A look inside the human body - gait analysis and simulation [GAS]

Lecturer:

Anne Koelewijn

Details:

Vorlesung, 2 cred.h, ECTS: 2,5, nur Fachstudium, Organisation and slides via StudOn. Grading: written exam

Dates:

Mon, 8:15 - 9:45, H10
Organisation and slides via StudOn.
starting 21.10.2019

Fields of study:

WPF INF-MA ab 1
WF EEI-MA ab 1
WF MT-MA-BDV ab 1
WF MT-MA-GPP ab 1
WF MT-MA-MEL ab 1

Keywords:

gait analysis, trajectory optimization, gait simulation, inverse kinetic, inverse kinematics, muscle modelling, musculoskeletal models, metabolic energy

Algorithmen und Datenstrukturen (für Medizintechnik) Rechnerübung [AuD-MT-RUE]

Lecturers:

Robert Richer, René Raab

Details:

Übung, 2 cred.h, ECTS: 2,5, für Anfänger geeignet, Frühstudium, Der Übungsbetrieb beginnt in der zweiten Vorlesungswoche!

Fields of study:

PF MT-BA 1
WF MT-MA 1-2
PF WINF-BA 1

Keywords:

Java, Objektorientierte Programmierung, Algorithmen, Datenstrukturen

Algorithmen und Datenstrukturen (für Medizintechnik) Tafelübung [AuD-MT-TUE]

Lecturers:

Robert Richer, René Raab

Details:

Übung, 2 cred.h, certificate, ECTS: 2,5, für Anfänger geeignet, Frühstudium, Der Übungsbetrieb beginnt in der zweiten Vorlesungswoche!

Fields of study:

PF MT-BA 1
WF MT-MA 1-2
PF WINF-BA 1

Keywords:

Java, Objektorientierte Programmierung, Algorithmen, Datenstrukturen

Algorithmen und Datenstrukturen (für Medizintechnik) Tutorenbesprechung [AuD-MT-TUT]

Lecturers:

Robert Richer, René Raab, Tutoren

Details:

Übung

Dates:

Thu, 18:00 - 20:00, room tbd

Bewegungsanalyse und biomechanische Grenzgebiete [BABG]

Lecturer:

N.N.

Details:

Vorlesung, 2 cred.h, ECTS: 2,5

Dates:

to be determined

Fields of study:

WF MT-BA ab 4
WF MT-MA ab 1
WF MT-MA-BDV ab 1
WF MT-BA-BV ab 4
WF MT-MA-MEL ab 1
WF MT-MA-IDP ab 1
WF MT-BA-GP ab 4

Prerequisites / Organisational information:

Für diese Lehrveranstaltung ist eine Anmeldung erforderlich. Die Anmeldung erfolgt über: https://www.vhb.org/

Contents:

• Anatomie des menschlichen Bewegungsapparates
Muskeln, Sehnen, Bänder, Knochen, Knorpel

• Gelenkmechanik

• Kinematik
Bewegungsanalyse und Motion-Capturing-Systeme

• Kinetik
Kraft- & Druckmessplatten, Bodenreaktionskräfte

• Elektromyographie

• 3D-Modellierung in der Biomechanik

Segmentierung, 3D-Modelle

• Simulation
FEM, MKS

Recommended literature:

Relevante Literatur ist im online-Kurs zu den jeweiligen Kapiteln angegeben.

Biomedizinische Signalanalyse [BioSig]

Lecturers:

Felix Kluge, Björn Eskofier

Details:

Vorlesung, 2 cred.h, ECTS: 2,5

Dates:

Tue, 8:30 - 10:00, H16

Fields of study:

WF EEI-BA ab 5
WF EEI-MA ab 1
WF IuK-BA ab 5
WF CE-MA-TA-MT ab 1
WPF INF-MA ab 1
WF INF-BA ab 5
WF INF-BA-V-ME ab 5
WF INF-BA-V-MI ab 5
WPF MT-BA 5
WPF MT-MA-BDV ab 1
WPF MT-MA-MEL ab 1
WPF I2F-BA ab 4
WF ICT-MA ab 1

Contents:

Im Rahmen der Vorlesung werden (a) die Grundlagen der Generation von wichtigen Biosignalen im menschlichen Körper (b) die Messung von Biosignalen und (c) Methoden zur Analyse von Biosignalen erläutert und dargestellt.
Studon Kurs: https://www.studon.fau.de/crs2688640.html

Biomedizinische Signalanalyse Übung [BioSig-UE]

Details:

Übung, 2 cred.h, ECTS: 2,5

Fields of study:

WPF INF-MA ab 1
WPF INF-BA ab 5
WF INF-BA-V-ME ab 5
WF INF-BA-V-MI ab 5
WPF I2F-BA ab 4
WF IuK-BA ab 5
WF ICT-MA ab 1
WF EEI-BA ab 5
WF EEI-MA ab 1
WPF MT-BA 5
WPF MT-MA-BDV ab 1
WPF MT-MA-MEL ab 1
WPF CE-MA-TA-MT ab 5

Contents:

Im Rahmen der Vorlesung werden (a) die Grundlagen der Generation von wichtigen Biosignalen im menschlichen Körper (b) die Messung von Biosignalen und (c) Methoden zur Analyse von Biosignalen erläutert und dargestellt.

