{"id":1365,"date":"2026-06-10T15:09:55","date_gmt":"2026-06-10T13:09:55","guid":{"rendered":"https:\/\/www.hsu-hh.de\/dataeng\/?page_id=1365"},"modified":"2026-08-03T12:00:50","modified_gmt":"2026-08-03T10:00:50","slug":"ressourcen","status":"publish","type":"page","link":"https:\/\/www.hsu-hh.de\/dataeng\/ressourcen\/","title":{"rendered":"Ressourcen"},"content":{"rendered":"\n

Hier finden Sie s\u00e4mtliche von unserer Professur ver\u00f6ffentlichten Ressourcen, die Ihnen zum Download bereitstehen. Wir freuen uns, wenn die bereitgestellten Materialien in Forschung, Lehre und Studium genutzt, weiterentwickelt und zitiert werden. \u00dcber Ihr Feedback sowie eine rege Verwendung in wissenschaftlichen Arbeiten und Studienprojekten freuen wir uns besonders.<\/p>\n\n\n\n

DiaData: A Multi-Modal, Integrated Time-Series Dataset for Type 1 Diabetes Research<\/h2>\n\n\n\n

„Gewinnen Sie neue Einblicke in Typ-1-Diabetes mit DiaData: dem ersten gro\u00dfen, integrierten CGM-Datensatz, der reale Glukoseverl\u00e4ufe mit vielseitigen Forschungsanwendungen verbindet.<\/strong>„<\/em><\/strong><\/p>\n\n\n\n

DiaData ist der erste gro\u00dfe, umfassend integrierte CGM-Datensatz f\u00fcr die Forschung zu Typ-1-Diabetes. DiaData kombiniert 13 Datens\u00e4tze mit Glukosemessungen von 1720 Personen mit T1D aus unterschiedlichen Altersgruppen. Die Daten wurden in 5-Minuten-Intervallen erfasst und stehen zus\u00e4tzlich in 15-Minuten-Intervallen zur Verf\u00fcgung. Der Hauptdatensatz enth\u00e4lt CGM-Messungen aller 1720 Personen. Daraus werden drei Teildatens\u00e4tze extrahiert: Subdatabase I umfasst CGM-Werte und demografische Daten, Subdatabase II umfasst CGM- und Herzfrequenzdaten, w\u00e4hrend Subdatabase III CGM-Werte sowie pers\u00f6nliche Daten wie Geschlecht, Alter, ethnische Zugeh\u00f6rigkeit, Gr\u00f6\u00dfe, Gewicht, Alter bei der Diagnose und HbA1c-Werte enth\u00e4lt.<\/p>\n\n\n\n

\n
Download<\/a><\/div>\n<\/div>\n\n\n\n
\n\n\n\n

ARACHNE: An Open Multimodal Dataset of Physiological, Behavioral, and Subjective Anxiety Responses for Spider Phobia<\/h2>\n\n\n\n

„Angst verstehen durch Physiologie, Verhalten und virtuelle Realit\u00e4t.<\/strong><\/strong>„<\/em><\/strong><\/p>\n\n\n\n

Dieser Datensatz enth\u00e4lt multimodale physiologische, verhaltensbezogene und subjektive Daten von Personen mit Spinnenphobie w\u00e4hrend realer und virtueller Behavioural Avoidance Tasks (BATs). Er umfasst kontinuierliche Messungen von Herzaktivit\u00e4t, Hautleitf\u00e4higkeit, Temperatur und Bewegung sowie subjektive Angstbewertungen und Kontextinformationen. Der Datensatz eignet sich f\u00fcr die Erforschung von Angst, Emotionserkennung, affektivem Computing, digitalen Biomarkern und maschinellem Lernen im Bereich der psychischen Gesundheit.<\/p>\n\n\n\n

\n
Download<\/a><\/div>\n<\/div>\n\n\n\n
\n\n\n\n

MontoFlow: A Semantic Framework for Maritime Sensor Data and Ontology-Based Diagnostics<\/h2>\n\n\n\n

„Semantische Integration maritimer Sensordaten f\u00fcr intelligente Diagnostik und Echtzeitanalysen.<\/strong><\/strong>„<\/em><\/strong><\/p>\n\n\n\n

MontoFlow ist ein offenes semantisches Framework zur Integration und Modellierung maritimer Sensordaten. Im Zentrum steht die SHIP Ontology<\/strong>, eine dom\u00e4nenspezifische Erweiterung der W3C-Standards SSN\/SOSA<\/strong>, 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 k\u00f6nnen. Dadurch unterst\u00fctzt MontoFlow Anwendungen wie Anomalieerkennung, Condition Monitoring, Predictive Maintenance und erkl\u00e4rbare KI und bietet eine wiederverwendbare, erweiterbare Grundlage f\u00fcr maritime Diagnostik sowie weitere sensorbasierte Dom\u00e4nen.<\/p>\n\n\n\n

