzen.
Mindestanforderungen:
Programmierkenntnisse (Grundlagen bis Mittelstufe), hohe Motivation, gute Kommunikationsfähigkeit
Geeignet für:
BA, MA
Betreut durch:
Paul Schreiber, [email protected]
Letzte Änderung: 12. November 2026