Innovationslabor für Wearable und Ubiquitous Computing [InnoLab]

Lecturers:

Björn Eskofier, Matthias Zürl, Philipp Dumbach, Marlies Nitschke, Malte Ollenschläger, Nils Roth, Philipp Schlieper, Maike Stöve, Martin Ullrich, Markus Zrenner

Details:

Praktikum, 4 cred.h, graded certificate, geeignet als Schlüsselqualifikation

Dates:

Tue, 16:15 - 17:45, 00.010
Thu, 12:15 - 13:45, 00.010

Fields of study:

WF INF-MA ab 1
WF MT-MA ab 1
WF MB-MA ab 1
WF ME-MA ab 1
WF WING-MA ab 1
WF CE-MA ab 1
WF IIS-MA ab 1

Prerequisites / Organisational information:

Themenvergabe und Terminfindung in der ersten Woche des Semesters. Anmeldung bis 15.10.2019 unter Studon. Die Vergabe der Plätze im Kurs erfolgt nach einem Aufnahmeantrag. In diesem sollen Studierende ihren Studiengang, ihr Fachsemester und den angestrebten Abschluss nennen (Bachelor/Master). Sind zu viele Anmeldungen eingegangen und der Kurs ist voll, gibt es eine Warteliste. Das Praktikum steht Studierenden der genannten Studienrichtungen ab dem 5. Bachelorsemester (und aller Mastersemester) ebenfalls offen. Für weitere Studiengänge und ECTS-Verteilungen bitte unter Matthias.Zuerl@fau.de nachfragen. Weitere Informationen zu der Lehrveranstaltung können auch unserer Webseite entnommen werden: https://www.mad.tf.fau.de/research/projects/innovation-lab-for-wearable-and-ubiquitous-computing ,
Anmeldung: https://www.studon.fau.de/crs2654537.html
Die Anmeldung ist möglich ab dem 09.09.2019 bis einschließlich 15.10.2019

Contents:

Mini-Computer, die unseren Lebensrhythmus dokumentieren, EKG-Sensoren, die jedes Detail aufzeichnen, Brillen, die uns in eine andere Realität versetzen – diesen Technologien begegnen wir mittlerweile ständig im Alltag. Im Innovationslabor für Wearable und Ubiquitous Computing werden solche Technologien von Studierenden entwickelt und gleichzeitig aufgezeigt, wie man mit diesen ein eigenes Startup gründen könnte. Gefördert wird das Labor vom Zentrum Digitalisierung Bayern (ZD.B).
Die innovativen Technologien werden dabei prototypisch in Gruppenarbeit (5-8 Studierende) unter Nutzung von agilen Entwicklungsmethoden (Scrum) geschaffen. Den Studierenden steht dabei der Zugang zum Innovationslabor offen, welches mit der nötigen Infrastruktur für die Entwicklung der Prototypen ausgestattet ist. Die Ideen für die Projekte stammen dabei entweder von kooperierenden Firmen oder von den Studierenden selbst.
Neben dem Prototyping erlernen die Teilnehmer in Tutorials die Grundlagen für innovatives Arbeiten wie Design Thinking und Patentrecherche. Zudem wird ihnen beigebracht, wie sie nach der Entwicklung ihre Ideen schützen und gegebenenfalls an den Markt bringen können.

Lernziele und Kompetenzen:
• Ideation, Design Thinking
• Patentrecherche, Marktanalysetechniken
• Agile Entwicklungsmethoden (Scrum)
• Prototyping
• Sicherung geistigen Eigentums
• Einführung in Entrepreneurship, Startup Finanzierung

Kolloquium im Bereich Maschinelles Lernen und Datenanalytik [KoMAD]

Lecturer:

Björn Eskofier

Details:

Kolloquium, 2 cred.h

Dates:

Wed, 12:30 - 14:00, 00.010

Fields of study:

WPF INF-MA ab 1

Contents:

The colloquium provides a platform for the exchange of the researchers of the MaD-Lab. It focuses on scientific education via the discussion of seminal papers and recent developments, improvement of presentation skills and other aspects like for example grant writing. The colloquium is open to all interested researchers and students.

