Vorwissen über Alltagsaufgaben nutzen. Intelligente, situationsgestützte Assistenzsysteme sollen Menschen bei ihren Alltagsaufgaben unterstützen. Die Wissenschaftler des Lehrstuhls Mobile Multimedia Information Systems berücksichtigen dabei Vorwissen über die Alltagsaufgaben, z.B. über den Ablauf einer Aufgabe oder verschiedene Zustände. Dieses Vorwissen stammt aus dem jeweiligen Anwendungsgebiet, beispielsweise von Experten aus dem Pflege- und Gesundheitsbereich.
Mit Sensordaten Aktivitäten erkennen. Auf Basis von Beobachtungen können Situationen bzw. Zustände geschätzt werden. Mit Beobachtungen sind hier spezielle Sensordaten, wie die eines Beschleunigungssensors gemeint, den die Personen mit einem Armband oder einer Smartwatch bei sich tragen und der Aufschluss über die Bewegungen einer Person gibt. Situationsschätzung bedeutet, dass mittels Bayes’scher Filter bestimmt wird, wie wahrscheinlich eine bestimmte Situation ist, z.B. ob sich jemand gerade in einer Notlage befindet.
Automatisiert passende Unterstützung anbieten. Abhängig von der geschätzten Situation können geeignete Aktionen ausgewählt werden. Hierbei werden Kosten und Nutzen der Aktionen berücksichtigt und die optimale Aktionssequenz ermittelt. Was wäre zum Beispiel, wenn ein Notruf ganz umsonst erfolgt? Welches sind die Konsequenzen, wenn ein Notruf nicht erfolgt, obwohl er eigentlich notwendig gewesen wäre? Assistenzsysteme müssen also mit sehr komplexen Entscheidungssituationen umgehen.
Forschung vielseitig anwenden. Der Lehrstuhl MMIS adressiert mit seiner Forschung unterschiedliche Anwendungsdomänen: Assistenz für Patienten und Angehörige mit Demenz, Assistenz für die Ausbildung von Pflegekräften sowie Assistenz nach orthopädischen Behandlungen und während der Neurorehabilitation. Weitere Projekte liegen in den Bereichen der Assistenz in intelligenten heterogenen dynamischen Umgebungen, der daten- und textbasierten Erstellung von Situationsmodellen und im Bereich Fahr- und Fahrzeugdaten.
Kompetenzen im Bereich der künstlichen Intelligenz und Data Science
- Rekursive Bayes’sche Zustandsschätzung in Anwendungsgebieten, die wissensbasiert modelliert werden können
- Probabilistische Zustandsschätzung auf sehr großen Zustandsräumen auf Basis von Algorithmen der lifted inference
- Datenanalyse inklusive statistischer Analysen und Klassifikation mit Entscheidungsbäumen, Random Forests, Support Vector Machines, Deep Learning etc.
- Fundierte Erfahrungen im Bereich der zuverlässigen Aufzeichnung menschlicher Verhaltensdaten in nicht kontrollierten Umgebungen, z.B. Pflegeheim, häusliches Umfeld, einschließlich Integritätstests und abgesicherter und automatisierter Datenverarbeitungspipeline
Prof. Dr.-Ing. Thomas Kirste
Lehrstuhl Mobile Multimedia Information Systems, Universität Rostock
Dr. rer. nat. Sebastian Bader
Lehrstuhl Mobile Multimedia Information Systems, Universität Rostock
Ausgewählte Projekte
NEISS: Neuronale Extraktion von Informationen, Strukturen und Symmetrien in Bildern
Im Projekt NEISS steht die Digitalisierung in diversen Wissensgebieten, insbesondere den Geisteswissenschaften, im Vordergrund. Hauptaugenmerk seitens CITlab ist die Extraktion und Analyse vielfältiger Informationen aus Bildern und Datenströmen. Speziell im Bereich der Digital Humanities wird die automatisierte Erschließung deutscher Texte mittels maschineller Lernverfahren erforscht.
