{"id":204,"date":"2024-06-20T14:29:10","date_gmt":"2024-06-20T12:29:10","guid":{"rendered":"https:\/\/www.hsu-hh.de\/dataeng\/?page_id=204"},"modified":"2026-07-20T09:47:04","modified_gmt":"2026-07-20T07:47:04","slug":"aktuelle-projekte","status":"publish","type":"page","link":"https:\/\/www.hsu-hh.de\/dataeng\/forschung\/aktuelle-projekte\/","title":{"rendered":"Aktuelle Projekte"},"content":{"rendered":"\n

Hier finden Sie eine \u00dcbersicht \u00fcber die aktuellen Forschungsprojekte unseres Lehrstuhls. Unsere Forschung konzentriert sich auf die Entwicklung datengetriebener Methoden zur Analyse von Zeitreihen- und Sensordaten, insbesondere in den Bereichen Vorhersage, Anomaliedetektion und intelligente Datenanalyse. Die Projekte entstehen in enger Zusammenarbeit mit Partnern aus Wissenschaft und Praxis und adressieren insbesondere Anwendungen in der maritimen Dom\u00e4ne sowie im Gesundheitswesen.<\/p>\n\n\n\n

\n\n\n\n

SmartShip<\/a><\/h2>\n\n\n\n
\n
\n

SmartShip erforscht KI-gest\u00fctzte Methoden zur Unterst\u00fctzung maritimer Einsatzszenarien, mit Schwerpunkt auf der Seenotrettung. Aufbauend auf den Ergebnissen des Vorg\u00e4ngerprojekts werden standardisierte Datenarchitekturen f\u00fcr digitale Zwillinge entwickelt sowie Verfahren f\u00fcr Prognostics & Health Management (PHM) weiterentwickelt. Weitere Forschungsschwerpunkte umfassen die Integration von Large Language Models zur Verbesserung der Mensch-Maschine-Interaktion sowie die multimodale Fusion von Kamera-, Thermal- und Radardaten zur robusten Objekterkennung unter anspruchsvollen Umweltbedingungen. Ziel ist die Entwicklung intelligenter Assistenzsysteme zur Steigerung von Sicherheit, Zuverl\u00e4ssigkeit und Effizienz in maritimen Anwendungen.<\/p>\n\n\n\n

Weitere Informationen zu diesem Projekt finden Sie hier<\/a>.<\/p>\n<\/div>\n\n\n\n

\n
\"\"<\/a><\/figure>\n<\/div>\n<\/div>\n\n\n\n
\n\n\n\n

Resilientes maritimes Lagebild<\/h2>\n\n\n\n
\n
\n
\"\"<\/figure>\n<\/div>\n\n\n\n
\n

Wir entwickeln Methoden zur Erzeugung eines resilienten maritimen Lagebilds durch die intelligente Fusion heterogener Datenquellen wie AIS, Radar, Sonar, Satellitenbilder und AIS-Peilungen. Dabei werden Schiffverhalten analysiert, die Qualit\u00e4t eingehender Sensordaten bewertet und Unsicherheiten systematisch quantifiziert. Ziel ist ein robustes, belastbares Lagebild, das auch bei unvollst\u00e4ndigen, fehlerhaften oder widerspr\u00fcchlichen Informationen eine zuverl\u00e4ssige maritime Situationsbewertung erm\u00f6glicht und damit Entscheidungsprozesse in sicherheitskritischen Anwendungen unterst\u00fctzt.<\/p>\n<\/div>\n<\/div>\n\n\n\n

\n\n\n\n

Stresserkennung anhand physiologischer Signale<\/a><\/h2>\n\n\n\n
\n
\n

Stress ist ein allgegenw\u00e4rtiger Bestandteil unseres t\u00e4glichen Lebens. Um den negativen Folgen einer langfristigen Belastung durch akuten Stress und hohe Arbeitsbelastung vorzubeugen, entwickeln wir intelligente Systeme an der Schnittstelle zwischen Mensch und Maschine. Hierzu erfassen und analysieren wir physiologische Signale aus Wearables und anderen Sensorsystemen. Mithilfe modernster Verfahren des maschinellen Lernens und des Deep Learning werden robuste Modelle zur automatisierten Stresserkennung entwickelt. Ziel ist es, Stress fr\u00fchzeitig und zuverl\u00e4ssig zu erkennen und adaptive, personalisierte Unterst\u00fctzung in Gesundheits-, Arbeits- und Alltagsszenarien zu erm\u00f6glichen.<\/p>\n\n\n\n

