Künstliche Intelligenz und Maschinelles Lernen (KI&ML)

Methoden der Künstlichen Intelligenz, insbesondere des Maschinellen Lernens, ermöglichen es Computersystemen, sich automatisch anhand von Beispieldaten zu verbessern. Explizite Programmierung entfällt, wodurch nicht nur die Performance bereits vorhandener Funktionen optimiert, sondern auch vollkommen neue Aufgabenbereiche erschlossen werden können.

Am Fraunhofer ISST werden anwendungsspezifische KI- bzw. ML-Pipelines (also aneinander gekettete Verarbeitungsschritte) für die Bereiche Gesundheitswesen, Logistik und Datenwirtschaft erforscht und entwickelt. Je nach Anwendungsfall können diese auf unterschiedlichen Datenquellen wie Biosignalen (wie Messungen mithilfe von EKG oder 3D-Beschleunigungssensoren), Audio, Bildern, Videos, Texten oder auf einer Kombination mehrerer Datenquellen basieren. Dabei unterstützen wir unsere Partner entlang der gesamten Pipeline, beginnend bei der Identifikation sowie Machbarkeitsbewertung von ML-Einsatzszenarien, über die Vorverarbeitung der (Roh-)Daten bis hin zur Auswahl und dem Training geeigneter Modelle sowie deren Evaluation anhand anwendungsspezifischer Performancekriterien. Passend zu den vorliegenden Anforderungen kommen klassische Lernverfahren (wie Support Vector Machines, Decision Tree) genauso zum Einsatz wie Deep Learning Ansätze.

Das Leistungsangebot des Fraunhofer ISST umfasst die Identifikation sowie die Machbarkeitsbewertung von ML-Einsatzszenarien, Datenvorverarbeitung, Auswahl und Hyperparameteroptimierung passender ML-Modelle sowie deren Evaluation.

Identifikation & Machbarkeitsbewertung von ML-Einsatzszenarien

• Identifikation von anwendungsspezifischen Optimierungspotenzialen sowie neuen Aufgabenbereichen durch den Einsatz von KI bzw. ML
• Machbarkeitsbewertung des Einsatzes von KI bzw. ML anhand der vorhandenen Daten

Datenvorverarbeitung        

• Bereinigung der Rohdaten
• Featureberechnung anhand von Biosignaldaten (z.B. 3D-Beschleunigung, EKG, Audio) aus der Zeit- und Frequenzdomäne
• Anwendung von Feature Selection und Extraction-Methoden

Training und Evaluation von ML-Modellen

• Konzeption von KI-/ML-basierten Anwendungen
• Auswahl aus unterschiedlichen Lernansätzen, z.B. klassische Klassifikationsverfahren, Deep Learning, Assoziationsanalyse, Clustern
• Hyperparameteroptimierung, Evaluation anhand anwendungsspezifischer Performanzmetriken
• Einsatz von Windowing-Verfahren, Zeitreihenanalyse
• Einsatz von Techniken zum Umgang mit Imbalanced Data, z.B. Data Augmentation, Cost-Sensitive Classification

Branchen

Methoden der Künstlichen Intelligenz, insbesondere des Maschinellen Lernens können in unterschiedlichen Branchen unterstützend zum Einsatz kommen oder auch völlig neue Aufgabenbereiche erschließen. Ob für die automatisierte Qualitätskontrolle in der Logistik, die Diagnose von Krankheiten, die Echtzeit-Detektion von kritischen Situationen im Gesundheitsbereich oder für die Extraktion von Informationen aus Dokumenten, die Möglichkeiten sind lediglich durch die Verfügbarkeit von Daten beschränkt.

Hier finden Sie eine Auswahl von freigegebenen Anwendungsbeispielen aus dem Kompetenzfeld »KI&ML« der vergangenen Jahre. Sie suchen weitergehende Informationen? Nehmen Sie einfach Kontakt mit uns auf – unsere Ansprechpartner stehen Ihnen gerne für Fragen und Gespräche zur Verfügung.

Beispiel 1:

e-Palettenschein

Qualitätsbestimmung von Europoolpaletten

Innerhalb des »e-Palettenscheins« eines Projektes im Rahmen von Silicon Economy, wird das Alter von Paletten anhand von einer App gemachten Fotos mit Recurrent Convolutional Neural Networks bestimmt. Zunächst werden die Paletten erkannt und anschließend ausgewertet. Die Hintergrunderkennung hilft, verschiedene isolierte Attribute (wie die Palettenhelligkeit) besser einzuschätzen.

Projektseite extern

(silicon-economy.com/)

Beispiel 2:

Metropole Ruhr

Digitale Modelldestination NRW

Kernziel des Projektes »Metropole Ruhr: Digitale Modelldestination NRW« der Ruhr Tourismus GmbH ist der Aufbau eines Datenhubs für touristischen Daten im Ruhrgebiet. Dazu zählt auch eine zentrale Mediendatenbank, die den bisherigen Speicherort von touristischen Bildern ablösen soll. Die gezielte Suche nach Bildern soll zukünftig u.a. durch automatisch generierte Keywords erleichtert werden. Im Rahmen des Projektes wurden bestehende Modelle zur Objekterkennung auf Bildern weiterentwickelt.

