Hier finden Sie sämtliche von unserer Professur veröffentlichten Ressourcen, die Ihnen zum Download bereitstehen. Wir freuen uns, wenn die bereitgestellten Materialien in Forschung, Lehre und Studium genutzt, weiterentwickelt und zitiert werden. Über Ihr Feedback sowie eine rege Verwendung in wissenschaftlichen Arbeiten und Studienprojekten freuen wir uns besonders.
DiaData: A Multi-Modal, Integrated Time-Series Dataset for Type 1 Diabetes Research
„Gewinnen Sie neue Einblicke in Typ-1-Diabetes mit DiaData: dem ersten großen, integrierten CGM-Datensatz, der reale Glukoseverläufe mit vielseitigen Forschungsanwendungen verbindet.„
DiaData ist der erste große, umfassend integrierte CGM-Datensatz für die Forschung zu Typ-1-Diabetes. DiaData kombiniert 13 Datensätze mit Glukosemessungen von 1720 Personen mit T1D aus unterschiedlichen Altersgruppen. Die Daten wurden in 5-Minuten-Intervallen erfasst und stehen zusätzlich in 15-Minuten-Intervallen zur Verfügung. Der Hauptdatensatz enthält CGM-Messungen aller 1720 Personen. Daraus werden drei Teildatensätze extrahiert: Subdatabase I umfasst CGM-Werte und demografische Daten, Subdatabase II umfasst CGM- und Herzfrequenzdaten, während Subdatabase III CGM-Werte sowie persönliche Daten wie Geschlecht, Alter, ethnische Zugehörigkeit, Größe, Gewicht, Alter bei der Diagnose und HbA1c-Werte enthält.
ARACHNE: An Open Multimodal Dataset of Physiological, Behavioral, and Subjective Anxiety Responses for Spider Phobia
„Angst verstehen durch Physiologie, Verhalten und virtuelle Realität.„
Dieser Datensatz enthält multimodale physiologische, verhaltensbezogene und subjektive Daten von Personen mit Spinnenphobie während realer und virtueller Behavioural Avoidance Tasks (BATs). Er umfasst kontinuierliche Messungen von Herzaktivität, Hautleitfähigkeit, Temperatur und Bewegung sowie subjektive Angstbewertungen und Kontextinformationen. Der Datensatz eignet sich für die Erforschung von Angst, Emotionserkennung, affektivem Computing, digitalen Biomarkern und maschinellem Lernen im Bereich der psychischen Gesundheit.
MontoFlow: A Semantic Framework for Maritime Sensor Data and Ontology-Based Diagnostics
„Semantische Integration maritimer Sensordaten für intelligente Diagnostik und Echtzeitanalysen.„
MontoFlow ist ein offenes semantisches Framework zur Integration und Modellierung maritimer Sensordaten. Im Zentrum steht die SHIP Ontology, eine domänenspezifische Erweiterung der W3C-Standards SSN/SOSA, die Schiffskomponenten, Sensoren und deren Beobachtungen formal beschreibt. Das Framework kombiniert statische Ontologie-Instanziierung mit dynamischer Ontology-Based Data Access (OBDA), sodass Echtzeit-Sensordaten ohne aufwendige RDF-Materialisierung semantisch abgefragt werden können. Dadurch unterstützt MontoFlow Anwendungen wie Anomalieerkennung, Condition Monitoring, Predictive Maintenance und erklärbare KI und bietet eine wiederverwendbare, erweiterbare Grundlage für maritime Diagnostik sowie weitere sensorbasierte Domänen.
AISHIP: A Maritime Ontology for Vessel Representation and Data Integration
„Die semantische Grundlage für maritime Schiffsdaten, Datenintegration und intelligente Analysen.„
AISHIP ist eine maritime Ontologie zur semantischen Integration heterogener Schiffsdaten. Sie erweitert die bestehende VesselAI-Ontologie um detaillierte Schiffsmerkmale, erweiterte Trajektoriendaten, multimodale Schiffsrepräsentationen sowie eine umfassende Modellierung von Antriebs- und Propulsionssystemen. Durch die Vereinheitlichung unterschiedlicher Datenquellen schafft AISHIP eine gemeinsame semantische Grundlage für Anwendungen wie Schiffsverhaltensanalyse, Flottenmanagement, Search-and-Rescue und Maritime Digital Twins und unterstützt interoperable, wiederverwendbare maritime Wissensmodelle.
MQTT4SSN: Eine Ontologie für semantische MQTT-Kommunikation
„Semantische Modellierung der MQTT-Kommunikation in verteilten Produktionsumgebungen.“
MQTT4SSN ist eine Ontologie zur semantischen Beschreibung des MQTT-Nachrichtenprotokolls und der darüber übertragenen Daten. Modelliert werden unter anderem Broker und Clients, MQTT-Control-Pakete und deren Nutzdaten, Topics sowie die Beziehungen zwischen diesen Elementen. Darüber hinaus verknüpft sie MQTT-Topic-Strukturen mit SSN/SOSA. MQTT4SSN schafft damit eine interoperable und wiederverwendbare Grundlage, um Kommunikation, Sensorbeobachtungen und Steuerbefehle gemeinsam in Wissensgraphen abzubilden und semantisch auszuwerten.
