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!<\/p>\n\n\n\n
BA-S<\/strong>: Bachelorseminararbeit Themenfeld: Internet of Things (IoT)<\/mark><\/p>\n\n\n\n „Semantische Technologien zur Unterst\u00fctzung komplexer MQTT-basierter IoT-Umgebungen<\/strong>„<\/em><\/strong><\/p>\n\n\n\n Beschreibung:<\/strong><\/p>\n\n\n\n Das Message Queuing Telemetry Transport (MQTT) ist ein weit verbreitetes Nachrichtenprotokoll in industriellen Umgebungen sowie im Internet der Dinge (IoT). Es arbeitet nach dem Publish\/Subscribe-Modell: Clients fungieren als Publisher und\/oder Subscriber, und ein zentraler Broker dient als Nachrichtenverteiler zwischen ihnen. Publisher (Clients) ver\u00f6ffentlichen Nachrichten \u00fcber Topics, und Subscriber (Clients) abonnieren Topic-Filter, die Wildcards enthalten k\u00f6nnen, um verwandte Topic-Streams dynamisch zu erfassen. Mindestanforderungen:<\/strong><\/p>\n\n\n\n Grundlegende Programmierkenntnisse, Grundkenntnisse Ontologien, hohe Motivation, gute Kommunikationsf\u00e4higkeit<\/p>\n\n\n\n Geeignet f\u00fcr:<\/strong><\/p>\n\n\n\n MA-S, MA<\/p>\n\n\n\n Betreut durch:<\/strong><\/p>\n\n\n\n Niklas D\u00f6rner<\/a>, doernern@hsu-hh.de<\/p>\n\n\n\n Themenfeld: Gesundheitswesen<\/mark><\/p>\n\n\n\n „Analyse statistischer Patientenprofil-Metriken zur Personalisierung von Machine-Learning-Modellen<\/strong>„<\/em><\/strong><\/p>\n\n\n\n Beschreibung:<\/strong><\/p>\n\n\n\n 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) zur\u00fcckzugreifen. Mindestanforderungen:<\/strong><\/p>\n\n\n\n Programmierkenntnisse (Grundlagen Python), Statistikkenntnisse auf Schulniveau, hohe Motivation, gute Kommunikationsf\u00e4higkeit<\/p>\n\n\n\n Geeignet f\u00fcr:<\/strong><\/p>\n\n\n\n MA-S, MA<\/p>\n\n\n\n Betreut durch:<\/strong><\/p>\n\n\n\n Beyza Cinar<\/a>, cinarb@hsu-hh.de Themenfeld: Datenimputation<\/mark><\/p>\n\n\n\n „Analyse von Evaluationsmetriken f\u00fcr den Rekonstruktionsverlust bei Imputationstechniken“<\/em><\/strong><\/p>\n\n\n\n Beschreibung:<\/strong><\/p>\n\n\n\n Dieses Projekt konzentriert sich auf die Bewertung von Imputationstechniken zur Behandlung fehlender Werte in Gesundheitsdatens\u00e4tzen. Die Leistung dieser Techniken, insbesondere im Hinblick auf den Rekonstruktionsverlust, wird \u00fcblicherweise mithilfe verschiedener Evaluationsmetriken wie RMSE, MAPE und \u00e4hnlicher Ma\u00dfe beurteilt. Mindestanforderungen:<\/strong><\/p>\n\n\n\n Programmierkenntnisse (Grundlagen), hohe Motivation, gute Kommunikationsf\u00e4higkeit<\/p>\n\n\n\n Geeignet f\u00fcr:<\/strong><\/p>\n\n\n\n MA-S, MA<\/p>\n\n\n\n Betreut durch:<\/strong><\/p>\n\n\n\n Vaibhav Gupta<\/a>, guptav@hsu-hh.de<\/p>\n\n\n\n Themenfeld: Stresserkennung<\/mark><\/p>\n\n\n\n „Kontextuelle Annotation von Aktivit\u00e4ten mithilfe von GPS- und Beschleunigungsdaten“<\/em><\/strong><\/p>\n\n\n\n Beschreibung:<\/strong><\/p>\n\n\n\n Gesundheitsanwendungen, die tragbare Ger\u00e4te wie Smartwatches nutzen, um den Gesundheitszustand von Personen zu bestimmen, werden zunehmend popul\u00e4r \u2013 sowohl als kommerzielle Produkte als auch als Gegenstand wissenschaftlicher Forschung. Die Forschung im Bereich der affektiven Informatik konzentriert sich h\u00e4ufig auf Laborstudien, um bestimmte kognitive oder emotionale Zust\u00e4nde zu rekonstruieren. Daten aus realit\u00e4tsn\u00e4heren Szenarien sind hingegen oft begrenzt, da detaillierte Annotationen und Labels fehlen. Mindestanforderungen:<\/strong><\/p>\n\n\n\n Programmierkenntnisse (Grundlagen bis Mittelstufe), hohe Motivation, gute Kommunikationsf\u00e4higkeit<\/p>\n\n\n\n
