{"id":1930,"date":"2026-08-06T21:25:45","date_gmt":"2026-08-06T19:25:45","guid":{"rendered":"https:\/\/www.hsu-hh.de\/dataeng\/?page_id=1930"},"modified":"2026-08-11T10:46:14","modified_gmt":"2026-08-11T08:46:14","slug":"gapsense","status":"publish","type":"page","link":"https:\/\/www.hsu-hh.de\/dataeng\/forschung\/aktuelle-projekte\/gapsense\/","title":{"rendered":"GapSense"},"content":{"rendered":"\n

Zielsetzung<\/strong><\/h3>\n\n\n\n

Ziel dieses Projekts ist die Entwicklung intelligenter Imputationsmethoden zur Rekonstruktion fehlender Werte in multivariaten Sensor-Zeitreihendaten, mit einem besonderen Schwerpunkt auf Anwendungen im Gesundheitswesen. Das Projekt untersucht, wie unterschiedliche Mechanismen fehlender Daten sowie verschiedene L\u00e4ngen von Datenl\u00fccken die Qualit\u00e4t der Imputation beeinflussen. Darauf aufbauend sollen adaptive, an die jeweilige L\u00fcckenl\u00e4nge angepasste Rekonstruktionsstrategien entwickelt werden, die sowohl die Datenqualit\u00e4t als auch die Leistungsf\u00e4higkeit nachgelagerter Machine-Learning-Modelle zur fr\u00fchzeitigen Vorhersage von Ereignissen verbessern.<\/p>\n\n\n\n

Beschreibung<\/strong><\/h3>\n\n\n\n

Sensordaten, die durch Wearables, physiologische \u00dcberwachungssysteme, industrielle Sensoren und IoT-Systeme erfasst werden, bilden eine wesentliche Grundlage moderner Anwendungen der k\u00fcnstlichen Intelligenz. Im Gesundheitswesen erm\u00f6glicht die kontinuierliche \u00dcberwachung physiologischer Signale wie Herzfrequenz, Glukosewerte und k\u00f6rperliche Aktivit\u00e4t die fr\u00fchzeitige Erkennung kritischer Zust\u00e4nde, darunter Hypoglyk\u00e4mien, kardiale Auff\u00e4lligkeiten und eine Verschlechterung des Patientenzustands. In \u00e4hnlicher Weise unterst\u00fctzen industrielle Sensornetzwerke die vorausschauende Wartung und die Erkennung von Fehlern und St\u00f6rungen.<\/p>\n\n\n\n

In der Praxis sind Sensordaten jedoch h\u00e4ufig von fehlenden Werten betroffen. Ursachen hierf\u00fcr k\u00f6nnen Fehlfunktionen von Sensoren, begrenzte Batteriekapazit\u00e4ten, Kommunikationsausf\u00e4lle, Bewegungsartefakte, Umwelteinfl\u00fcsse oder menschliche Fehler sein. Die daraus entstehenden Datenl\u00fccken beeintr\u00e4chtigen die Datenqualit\u00e4t, k\u00f6nnen Verzerrungen in Machine-Learning-Modellen verursachen und m\u00f6glicherweise klinisch relevante Ereignisse verschleiern. Besonders problematisch ist dies im Gesundheitswesen, da eine ungenaue Rekonstruktion physiologischer Signale die Vorhersageleistung und damit auch klinische Entscheidungsunterst\u00fctzungssysteme unmittelbar beeintr\u00e4chtigen kann.<\/p>\n\n\n\n

Fehlende Daten unterscheiden sich erheblich sowohl hinsichtlich ihrer Ursache als auch ihrer Dauer. Sie k\u00f6nnen in Form von Missing Completely at Random (MCAR; vollst\u00e4ndig zuf\u00e4llig fehlend)<\/strong>, Missing at Random (MAR; zuf\u00e4llig fehlend)<\/strong> oder Missing Not at Random (MNAR; nicht zuf\u00e4llig fehlend)<\/strong> auftreten. Die L\u00e4nge der Datenl\u00fccken kann dabei von wenigen Sekunden oder Minuten bis hin zu mehreren Tagen reichen. Trotz dieser Unterschiede wird in der aktuellen Forschung h\u00e4ufig eine einzige Imputationsmethode \u2013 meist die lineare Interpolation \u2013 auf s\u00e4mtliche Datenl\u00fccken angewendet. Solche allgemeinen Ans\u00e4tze sind jedoch nicht in der Lage, die komplexen zeitlichen Dynamiken und physiologischen Eigenschaften von Sensorsignalen angemessen abzubilden.<\/p>\n\n\n\n

Dieses Projekt schl\u00e4gt daher ein intelligentes, l\u00fcckenadaptives Imputationsframework vor, das geeignete Rekonstruktionsverfahren auf Grundlage der Charakteristika der fehlenden Daten, der L\u00e4nge der Datenl\u00fccke, der Signaleigenschaften sowie verf\u00fcgbarer Kontextinformationen ausw\u00e4hlt. Durch die Kombination statistischer Verfahren, polynomialbasierter Modelle, Methoden des maschinellen Lernens und dom\u00e4nenspezifischen Wissens soll eine pr\u00e4zisere Rekonstruktion fehlender Sensordaten erreicht werden, wobei gleichzeitig relevante physiologische Muster erhalten bleiben.<\/p>\n\n\n\n