The colloquium is organized in the following StudOn group:
http://www.studon.uni-erlangen.de/studon/goto.php?target=crs_387333
Please join the group if you participate in the colloquium.

Lecture Machine Learning for Time Series [MLTS]

Lecturers:

Björn Eskofier, Oliver Amft, Christopher Mutschler

Details:

Vorlesung, 2 cred.h, graded certificate, ECTS: 2,5

Dates:

Wed, 8:15 - 9:45, 00.010

Fields of study:

WF ASC-MA ab 1
WF INF-MA ab 1
WF CE-MA-TA-MT ab 1
WF MT-MA ab 1

Contents:

Die Vorlesung vermittelt Konzepte des Maschinellen Lernens speziell im Hinblick auf Anwendungen bei Zeitreihen. Es handelt sich hier um eine Spezialisierungsvorlesung, eine erfolgreiche Absolvierung der Vorlesungen „IntroPR" und/oder „Pattern Recognition"/"Pattern Analysis" wird empfohlen. Konzepte, die in „IntroPR" vermittelt werden, werden hier als Grundwissen vorausgesetzt.

Die folgenden Themen werden in der Vorlesung behandelt:

• Ein Überblick über die Anwendungsgebiete der Zeitreihenanalyse

• Methodische Grundlagen des Maschinellen Lernens (ML) für die Analyse von Zeitreihen, beispielsweise Gauß-Prozesse, Monte-Carlo Sampling und Deep Learning

• Design, Implementierung und Evaluation von ML Methoden, um Probleme in Zeitreihen zu adressieren

• Arbeitstechniken in bekannten Toolboxen zur Implementierung von relevanten Methoden, beispielsweise Tensorflow/Keras
  

Recommended literature:

• Machine Learning: A Probabilistic Perspective, Kevin Murphy, MIT press, 2012

• The Elements of Statistical Learning: Data Mining, Inference, and Prediction, Trevor Hastie, Robert Tibshirani, Jerome Friedman, Springer, 2009

• Deep Learning, Ian Goodfellow and Yoshua Bengio and Aaron Courville, MIT Press, 2016

• Reinforcement Learning: An Introduction, Richard S. Sutton and Andrew G. Barto, MIT press, 1998
  

Lab project Machine Learning for Time Series [MLTS-L]

Lecturer:

Nooshin Haji Ghassemi

Details:

Praktikum, 2 cred.h, ECTS: 2,5

Dates:

to be determined

Fields of study:

WF ASC-MA ab 1
WF INF-MA ab 1
WF CE-MA-TA-MT ab 1
WF MT-MA ab 1

Maschinelles Lernen für Zeitreihen Übung [MLTS-UE]

Lecturers:

Nooshin Haji Ghassemi, Ivanna Timotius, Stefan Gradl

Details:

Übung, 2 cred.h, ECTS: 2,5

Dates:

Tue, 10:15 - 11:45, CIP-Pool MB Konrad-Zuse-Str. 3
Please organise a login for the CIP-Maschinenbau to participate in this exercise: http://www.cip.mb.uni-erlangen.de/main.phtml?standort=pgs&sub=pgs&page=inside

Fields of study:

WF ASC-MA ab 1
WF CE-MA-TA-MT ab 1
WF MT-MA ab 1
WF INF-MA ab 1
WF CME-MA ab 1

Maschinelles Lernen und Datenanalytik für Industrie 4.0 [MADI40]

Lecturers:

Björn Eskofier, An Nguyen, Franz Köferl, Philipp Schlieper

Details:

Seminar, 2 cred.h, graded certificate, ECTS: 5, nur Fachstudium, Registration via mail to an.nguyen@fau.de

Dates:

Wed, 16:00 - 18:00, 00.010
Starts on 16.10.2019

Fields of study:

WPF MT-MA-BDV ab 1
WPF INF-MA ab 1
WPF CE-MA ab 1
WF EEI-MA ab 1
WPF ASC-MA ab 1
WF ICT-MA ab 1

Prerequisites / Organisational information:

Prerequisites Registration via e-mail to an.nguyen@fau.de Registration period: 15.07.2019 - 07.10.2019

Requirements:

• Prior knowledge of machine learning via courses like PA, IntroPR, PR, DL, MLTS, CVP or equivalent (ideally first project experiences) is expected!

• Motivation to explore scientific findings (e.g. via literature research)

• Motivation to code and analyze data

Examination:
50% of grade: Presentation + demo (25 minutes)
50% of grade 4 pages IEEE standard paper (excluding references) + code submission
Attending the presentations of other students

Contents:

Contents
Companies in all kinds of industries are producing and collecting rapidly more and more data from various sources. This is enabled by technologies such as the Internet of Things (IoT), Cyber-physical system (CPS) and cloud computing. Hence there is an increasing demand in industry and research for students and graduates with machine learning and data analytics skills in the Industry 4.0 context.
In this Seminar the Industry 4.0 term will include the medical device sector. Aim of this seminar is to give students insights about state-of-the-art machine learning and data analytics methods and applications in the Industry 4.0 and Healthcare context. Students will mainly work independently on specific topics including implementation and analytical components. Several potential topics will be provided but students are also encouraged to propose their own topics (please discuss with teaching staff beforehand).

