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: Internet of Things (IoT)
„Semantische Technologien zur Unterstützung komplexer MQTT-basierter IoT-Umgebungen„
Beschreibung:
MQTT-Topics und Nachrichtenstrukturen sind in der Praxis häufig stark anwendungsspezifisch und folgen oftmals herstellerspezifischen Namenskonventionen. Topics werden typischerweise als hierarchische Pfade organisiert (z. B. productionline1/machineA/dht22/temperature/rfid98765), während Nachrichteninhalte als JSON-Strukturen übermittelt werden können. Metadaten zu Sensoren, Geräten oder Messkontexten können sowohl in den Topics als auch in den Nachrichten enthalten sein.
Die semantische Verknüpfung von MQTT-Topics und Nachrichteninhalten mit formalen Beschreibungen des zugrunde liegenden Sensornetzwerks eröffnet neue Möglichkeiten für die Analyse von Datenströmen sowie für die automatisierte, semantikbasierte Konfiguration von IoT-Systemen.
Ziel dieser Abschlussarbeit ist es, zu untersuchen, inwiefern semantische Technologien zur Modellierung, Integration und Analyse komplexer MQTT-basierter IoT-Umgebungen beitragen können. Dabei sollen bestehende Ansätze praktisch angewendet, erweitert und hinsichtlich ihres Nutzens bewertet werden.
Als Grundlage dienen insbesondere folgende Ontologie und Framework:
https://github.com/doernern/MQTT4SSNOntology
https://github.com/doernern/MQTT2RDF
Mindestanforderungen:
Grundlegende Programmierkenntnisse, Grundkenntnisse Ontologien, hohe Motivation, gute Kommunikationsfähigkeit
Geeignet für:
MA-S, MA
Betreut durch:
Niklas Dörner, [email protected]
Themenfeld: Gesundheitswesen
„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: 23. März 2026