\n
Download<\/a><\/div>\n<\/div>\n\n\n\n
\n\n\n\n

AISHIP: A Maritime Ontology for Vessel Representation and Data Integration<\/h2>\n\n\n\n

„Die semantische Grundlage f\u00fcr maritime Schiffsdaten, Datenintegration und intelligente Analysen.<\/strong><\/strong>„<\/em><\/strong><\/p>\n\n\n\n

AISHIP ist eine maritime Ontologie zur semantischen Integration heterogener Schiffsdaten. Sie erweitert die bestehende VesselAI-Ontologie um detaillierte Schiffsmerkmale, erweiterte Trajektoriendaten, multimodale Schiffsrepr\u00e4sentationen sowie eine umfassende Modellierung von Antriebs- und Propulsionssystemen. Durch die Vereinheitlichung unterschiedlicher Datenquellen schafft AISHIP eine gemeinsame semantische Grundlage f\u00fcr Anwendungen wie Schiffsverhaltensanalyse, Flottenmanagement, Search-and-Rescue und Maritime Digital Twins und unterst\u00fctzt interoperable, wiederverwendbare maritime Wissensmodelle.<\/p>\n\n\n\n

\n
Download<\/a><\/div>\n<\/div>\n\n\n\n
\n\n\n\n

MQTT4SSN: Eine Ontologie f\u00fcr semantische MQTT-Kommunikation<\/h2>\n\n\n\n

\u201eSemantische Modellierung der MQTT-Kommunikation in verteilten Produktionsumgebungen.\u201c<\/em><\/strong><\/p>\n\n\n\n

MQTT4SSN ist eine Ontologie zur semantischen Beschreibung des MQTT-Nachrichtenprotokolls und der dar\u00fcber \u00fcbertragenen Daten. Modelliert werden unter anderem Broker und Clients, MQTT-Control-Pakete und deren Nutzdaten, Topics sowie die Beziehungen zwischen diesen Elementen. Dar\u00fcber hinaus verkn\u00fcpft 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.<\/p>\n\n\n\n

\n
Download<\/a><\/div>\n<\/div>\n\n\n\n
\n\n\n\n

MQTT2RDF: Ein semantisches Integrationsframework f\u00fcr MQTT-Datenstr\u00f6me<\/h2>\n\n\n\n

\u201eVon Live-MQTT-Kommunikation \u00fcber RDF-basierte Wissensgraphen bis hin zu semantischen End-zu-End-Analysen.\u201c<\/em><\/strong><\/p>\n\n\n\n

MQTT2RDF ist ein wiederverwendbares semantisches Integrationsframework, das laufenden MQTT-Verkehr erfasst und mithilfe der MQTT4SSN-Ontologie in RDF-basierte Wissensgraphen \u00fcberf\u00fchrt. Dabei unterst\u00fctzt es die Verarbeitung heterogener Nutzdatenformate und Zeichenkodierungen und erm\u00f6glicht eine durchg\u00e4ngige semantische Analyse von der MQTT-Nachricht bis zum resultierenden Wissensgraphen. MQTT2RDF bietet damit eine wiederverwendbare und reproduzierbare Grundlage f\u00fcr die semantische Integration und Auswertung von MQTT-Datenstr\u00f6men.<\/p>\n\n\n\n

\n
Download<\/a><\/div>\n<\/div>\n\n\n\n
\n\n\n\n

PRISM: Ein multimetric-basiertes Framework zur Bewertung der Rekonstruktion von Sensordaten<\/strong><\/h2>\n\n\n\n

\u201eVerwandeln Sie verschiedene Fehlermetriken mit PRISM in einen aussagekr\u00e4ftigen Gesamtscore \u2013 ein \u00fcberwachtes Benchmark zur Entwicklung einheitlicher Bewertungsmetriken f\u00fcr die Imputation physiologischer Signale.<\/em>\u201c<\/em><\/strong><\/p>\n\n\n\n

PRISM ist ein Benchmark-Datensatz, der die Bewertung der Imputationsqualit\u00e4t als \u00fcberwachtes Regressionsproblem neu definiert und Aufzeichnungen physiologischer Signale (Herzfrequenz) von Wearables aus zwei \u00f6ffentlich zug\u00e4nglichen Quellen \u2013 D1NAMO (9 Patienten) und den Daten des BIG IDEAS Lab Glycemic Variability and Wearable Device Data (16 Patienten) \u2013 zu einer einzigen standardisierten Bewertungsressource zusammenf\u00fchrt. In vollst\u00e4ndige, vorverarbeitete Herzfrequenzaufzeichnungen wurden k\u00fcnstliche L\u00fccken von 5 und 15 Minuten Dauer eingef\u00fcgt und unabh\u00e4ngig voneinander mit drei statistischen Imputationsverfahren rekonstruiert: lineare Interpolation, kubische Interpolation und st\u00fcckweise kubische Hermite-Interpolationspolynome (PCHIP). Jede Zeile entspricht einem imputierten Herzfrequenzsegment und enth\u00e4lt f\u00fcnf komplement\u00e4re Eingabemerkmale, die sowohl die Rekonstruktionsgenauigkeit als auch die \u00c4hnlichkeit der Verteilung erfassen: RMSE, MAE, MAPE, Cohen-Distanztest (CDT) und Jensen-Shannon-Distanz (JSD), zusammen mit einem Zielwert f\u00fcr die Fehlklassifizierungsrate (MR), definiert als der Anteil der imputierten Werte, die in ein falsches physiologisches Herzfrequenzintervall fallen.<\/p>\n\n\n\n