Topics covered will include but are not limited to:

• Best practices for presentation and scientific work
  

• Overview of current hot topics in the field of machine learning and data analytics for Industry 4.0 (e.g. deep learning for predictive maintenance and process mining for usage analysis)
  

• Data acquisition (what kind of data can be acquired? Identification of publicly available data sets) and storage (how can data be stored efficiently?)
  

• Machine learning and data analytics methodologies (Support vector machines, Hidden Markov models, Deep learning, Process mining, etc.) for industrial data (sensor data, event logs, ...)
  

• Object detection in industry application

The seminar will include talks by corresponding lecturer and invited experts in the domain. Furthermore, students will present results from literature research and data analytics projects (provided or open source datasets).

Learning Objectives and Competencies

• Students will develop an understanding of the current hot field of machine learning and data analytics for Industry 4.0 / healthcare
  

• Students will learn to research and present a topic within the context of machine learning and data analytics for Industry 4.0 / healthcare independently
  

• Students will learn to identify opportunities, challenges and limitations of corresponding ML approaches for Industry 4.0 / healthcare
  

• Students will develop the skill to identify and understand relevant literature and to present their finding in a structured manner
  

• Students will learn to present implementation and validation results in form of a demonstration and/or report

Recommended literature:

Literature (Selection)

• Lei, Yaguo, Naipeng Li, Liang Guo, Ningbo Li, Tao Yan, and Jing Lin. “Machinery Health Prognostics: A Systematic Review from Data Acquisition to RUL Prediction.” Mechanical Systems and Signal Processing 104 (May 2018): 799–834.https://doi.org/10.1016/j.ymssp.2017.11.016.

• Rojas, Eric, Jorge Munoz-Gama, Marcos Sepúlveda, and Daniel Capurro. “Process Mining in Healthcare: A Literature Review.” Journal of Biomedical Informatics 61 (June 1, 2016): 224–36. https://doi.org/10.1016/j.jbi.2016.04.007.

• Wil M. P. van der Aalst. „Process Mining: Data Science in Action” 2nd edition, Springer 2016. ISBN 978-3-662-49851-4

• Wang, Lihui, and Xi Vincent Wang. Cloud-Based Cyber-Physical Systems in Manufacturing. Cham: Springer International Publishing, 2018. https://doi.org/10.1007/978-3-319-67693-7.
  

Keywords:

Machine Learning, Data Analytics, Process Mining, Predictive Maintenance, Industry 4.0, Healthcare

Project Machine Learning and Data Analytics [ProjMAD]

Lecturer:

Björn Eskofier

Details:

Sonstige Lehrveranstaltung, graded certificate, ECTS: 10

Dates:

to be determined

Fields of study:

WPF INF-MA 1

Prerequisites / Organisational information:

Master Studium Informatik

Contents:

Es werden mehrere verschiedene Aufgabenstellungen angeboten. Die Aufgabenstellungen können auf der Homepage des Lehrstuhls eingesehen werden (unter Studentische Projekte). Bei Interesse an spezifischen Themen können die Mitarbeiter des Machine Learning and Data Analytics Lab direkt kontaktiert werden. Für organisatorische Fragen oder Themen über die auf der Homepage angebotenen hinaus, bitte stefan.gradl@fau.de kontaktieren.

Keywords:

Master Projekt Project

The why and how of human gait simulations [HGS]

Lecturer:

Anne Koelewijn

Details:

Seminar, 2 cred.h, graded certificate, ECTS: 2,5, nur Fachstudium, Organisation and slides via StudOn.

Dates:

Tue, 10:15 - 11:45, 00.010

Fields of study:

WF MT-MA-BDV ab 1
WF MT-MA-GPP ab 1
WPF INF-MA ab 1
WF EEI-MA ab 1
WF MT-MA-MEL ab 1

Prerequisites / Organisational information:

Assignment: Mail to mailto:anne.koelewijn@fau.de
The grade consists of a presentation and a report, both counting 50% of the final grade.

Contents:

Learning objectives:
Set up a trajectory optimization problem to solve for a gait simulation
Be familiar with different approaches to solving gait simulations
Be able to select an approach to solve a specific simulation problem
Know the state-of-the-art gait simulation methods used at FAU and universities in Germany and abroad

Keywords:

trajectory optimization, optimal control, human locomotion, biomechanics