Neben der reinen Erkennung von Texten spielt die semantische Interpretation des Erkannten, beginnend bei einzelnen Sätzen bis hin zu ganzen Büchern, eine entscheidende Rolle. Durch Methoden des Natural Language Processings, wie Topic Modelling, Sentiment Analysis und einer automatisierten Textzusammenfassung, können Texte und deren Bedeutung tiefer erschlossen werden. Durch die Kombination aus Texterkennung und künstlicher Intelligenz wird zudem die Qualität der erzielten Ergebnisse verbessert.
Lifted Marginal Inference
Um in großen diskreten Zustandsräumen mit probabilistischen Methoden den aktuellen Zustand des Systems zu schätzen, müssen vorhandene Symmetrien ausgenutzt werden. Dies ermöglicht eine kompakte Repräsentation des Zustands. Diese kompakte Repräsentation bildet die Basis für die Entwicklung effizienter Algorithmen für die Bayes’sche Zustandsschätzung in Anwendungsdomänen, in denen viele Agenten/Objekte unterschiedlicher Art miteinander interagieren (u.a. in intelligenten Umgebungen).
InsideDEM
In diesem Projekt geht es um die automatische Erkennung herausfordernder Verhaltensweisen bei Demenzkranken, um rechtzeitige therapeutische Hilfe leisten zu können. Im Rahmen des Projektes wurde zwei vierwöchige Studie durchgeführt, bei der Patienten Bewegungssensoren an Arm und Bein trugen. Die Datenströme wurden von den Rostocker Forschern analysiert, um eine Klassifikation bestimmter Verhaltensweisen vornehmen zu können. Gemeinsam mit Fachexperten wurde zuvor ein Klassifikationsschema auf Basis des Dementia Care Mapping erstellt. D.h., es wurden die zu identifizierenden Verhaltensweisen definiert, die dann aus den sensorischen Beobachtungen automatisiert erkannt werden sollen. Dabei konnten für die Patienten die Prävalenz bzgl. unterschiedlicher Verhaltensweisen automatisch ermittelt werden.
SAMi
Zielgruppe in diesem Projekt sind an Demenz erkrankte Menschen. Diesen soll geholfen werden, ihren Alltag selbstbestimmt zu organisieren. Dazu werden sie bei der Aufrechterhaltung der zeitlichen und räumlichen Orientierung unterstützt. Die grundlegende Idee ist es, Patienten mit einer Smartwatch auszustatten, die den Terminkalender und die aktuelle Position der jeweiligen Person kennt. Mithilfe einer selbst-entwickelten Indoor-Lokalisierungslösung kann der aktuelle Aufenthaltsort bestimmt werden. Dadurch kann beispielsweise festgestellt werden, ob eine Person einen Therapietermin hat, sich momentan aber nicht am richtigen Ort befindet. In diesem Fall kann die Smartwatch die Person über Orientierungshinweise zum richtigen Zielort leiten. Besondere Herausforderung ist, dass die Selbständigkeit der Personen so lange wie möglich erhalten bleiben soll. Das bedeutet, die Orientierungshinweise sollen nur dann gegeben werden, wenn sie erforderlich sind, und Patienten nicht bevormunden.
EIDEC
Im Projekt EIDEC setzt sich das Team MMIS mit Forschern anderer Universitäten mit dem Thema von Ethik und Moral im Bereich der Assistenzsysteme auseinander. Es geht darum, ob und wie man erkennt, welche Normen durch ein System umgesetzt werden, und wie Normen in ein Assistenzsystem integriert werden können. Im Bereich der Assistenzsysteme für Demenzkranke gibt es beispielweise die widerstreitenden Zielstellungen der Erhaltung der Autonomie und der Sicherheit eines Patienten. Wann hat welches dieser Ziele Priorität? Bisher wurde dieser Aspekt kaum bei der Umsetzung von Assistenzsystemen berücksichtigt. Das Projekt widmet sich jedoch auch ethischen Aspekten während der Systementwicklung. So kann die Beschaffung annotierter Trainingsbeispiele, anhand derer ein Klassifikationsmodell erstellt werden kann, zu einem Eingriff in die Privatsphäre führen, wenn Videoaufnahmen oder Beobachtungen benötigt werden. Mögliche Alternativansätze sind, bestimmte Vorverarbeitungsschritte ins Labor zu verlegen oder lediglich ausgewählte prototypische Beispiele aufzuzeichnen, um aus diesen zu lernen.