Weitere Informationen zu diesem Projekt finden Sie hier<\/a>.<\/p>\n<\/div>\n\n\n\n

\n
\"\"<\/a><\/figure>\n<\/div>\n<\/div>\n\n\n\n
\n\n\n\n

MQTT in EKI<\/a><\/h2>\n\n\n\n
\n
\n
\"\"<\/a><\/figure>\n<\/div>\n\n\n\n
\n

MQTT ist in industriellen Automatisierungssystemen weit verbreitet, doch die Bedeutung von Topics und Nutzdaten bleibt h\u00e4ufig an einzelne Komponenten oder systemspezifisches Wissen gebunden. Im EKI-Projekt wurde deshalb MQTT2RDF<\/strong> entwickelt: ein modulares Framework, das laufende MQTT-Kommunikation inklusive Nachrichten, Topic-Strukturen, Nutzdaten und \u00dcbertragungskontext in einen RDF-basierten Wissensgraphen \u00fcberf\u00fchrt. Die MQTT4SSN-Ontologie<\/strong> bildet den semantischen Kern. Konfigurierbare Zuordnungen machen heterogene Datenstr\u00f6me maschinenlesbar, transparent und system\u00fcbergreifend auswertbar und schaffen die Grundlage f\u00fcr semantische Analysen, effizientes Monitoring, gezielte Fehlersuche sowie adaptive, KI-gest\u00fctzte Automatisierungsl\u00f6sungen.<\/p>\n\n\n\n

Weitere Informationen zu diesem Projekt finden Sie hier<\/a>.<\/p>\n<\/div>\n<\/div>\n\n\n\n

\n\n\n\n

DiaMant<\/h2>\n\n\n\n
\n
\n

DiaMant konzentriert sich auf die fr\u00fchzeitige Erkennung hypoglyk\u00e4mischer Ereignisse bei Patientinnen und Patienten mit Typ-1-Diabetes, um schwerwiegende Folgen wie Bewusstlosigkeit oder Koma zu verhindern. Auf Grundlage von DiaData, einem gro\u00dfen und qualitativen CGM-Datensatz, entwickelt das Projekt personalisierte KI-Modelle zur Klassifikation des Hypoglyk\u00e4mierisikos bis zu zwei Stunden vor dem Ereignis. Unterst\u00fctzt wird das Modell durch eine App, die Daten erfasst, Modelle ausf\u00fchrt und geeignete Interventionen empfiehlt. Ziel von DiaMant ist es, klinisch zuverl\u00e4ssige Warnungen bereitzustellen, insbesondere innerhalb des kritischen Zeitfensters von 5 bis 15 Minuten vor einer Hypoglyk\u00e4mie, in dem eine rechtzeitige Intervention am wirksamsten ist.<\/p>\n<\/div>\n\n\n\n

\n
\"\"<\/figure>\n<\/div>\n<\/div>\n\n\n\n
\n\n\n\n

Digitale Zwillinge f\u00fcr Diabetesmanagement<\/h2>\n\n\n\n
\n
\n
\"\"<\/figure>\n<\/div>\n\n\n\n
\n

Der Krankheitsverlauf und Therapieentscheidungen bei Typ-1-Diabetes sind stark vom individuellen Patientenkontext abh\u00e4ngig. Dieses Projekt entwickelt einen digitalen Zwilling f\u00fcr ein personalisiertes, kontextbasiertes Diabetesmanagement. Grundlage sind drei Ebenen der Patientenrepr\u00e4sentation: Daten-, Prozess- und Personalisierungsmodelle. Medizinische Standardontologien erfassen Patientendaten und Zusammenh\u00e4nge maschinenlesbar, w\u00e4hrend biochemische und physiologische Prozesse des Glukosestoffwechsels modelliert werden. Neurosymbolische KI verbindet diese Ebenen, verbessert Vorhersagen und unterst\u00fctzt zuverl\u00e4ssige, adaptive Therapieentscheidungen entsprechend dem aktuellen Patientenzustand.<\/p>\n<\/div>\n<\/div>\n\n\n\n