\n
Download<\/a><\/div>\n<\/div>\n\n\n\n
\n\n\n\n

D1NAMO-HR+: Ein qualit\u00e4tsverbesserter Wearable-Datensatz mit polynombasierter Herzfrequenz-Imputation f\u00fcr die Forschung zu Typ-1-Diabetes.<\/strong><\/h2>\n\n\n\n

\u201eSchlie\u00dfen Sie Datenl\u00fccken in Wearable-Aufzeichnungen mit D1NAMO-HR+ \u2013 einer physiologisch fundierten, l\u00fcckenfreien Herzfrequenzdatenbasis zur Vorhersage von Hypoglyk\u00e4mien bei Typ-1-Diabetes.\u201c<\/em><\/strong><\/p>\n\n\n\n

D1NAMO-HR+ ist eine qualitativ verbesserte Version des \u00f6ffentlich zug\u00e4nglichen 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\u2013160 Schl\u00e4gen pro Minute beschr\u00e4nkt, wodurch der physiologische Realismus gewahrt bleibt und gleichzeitig Informationsverluste aufgrund unvollst\u00e4ndiger Aufzeichnungen von Wearables vermieden werden. Der Datensatz wird in Form von zwei parallelen, vollst\u00e4ndig imputierten Versionen derselben zugrunde liegenden Aufzeichnungen ver\u00f6ffentlicht: Version I (CRBC) rekonstruiert fehlende Segmente mit \u201eControlled Weighted Rational B\u00e9zier Curves\u201c, wobei Spitzen und T\u00e4ler unter den umgebenden Kontrollpunkten gewichtet werden, sodass aussagekr\u00e4ftige physiologische Schwankungen bei der Rekonstruktion erhalten bleiben; Version II (CMPV) wendet \u201eControlled PCHIP with Mapped Peaks and Valleys\u201c an, wobei Extremwerte aus benachbarten Herzfrequenzsequenzen als physiologische Vorlage in die L\u00fccke \u00fcbertragen werden, bevor eine Monotonie bewahrende Interpolation erfolgt.<\/p>\n\n\n\n

\n
Download<\/a><\/div>\n<\/div>\n","protected":false},"excerpt":{"rendered":"

Hier finden Sie s\u00e4mtliche von unserer Professur ver\u00f6ffentlichten Ressourcen, die Ihnen zum Download bereitstehen. Wir freuen uns, wenn die bereitgestellten Materialien in Forschung, Lehre und Studium genutzt, weiterentwickelt und zitiert […]<\/p>\n","protected":false},"author":4068,"featured_media":0,"parent":0,"menu_order":0,"comment_status":"closed","ping_status":"closed","template":"","meta":{"footnotes":""},"categories":[4],"tags":[],"class_list":["post-1365","page","type-page","status-publish","hentry","category-forschung"],"lang":"de","translations":{"de":1365,"en":1391},"pll_sync_post":{},"_links":{"self":[{"href":"https:\/\/www.hsu-hh.de\/dataeng\/wp-json\/wp\/v2\/pages\/1365","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.hsu-hh.de\/dataeng\/wp-json\/wp\/v2\/pages"}],"about":[{"href":"https:\/\/www.hsu-hh.de\/dataeng\/wp-json\/wp\/v2\/types\/page"}],"author":[{"embeddable":true,"href":"https:\/\/www.hsu-hh.de\/dataeng\/wp-json\/wp\/v2\/users\/4068"}],"replies":[{"embeddable":true,"href":"https:\/\/www.hsu-hh.de\/dataeng\/wp-json\/wp\/v2\/comments?post=1365"}],"version-history":[{"count":32,"href":"https:\/\/www.hsu-hh.de\/dataeng\/wp-json\/wp\/v2\/pages\/1365\/revisions"}],"predecessor-version":[{"id":1731,"href":"https:\/\/www.hsu-hh.de\/dataeng\/wp-json\/wp\/v2\/pages\/1365\/revisions\/1731"}],"wp:attachment":[{"href":"https:\/\/www.hsu-hh.de\/dataeng\/wp-json\/wp\/v2\/media?parent=1365"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.hsu-hh.de\/dataeng\/wp-json\/wp\/v2\/categories?post=1365"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.hsu-hh.de\/dataeng\/wp-json\/wp\/v2\/tags?post=1365"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}