Projektseite intern

Beispiel 3:

QuarZ

Services datensouverän nutzen im Quartier der Zukunft

Das Projekt QuarZ – Quartier der Zukunft hat ein Anliegen: Es möchte das Alltagsleben der Bewohnerinnen und Bewohnern verbessern. Zu diesem Zweck werden im Rahmen des Projekts Services beispielsweise aus dem Bereich Smart Home, Smart Invoice, Quartiersnetzwerk und Mobilität, entwickelt. Die im Projekt entstehende Plattform führt die Daten des zunehmend vernetzten urbanen Lebensraums zusammen, verknüpft sie und macht sie damit für zusätzliche smarte Dienstleistungen nutzbar. Zu den Bestandteilen des vernetzten Quartiers gehören unter anderem die Installation von Sensoren für Wetter-, Umwelt- und Citydaten sowie eine Software-Plattform für die Zusammenführung und Nutzung der Daten dieser Sensoren, ergänzt mit Daten aus anderen Quellen. Ein Portal für die Mieter mit Schnittstelle für Smart-Home-Anwendungen macht eine einfache Bedienung der Services aus der Wohnung heraus möglich.

Projektseite intern

Beispiel 4:

PCompanion

Mobiles Gesundheitssystem zur Unterstützung von Parkinsonpatienten

Ziel des vom Bundesforschungsministerium geförderten Projektes »PCompanion« ist es, das erste mobile, patientennahe Screening- und Monitoringsystem zur Frühdiagnostik von Parkinsonerkrankungen zu entwickeln. Im Fokus steht dabei die Früherkennung von Störungen des REM-Schlafes und des vegetativen Nervensystems mithilfe eines körpernahen Sensors.

Projektseite extern

(parkinson-companion.de/)

Beispiel 5:

EPItect

Pflegerische Unterstützung epilepsiekranker Menschen durch innovative Ohrsensorik

Ziel des Projekts »EPItect« ist die Entwicklung eines In-Ohr-Sensors, der das Auftreten epileptischer Anfälle anhand der gemessenen Biosignale erkennen kann. Die dokumentierten Daten werden ausgewählten Personen über mobile Endgeräte zur Verfügung gestellt, wodurch bei Bedarf auch das pflegende Umfeld einbezogen werden kann. Im Projekt werden dazu eigens neue Modelle zur Anfallsdetektion auf der Basis maschineller Lernverfahren entwickelt.

Projektseite extern

(epitect.de)

Beispiel 6:

MOND

Mobiles, smartes Neuro-Sensorsystem für die Detektion und Dokumentation epileptischer Anfälle im Alltag

Innerhalb des Projektes »MOND« wird ein konzeptioneller Beweis (proof-of-concept) für ein KI-basiertes Sensorsystem zur automatisierten Detektion epileptischer Anfälle im Alltag angestrebt. Die Datenerfassung soll über am Ohr getragene, mobile Sensorik erfolgen, die mit besonderem Fokus auch eine mobile Ableitung eines Elektroenzephalogramms (EEG) ermöglichen soll. Das Projekt baut auf den Ergebnissen des Projektes »EPItect« auf.

Projektseite intern

Beispiel 7:

Digitaler Engel

Stärkung der Interaktionsarbeit von Pflegekräften durch den Einsatz digitaler Assistenten

Im Forschungsprojekt »Digitaler Engel« werden Einsatzmöglichkeiten digitaler Assistenten im Bereich der Pflege untersucht. Dafür werden ML-Modelle zur Detektion von Stress bei Pflegekräften basierend auf einem mobilen EKG entwickelt. So sollen Pflegekräfte in ihrer täglichen Arbeit entlastet und langfristig der Beruf der Pflegekraft attraktiver werden.

Projektseite extern

(digitaler-engel.com/)

Beispiel 8:

BodyTune

Automatisierte Audioanalyse von Flussgeräuschen der Arteria Carotis

Ziel des Projekts »BodyTune« ist es, durch eine automatisierte Analyse von Körpergeräuschen am Beispiel der Karotisstenose einerseits die Früherkennung dieser Erkrankung und die Versorgung von Risikopatienten zu verbessern, und andererseits eine Individualisierung der Therapie und eine Steigerung der Adhärenz sowie der Inklusion zu erreichen. Dafür werden ML-Modelle entwickelt, welche es erlauben, eine Aussage über den Gesundheitszustand einer Person anhand der Blutflussgeräusche der Arteria Carotis zu treffen.

Projektseite extern

(bodytune.online)

HENZE, Jasmin; HOUTA, Salima; SURGES, Rainer; KREUZER, Johannes; BISGNI, Pinar. Multimodal Detection of Tonic-Clonic Seizures Based on 3D Acceleration and Heart Rate Data from an In-Ear-Sensor. In: Del Bimbo A. et al. (eds) Pattern Recognition. ICPR International Workshops and Achallenges. ICPR 2021. Lecture Notes in Computer Science, vol 12661. Springer, Cham. 2021. ISBN: 978-3-030-68762-5

BISGIN, Pinar; BURMANN Anja, LENFERS, Tim. REM Sleep Stage Detection of Parkinson’s Disease Patients with RBD. In: International Conference on Business Information Systems. Springer, Cham, 2020. S. 35-45. ISBN: 978-3-030-53337-3

MEISTER, Sven; HOUTA, Salima; BISGIN, Pinar. Mobile Health und digitale Biomarker: Daten als „neues Blut “für die P4-Medizin bei Parkinson und Epilepsie. In: mHealth-Anwendungen für chronisch Kranke. Springer Gabler, Wiesbaden, 2020. S. 213-233. ISBN: 978-3-658-29133-4

HOUTA, Salima; BISGIN, Pinar; DULICH, Pascal. Machine Learning Methods for Detection of Epileptic Seizures with Long-Term Wearable Devices. In: Elev Int Conf EHealth, Telemedicine, Soc Med. 2019. S. 108-13. ISBN: 978-1-61208-688-0

BISGIN, P.; MEISTER, S.; HAUBRICH, C. Erkennen von parkinsonassoziierten Mustern im Schlaf und Neurovegetativum, 64. Jahrestagung der Deutschen Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie e. V. (GMDS), Dortmund, 2019. Abstract 44.