\n\n\n\n

CARDIO-MAP AI<\/h2>\n\n\n\n
\n
\n

Da leistungsf\u00e4hige KI-Verfahren auf qualitativ hochwertige Daten angewiesen sind, entwickelt dieses Projekt umfassende Benchmarks zur Bewertung der Datenqualit\u00e4t in sensorgest\u00fctzten Anwendungen. Der Schwerpunkt liegt auf rekonstruierten und imputierten Zeitreihendaten aus dem Gesundheitswesen. Neben etablierten Fehlermetriken werden statistische Konsistenz, Verteilungs\u00e4hnlichkeit und physiologische Plausibilit\u00e4t als komplement\u00e4re Perspektiven auf die Datenqualit\u00e4t ber\u00fccksichtigt. Hierzu wird mit FRAM-SHAP ein erkl\u00e4rbares Bewertungsframework entwickelt, das pr\u00e4diktive und statistische Metriken zu einem vollst\u00e4ndigen Bild der Datenqualit\u00e4t vereint und eine zuverl\u00e4ssige und interpretierbare Bewertung f\u00fcr nachgelagerte Machine-Learning-Anwendungen erm\u00f6glicht.<\/p>\n<\/div>\n\n\n\n

\n
\"\"<\/figure>\n<\/div>\n<\/div>\n\n\n\n
\n\n\n\n

Smart Pipetting<\/h2>\n\n\n\n
\n
\n
\"\"<\/figure>\n<\/div>\n\n\n\n
\n

Das Smart-Pipetting-Projekt nutzt Sensordaten elektronischer Pipetten, etwa Motorstrom und Druck, um den Pipettierprozess besser zu verstehen und zu \u00fcberwachen. Durch die Kombination gezielter Experimente mit robotergest\u00fctzter Datenerfassung sowie Methoden des Machine Learning und des Deep Learning soll das Projekt Fehler erkennen, zwischen Fl\u00fcssigkeiten unterscheiden und die automatische Anpassung von Pipettierparametern unterst\u00fctzen. Dadurch lassen sich Zuverl\u00e4ssigkeit, Nachvollziehbarkeit und Effizienz in der Laborarbeit verbessern.<\/p>\n<\/div>\n<\/div>\n\n\n\n

\n\n\n\n

GapSense<\/h2>\n\n\n\n
\n
\n

Zuverl\u00e4ssige Sensordaten sind f\u00fcr vertrauensw\u00fcrdige KI und pr\u00e4diktive Analysen unerl\u00e4sslich. Allerdings enthalten Sensorstr\u00f6me aus der Praxis h\u00e4ufig fehlende Werte, die durch Ger\u00e4teausf\u00e4lle, Bewegungsartefakte, Kommunikationsprobleme oder menschliches Versagen verursacht werden. Dieses Projekt untersucht intelligente Imputationsmethoden zur Rekonstruktion fehlender Sensordaten, wobei der Schwerpunkt auf Anwendungen im Gesundheitswesen liegt, etwa auf der \u00dcberwachung mittels Wearables und der Hypoglyk\u00e4mievorhersage. Durch die Entwicklung l\u00fcckenspezifischer Imputationsstrategien, neuartiger Bewertungsmetriken und kontextbezogener Rekonstruktionsmethoden wollen wir sowohl die Datenqualit\u00e4t als auch die Leistung nachgelagerter Machine-Learning-Modelle f\u00fcr die Fr\u00fchdiagnose und die pr\u00e4ventive Gesundheitsversorgung verbessern.<\/p>\n<\/div>\n\n\n\n

\n
\"\"<\/figure>\n<\/div>\n<\/div>\n\n\n\n
\n\n\n\n

Prism<\/h2>\n\n\n\n
\n
\n
\"\"<\/figure>\n<\/div>\n\n\n\n
\n

Da leistungsf\u00e4hige KI-Verfahren auf qualitativ hochwertige Daten angewiesen sind, entwickelt dieses Projekt umfassende Benchmarks zur Bewertung der Datenqualit\u00e4t in sensorgest\u00fctzten Anwendungen. Der Schwerpunkt liegt auf rekonstruierten und imputierten Zeitreihendaten aus dem Gesundheitswesen. Neben etablierten Fehlermetriken werden statistische Konsistenz, Verteilungs\u00e4hnlichkeit und physiologische Plausibilit\u00e4t als komplement\u00e4re Perspektiven der Datenqualit\u00e4t ber\u00fccksichtigt. Hierzu wird mit FRAM-SHAP ein erkl\u00e4rbares Bewertungsframework entwickelt, das pr\u00e4diktive und statistische Metriken zu einem vollst\u00e4ndigen Bild der Datenqualit\u00e4t vereint und eine zuverl\u00e4ssige sowie interpretierbare Bewertung f\u00fcr nachgelagerte Machine-Learning-Anwendungen erm\u00f6glicht.<\/p>\n<\/div>\n<\/div>\n\n\n\n

