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

Lecturer:

Anne Koelewijn

Details:

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

Dates:

Thu, 08:15 - 09:45, H15
Organisation and slides via StudOn.

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

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

Lecturer:

Anne Koelewijn

Details:

Übung, 2 cred.h, ECTS: 2,5, für FAU Scientia Gaststudierende zugelassen

Dates:

Tue, 08:15 - 09:45, K1-119 Brose-Saal

Becoming an innovative engineer

Lecturers:

Björn Eskofier, Marlies Nitschke

Details:

Vorlesung, 2 cred.h, ECTS: 2,5, für FAU Scientia Gaststudierende zugelassen

Dates:

Self-study

Motion Analysis and Biomechanical Frontiers

Lecturer:

Anne Koelewijn

Details:

Vorlesung, 2 cred.h, ECTS: 2,5, für FAU Scientia Gaststudierende zugelassen

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
(erwartete Hörerzahl original: 0, fixe Veranstaltung: nein)

Recommended literature:

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

Biomedical Signal Analysis [BioSig(A)]

Lecturer:

Björn Eskofier

Details:

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

Dates:

Wed, 08:15 - 09:45, H10
Online

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
WPF AI-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.
Aufgrund der derzeitigen Corona-Lage findet die Vorlesung digital statt. Für weitere Informationen, wie man sich in die digitalen Räume einloggen kann, besuchen Sie bitte unseren zugehörigen StudOn Kurs (siehe Link unten). (automatisch geplant, erwartete Hörerzahl original: 80, fixe Veranstaltung: nein)

Biomedical Signal Analysis Exercise [BioSig-UE(A)]

Lecturer:

Björn Eskofier

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
WPF AI-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. (automatisch geplant, erwartete Hörerzahl original: 34, fixe Veranstaltung: nein)

Digital Psychology Lab

Lecturers:

Robert Richer, Katharina Jäger, Veronika Ringgold, Björn Eskofier, Nicolas Rohleder

Details:

Seminar, 2 cred.h, graded certificate, ECTS: 5, nur Fachstudium

Dates:

Mon, 14:15 - 15:45, 00.010
Die Lehrveranstaltung beginnt am Montag, 18.10. Bitte beachten Sie die Rahmenbedingungen für die Lehre (3G-Regeln!)

Fields of study:

WF MT-MA ab 1

Prerequisites / Organisational information:

Voraussetzungen: Im Vordergrund des Kurses steht die Verarbeitung und Analyse von biopsychologischen Daten in Python im Vordergrund. Daher sind (gute) Kenntnisse der Programmiersprache Python und damit verbundene Programmbibliotheken (NumPy, Pandas, SciPy, Matplotlib, etc.), bzw. das Interesse, sich diese Kenntnisse als Vorbereitung oder im Laufe des Kurses anzueignen, erwünscht.

Wenn Sie Ihr Wissen prüfen oder auffrischen wollen, empfehlen wir Ihnen die folgenden Vorlesungen und Online-Ressourcen: Beachten Sie jedoch, dass einige von ihnen bei vielen Themen über die Anforderungen dieses Kurses hinausgehen!

• Udacity Kurs: Introduction to Python

• Stanford Kurs: Introduction to Scientific Python

• SciPy Lecture Notes

• Introduction to Pandas for Data Science

• American Psychological Association – A brief introduction to Python for psychological science research

• Introduction to Programming for Psychological Scientists

• Kursaufzeichnungen Digital Psychology Lab - WS 20/21

Anmeldung: Studierende der Medizintechnik melden sich bei Interesse an der Lehrveranstaltung bitte vorab per Email an mad-dipsylab@fau.de an.

Contents:

Die interdisziplinäre Lehrveranstaltung "Digital Psychology Lab" ist für Studierende der Psychologie und Medizintechnik konzipiert. In Gruppen werden aktuelle Fragestellungen aus den Bereichen der digitalen Gesundheits- und Stressforschung bearbeitet. Ziel dieses forschungsorientierten Kurses ist die Stärkung der Zusammenarbeit zwischen den einzelnen Disziplinen, um gegenseitige Synergieffekte optimal zu nutzen. Die Studierenden sollen ihre individuellen Kompetenzen, die sie während des Studiums erlernt haben, in interdisziplinären Teams einsetzen, um voneinander zu profitieren.

Neben der Planung und Durchführung einer Forschungsfrage sowie Analyse der Ergebnisse in Gruppen wird es während des Semesters auch Lehreinheiten der verschiedenen Disziplinen geben (Psychologie: Theoretische Modelle und biologische Grundlagen von Stress, hypothesengeleitete Planung und Durchführung von Experimenten, Erhebung von Biomarkern und deren Auswertung im Labor, Inferenzstatistik; Medizintechnik: Datenanalyse in Python, Erfassung und Verarbeitung von physiologischen Signalen, Grundlagen des maschinellen Lernens). Zudem werden Grundlagen des wissenschaftlichen Arbeitens und des Forschungsdatenmanagements vermittelt.