\u00dcbergeordnetes Ziel der Forschungsarbeit ist es, sowohl die Rekonstruktionsqualit\u00e4t als auch die Vorhersageleistung nachgelagerter Modelle zu verbessern. Dadurch sollen zuverl\u00e4ssigere KI-Systeme f\u00fcr das Gesundheitswesen sowie f\u00fcr weitere sensorbasierte Anwendungsbereiche erm\u00f6glicht werden.<\/p>\n\n\n\n

Aktueller Forschung<\/strong><\/h3>\n\n\n\n

Die aktuelle Forschung konzentriert sich auf die Entwicklung eines umfassenden Imputationsparadigmas, bei dem die Rekonstruktionsmethoden an unterschiedliche Szenarien von Datenl\u00fccken angepasst werden, anstatt sich auf eine einzige universell einsetzbare Methode zu st\u00fctzen. Im Rahmen dieses Ansatzes werden verschiedene komplement\u00e4re Imputationsalgorithmen untersucht, die gezielt auf unterschiedliche L\u00e4ngen von Datenl\u00fccken und Mechanismen fehlender Daten zugeschnitten sind. Die entwickelten Verfahren werden anhand realer Datens\u00e4tze aus dem Gesundheitswesen validiert.<\/p>\n\n\n\n

Ein zentraler Forschungsschwerpunkt liegt auf der Untersuchung, wie sich die Qualit\u00e4t der Imputation auf nachgelagerte Machine-Learning-Aufgaben auswirkt, anstatt ausschlie\u00dflich den Rekonstruktionsfehler zu betrachten. Dies ist insbesondere f\u00fcr die fr\u00fchzeitige Vorhersage von Hypoglyk\u00e4mien auf Grundlage von Wearable-Sensordaten von Bedeutung, da eine verbesserte Datenqualit\u00e4t unmittelbar zu einer h\u00f6heren Vorhersageleistung beitragen kann.<\/p>\n\n\n\n

Zu den j\u00fcngsten Forschungsbeitr\u00e4gen z\u00e4hlt die Entwicklung zweier neuartiger polynomialbasierter Imputationsmethoden, CRBC<\/strong> und CMPV<\/strong>, zur Rekonstruktion fehlender Herzfrequenzdaten. Diese Methoden erzielen bei unterschiedlich langen, kurzen Datenl\u00fccken durchg\u00e4ngig bessere Ergebnisse als konventionelle Verfahren und verbessern die Vorhersage von Hypoglyk\u00e4mien bis zu 30 Minuten vor deren Auftreten signifikant.<\/p>\n\n\n\n

Assoziierte Publikationen<\/h3>\n\n\n\n
\"Publikation<\/div>
Imputing missing multi-sensor data in the healthcare domain: A systematic review
<\/a>Vaibhav Gupta, Florian Grensing, Beyza Cinar, Maria Maleshkova
Image and Vision Computing Volume 164, December 2025, 105797<\/div><\/div>\n\n\n\n
\"Publikation<\/div>
Improving Hypoglycemia Prediction by Benchmarking Heart Rate Data Quality Using Impute Paradigm
Vaibhav Gupta, Beyza Cinar, Maria Maleshkova
EMBC 2026, Toronto, Canada, 2026 (Accepted)<\/div><\/div>\n\n\n\n
\"Publikation<\/div>
Fill in the Gaps – Applying Polynomial-based Imputation techniques for Heart Rate Data
<\/a>Vaibhav Gupta, Florian Grensing, Beyza Cinar, Louisa Van Den Boom, Maria Maleshkova
2026 IEEE Conference on Artificial Intelligence (CAI)<\/div><\/div>\n","protected":false},"excerpt":{"rendered":"

Zielsetzung Ziel dieses Projekts ist die Entwicklung intelligenter Imputationsmethoden zur Rekonstruktion fehlender Werte in multivariaten Sensor-Zeitreihendaten, mit einem besonderen Schwerpunkt auf Anwendungen im Gesundheitswesen. Das Projekt untersucht, wie unterschiedliche Mechanismen […]<\/p>\n","protected":false},"author":4068,"featured_media":0,"parent":204,"menu_order":0,"comment_status":"closed","ping_status":"closed","template":"","meta":{"footnotes":""},"categories":[4],"tags":[],"class_list":["post-1930","page","type-page","status-publish","hentry","category-forschung"],"lang":"de","translations":{"de":1930,"en":1934},"pll_sync_post":{},"_links":{"self":[{"href":"https:\/\/www.hsu-hh.de\/dataeng\/wp-json\/wp\/v2\/pages\/1930","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=1930"}],"version-history":[{"count":7,"href":"https:\/\/www.hsu-hh.de\/dataeng\/wp-json\/wp\/v2\/pages\/1930\/revisions"}],"predecessor-version":[{"id":2029,"href":"https:\/\/www.hsu-hh.de\/dataeng\/wp-json\/wp\/v2\/pages\/1930\/revisions\/2029"}],"up":[{"embeddable":true,"href":"https:\/\/www.hsu-hh.de\/dataeng\/wp-json\/wp\/v2\/pages\/204"}],"wp:attachment":[{"href":"https:\/\/www.hsu-hh.de\/dataeng\/wp-json\/wp\/v2\/media?parent=1930"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.hsu-hh.de\/dataeng\/wp-json\/wp\/v2\/categories?post=1930"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.hsu-hh.de\/dataeng\/wp-json\/wp\/v2\/tags?post=1930"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}