\n\n\n\n

Angsterkennung bei Spinnenphobie<\/a><\/h2>\n\n\n\n
\n
\n

Das Projekt untersucht die objektive Erfassung von Angst bei Spinnenphobie anhand physiologischer Signale aus Wearable-Sensoren. In Verhaltensvermeidungstests mit realen und virtuellen Spinnen werden physiologische Reaktionen mit subjektiven Angsteinsch\u00e4tzungen und dem Vermeidungsverhalten verglichen. Ziel ist es, objektive Biomarker f\u00fcr Angst zu identifizieren und gleichzeitig zu bewerten, ob Virtual-Reality-basierte Tests eine valide Alternative zu klassischen klinischen Verfahren f\u00fcr Diagnostik und Therapiebegleitung darstellen.<\/p>\n\n\n\n

Weitere Informationen zu diesem Projekt finden Sie hier<\/a>.<\/p>\n<\/div>\n\n\n\n

\n
\"\"<\/figure>\n<\/div>\n<\/div>\n\n\n\n
\n\n\n\n

Verhaltensanalyse in Profisport<\/h2>\n\n\n\n
\n
\n
\"\"<\/figure>\n<\/div>\n\n\n\n
\n

Das Projekt untersucht mithilfe datenbasierter Methoden die Vorhersagbarkeit von Wurfzielentscheidungen bei Siebenmeterw\u00fcrfen im Handball. Ziel ist es, Muster im Wurfverhalten von Spielerinnen und Spielern zu identifizieren und deren \u00dcbertragbarkeit zwischen der 1. und 2. Bundesliga zu analysieren. Hierf\u00fcr werden verschiedene Machine-Learning-Verfahren verglichen und hinsichtlich ihrer Robustheit sowie ihrer praktischen Anwendbarkeit bewertet. Erg\u00e4nzend werden Wurfmuster einzelner Sch\u00fctzen, Zielzonen und Torh\u00fcter mithilfe statistischer Analysen und Heatmaps ausgewertet, um Erkenntnisse f\u00fcr Scouting, Training und Spielvorbereitung bereitzustellen.<\/p>\n<\/div>\n<\/div>\n","protected":false},"excerpt":{"rendered":"

Hier finden Sie eine \u00dcbersicht \u00fcber die aktuellen Forschungsprojekte unseres Lehrstuhls. Unsere Forschung konzentriert sich auf die Entwicklung datengetriebener Methoden zur Analyse von Zeitreihen- und Sensordaten, insbesondere in den Bereichen […]<\/p>\n","protected":false},"author":3889,"featured_media":0,"parent":112,"menu_order":0,"comment_status":"closed","ping_status":"closed","template":"","meta":{"footnotes":""},"categories":[4],"tags":[],"class_list":["post-204","page","type-page","status-publish","hentry","category-forschung"],"lang":"de","translations":{"de":204,"en":264},"pll_sync_post":{},"_links":{"self":[{"href":"https:\/\/www.hsu-hh.de\/dataeng\/wp-json\/wp\/v2\/pages\/204","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\/3889"}],"replies":[{"embeddable":true,"href":"https:\/\/www.hsu-hh.de\/dataeng\/wp-json\/wp\/v2\/comments?post=204"}],"version-history":[{"count":56,"href":"https:\/\/www.hsu-hh.de\/dataeng\/wp-json\/wp\/v2\/pages\/204\/revisions"}],"predecessor-version":[{"id":1692,"href":"https:\/\/www.hsu-hh.de\/dataeng\/wp-json\/wp\/v2\/pages\/204\/revisions\/1692"}],"up":[{"embeddable":true,"href":"https:\/\/www.hsu-hh.de\/dataeng\/wp-json\/wp\/v2\/pages\/112"}],"wp:attachment":[{"href":"https:\/\/www.hsu-hh.de\/dataeng\/wp-json\/wp\/v2\/media?parent=204"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.hsu-hh.de\/dataeng\/wp-json\/wp\/v2\/categories?post=204"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.hsu-hh.de\/dataeng\/wp-json\/wp\/v2\/tags?post=204"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}