MQTT2RDF: Ein semantisches Integrationsframework für MQTT-Datenströme
„Von Live-MQTT-Kommunikation über RDF-basierte Wissensgraphen bis hin zu semantischen End-zu-End-Analysen.“
MQTT2RDF ist ein wiederverwendbares semantisches Integrationsframework, das laufenden MQTT-Verkehr erfasst und mithilfe der MQTT4SSN-Ontologie in RDF-basierte Wissensgraphen überführt. Dabei unterstützt es die Verarbeitung heterogener Nutzdatenformate und Zeichenkodierungen und ermöglicht eine durchgängige semantische Analyse von der MQTT-Nachricht bis zum resultierenden Wissensgraphen. MQTT2RDF bietet damit eine wiederverwendbare und reproduzierbare Grundlage für die semantische Integration und Auswertung von MQTT-Datenströmen.
PRISM: Ein multimetric-basiertes Framework zur Bewertung der Rekonstruktion von Sensordaten
„Verwandeln Sie verschiedene Fehlermetriken mit PRISM in einen aussagekräftigen Gesamtscore – ein überwachtes Benchmark zur Entwicklung einheitlicher Bewertungsmetriken für die Imputation physiologischer Signale.“
PRISM ist ein Benchmark-Datensatz, der die Bewertung der Imputationsqualität als überwachtes Regressionsproblem neu definiert und Aufzeichnungen physiologischer Signale (Herzfrequenz) von Wearables aus zwei öffentlich zugänglichen Quellen – D1NAMO (9 Patienten) und den Daten des BIG IDEAS Lab Glycemic Variability and Wearable Device Data (16 Patienten) – zu einer einzigen standardisierten Bewertungsressource zusammenführt. In vollständige, vorverarbeitete Herzfrequenzaufzeichnungen wurden künstliche Lücken von 5 und 15 Minuten Dauer eingefügt und unabhängig voneinander mit drei statistischen Imputationsverfahren rekonstruiert: lineare Interpolation, kubische Interpolation und stückweise kubische Hermite-Interpolationspolynome (PCHIP). Jede Zeile entspricht einem imputierten Herzfrequenzsegment und enthält fünf komplementäre Eingabemerkmale, die sowohl die Rekonstruktionsgenauigkeit als auch die Ähnlichkeit der Verteilung erfassen: RMSE, MAE, MAPE, Cohen-Distanztest (CDT) und Jensen-Shannon-Distanz (JSD), zusammen mit einem Zielwert für die Fehlklassifizierungsrate (MR), definiert als der Anteil der imputierten Werte, die in ein falsches physiologisches Herzfrequenzintervall fallen.
D1NAMO-HR+: Ein qualitätsverbesserter Wearable-Datensatz mit polynombasierter Herzfrequenz-Imputation für die Forschung zu Typ-1-Diabetes.
„Schließen Sie Datenlücken in Wearable-Aufzeichnungen mit D1NAMO-HR+ – einer physiologisch fundierten, lückenfreien Herzfrequenzdatenbasis zur Vorhersage von Hypoglykämien bei Typ-1-Diabetes.“
D1NAMO-HR+ ist eine qualitativ verbesserte Version des öffentlich zugänglichen D1NAMO-Datensatzes, in der fehlende Herzfrequenzwerte von neun Personen mit Typ-1-Diabetes mithilfe zweier neuartiger, auf Polynomen basierender Imputationsverfahren rekonstruiert wurden. Alle imputierten Werte werden auf den klinisch plausiblen Bereich von 40–160 Schlägen pro Minute beschränkt, wodurch der physiologische Realismus gewahrt bleibt und gleichzeitig Informationsverluste aufgrund unvollständiger Aufzeichnungen von Wearables vermieden werden. Der Datensatz wird in Form von zwei parallelen, vollständig imputierten Versionen derselben zugrunde liegenden Aufzeichnungen veröffentlicht: Version I (CRBC) rekonstruiert fehlende Segmente mit „Controlled Weighted Rational Bézier Curves“, wobei Spitzen und Täler unter den umgebenden Kontrollpunkten gewichtet werden, sodass aussagekräftige physiologische Schwankungen bei der Rekonstruktion erhalten bleiben; Version II (CMPV) wendet „Controlled PCHIP with Mapped Peaks and Valleys“ an, wobei Extremwerte aus benachbarten Herzfrequenzsequenzen als physiologische Vorlage in die Lücke übertragen werden, bevor eine Monotonie bewahrende Interpolation erfolgt.
Letzte Änderung: 3. August 2026