BA<\/strong>: Bachelorarbeit
MA-S:<\/strong> Masterseminararbeit
MA<\/strong>: Masterarbeit<\/p>\n\n\n\n
MQTT-Topics und Nachrichtenstrukturen sind in der Praxis h\u00e4ufig stark anwendungsspezifisch und folgen oftmals herstellerspezifischen Namenskonventionen. Topics werden typischerweise als hierarchische Pfade organisiert (z. B. productionline1\/machineA\/dht22\/temperature\/rfid98765<\/em>), w\u00e4hrend Nachrichteninhalte als JSON-Strukturen \u00fcbermittelt werden k\u00f6nnen. Metadaten zu Sensoren, Ger\u00e4ten oder Messkontexten k\u00f6nnen sowohl in den Topics als auch in den Nachrichten enthalten sein.
Die semantische Verkn\u00fcpfung von MQTT-Topics und Nachrichteninhalten mit formalen Beschreibungen des zugrunde liegenden Sensornetzwerks er\u00f6ffnet neue M\u00f6glichkeiten f\u00fcr die Analyse von Datenstr\u00f6men sowie f\u00fcr 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 k\u00f6nnen. Dabei sollen bestehende Ans\u00e4tze praktisch angewendet, erweitert und hinsichtlich ihres Nutzens bewertet werden.
Als Grundlage dienen insbesondere folgende Ontologie und Framework:
https:\/\/github.com\/doernern\/MQTT4SSNOntology<\/a>
https:\/\/github.com\/doernern\/MQTT2RDF<\/a><\/p>\n\n\n\n
\n\n\n\n
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 ber\u00fccksichtigen.
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 geh\u00f6ren, oder zumindest, dass sie zu einem anderen Patienten geh\u00f6ren?<\/p>\n\n\n\n
Vaibhav Gupta<\/a>, guptav@hsu-hh.de<\/p>\n\n\n\n
\n\n\n\n
Ziel der Arbeit ist es, eine umfassende State-of-the-Art-Analyse von Evaluationsmetriken in diesem Bereich durchzuf\u00fchren, einschlie\u00dflich Metriken zur Vorhersagegenauigkeit, statistischer \u00c4hnlichkeitsma\u00dfen sowie Metriken zur Erhaltung von Mustern. Im Rahmen des Projekts werden mehrere Imputationstechniken auf ausgew\u00e4hlte Gesundheitsdatens\u00e4tze angewendet und anschlie\u00dfend systematisch mithilfe verschiedener Metriken bewertet. Die Studie vergleicht, wie effektiv diese Metriken die Qualit\u00e4t der Imputation erfassen, und hebt ihre St\u00e4rken und Schw\u00e4chen in realen Anwendungsszenarien im Gesundheitsbereich hervor.<\/p>\n\n\n\n
\n\n\n\n
Solche fehlenden Labels k\u00f6nnen kontextuelle Informationen umfassen, etwa den Aufenthaltsort oder die aktuell ausge\u00fcbte Aktivit\u00e4t einer Person \u2013 beides kann entscheidend sein, um die kognitive Belastung zu verstehen (z. B. Arbeitsweg, Arbeitsplatz, Universit\u00e4t, Sportst\u00e4tte usw.<\/abbr>). Die Rekonstruktion solcher Labels aus vorhandenen Daten, etwa GPS- oder Beschleunigungsdaten, k\u00f6nnte dabei helfen, affektive oder kognitive Zust\u00e4nde von Personen zu modellieren.
Ziel dieses Projekts ist es, einen \u00dcberblick \u00fcber aktuelle Methoden zur Erkennung menschlicher Aktivit\u00e4ten (Human Activity Recognition) zu geben und ein Modell zu implementieren, das kontextuelle Labels effizient rekonstruiert.<\/p>\n\n\n\n