Zu den behandelten Themen gehören unter anderem:

• Überblick über aktuelle Themen auf dem Gebiet des maschinellen Lernens und der Datenanalyse für die Stressforschung

• Beste Praktiken für Präsentation und Ausarbeitung wissenschaftlicher Ergebnisse

• Beste Praktiken für hypothesengeleitete Planung und Durchführung von Experimental- und Feldstudien

(erwartete Hörerzahl original: 30, fixe Veranstaltung: nein)

Green AI - AI for Sustainability and Sustainability of AI [GREENAI]

Details:

Seminar, 2 cred.h, graded certificate, ECTS: 5, für FAU Scientia Gaststudierende zugelassen, There are no more free places in the SS 2022.

Fields of study:

WPF INF-MA ab 1
WF MT-MA ab 1
WPF AI-MA ab 1
WPF INF-BA-SEM ab 5
WPF CE-MA-SEM ab 1

Innovation Lab for Wearable and Ubiquitous Computing [InnoLab(RZ)]

Lecturers:

Björn Eskofier, Matthias Zürl, Michael Nissen, Marlies Nitschke, Nils Roth, Johannes Link, Mohamad Wehbi, Imrana Abdullahi Yari, Alzhraa Ahmed, Ann-Kristin Seifer, Misha Sadeghi

Details:

Praktikum, 4 cred.h, graded certificate, geeignet als Schlüsselqualifikation, für FAU Scientia Gaststudierende zugelassen

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
WF Ph-MA ab 1
WPF DS-MA ab 1

Prerequisites / Organisational information:

Themenvergabe und Terminfindung in der ersten Woche des Semesters. 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/teaching/innolab/ ,
Anmeldung: https://www.studon.fau.de/crs4362400.html
Die Anmeldung ist möglich ab dem 14.03.2022 bis einschließlich 15.04.2022

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.
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

.

Prüfungsleistung
Der Umfang der Leistung im Innovation Lab setzt sich aus vier Teilbereichen zusammen (in Klammern ist der Anteil an der Gesamtnote angegeben):

• Teampräsentation - 30 min (30%)
  

• Abschlussvortrag - 10 min (10 %)
  

• Hardware/Software Development, Scrum Meetings, Practical work (40%)
  

• Abschlussdokumentation/Report - ca. 3 - 6 Seiten pro Studierendem (20 %)
  

Nach dem erfolgreichen Absolvieren erhalten die Studierenden 10 ECTS.
(erwartete Hörerzahl original: 30, fixe Veranstaltung: nein)

Colloquium in Machine Learning and Data Analytics

Lecturer:

Björn Eskofier

Details:

Kolloquium, 2 cred.h, für FAU Scientia Gaststudierende zugelassen

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.
(erwartete Hörerzahl original: 30, fixe Veranstaltung: nein)

Leading by Learning [LBL(A)]

Lecturer:

Janina Beilner

Details:

Vorlesung, 2 cred.h, ECTS: 5, für FAU Scientia Gaststudierende zugelassen

Dates:

Mon, 18:15 - 19:45, K2-119
Online via MS Teams

Fields of study:

WF MT-MA ab 1
WF MT-BA ab 5

Machine Learning for Engineers I: Introduction to Methods and Tools

Lecturers:

Björn Eskofier, Jörg Franke, Nico Hanenkamp

Details:

Vorlesung, ECTS: 5

Dates:

See VHB for further details (https://kurse.vhb.org/)

Fields of study:

WF WING-BA 3-6
WF ME-BA 3-6
WF ME-MA 1-3
WPF ME-BA-MG10 3-6
WF MB-MA 1-3
WF MB-BA 3-6
WPF MB-MA-IP 2
WPF IP-BA 4-6
WPF ME-MA-MG10 1-3
WF WING-MA 1-3
WPF DS-BA 2

Machine Learning for Engineers II: Advanced Methods

Lecturers:

Björn Eskofier, u.a.

Details:

Vorlesung, ECTS: 2,5, für FAU Scientia Gaststudierende zugelassen, See VHB for further details (https://kurse.vhb.org/)

Dates:

to be determined

Fields of study:

WF MB-BA 3-6
WF MB-MA 1-3
WPF MB-MA-IP 2
WF ME-BA 3-6
WF ME-MA 1-3
WF WING-BA 3-6
WF WING-MA 1-3
WPF IP-BA 4-6

Lecture Machine Learning for Time Series [MLTS(A)]

Lecturers:

Björn Eskofier, , Dario Zanca, Luis Ignacio Lopera Gonzalez

Details:

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

Dates:

Tue, 08:15 - 09:45, 05.025

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
WPF AI-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
  

(automatisch geplant, erwartete Hörerzahl original: 30, fixe Veranstaltung: nein)

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

Lecturers:

An Nguyen, Johannes Roider

Details:

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

Dates:

to be determined

Fields of study:

WPF DS-BA-AI ab 5
WF ASC-MA ab 1
WF INF-MA ab 1
WF CE-MA-TA-MT ab 1
WF MT-MA ab 1
WPF AI-MA ab 1
WPF DS-MA-AI ab 1

Machine Learning for Time Series Exercise [MLTS-UE(A)]

Lecturers:

Leo Schwinn, Philipp Schlieper

Details:

Übung, 2 cred.h, ECTS: 2,5

Dates:

Wed, 10:15 - 11:45, 0.68

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
WPF AI-MA ab 1

Machine Learning and Data Analytics for Industry 4.0

Lecturers:

Björn Eskofier, Johannes Roider, Christoph Scholl, Lukas Schmidt

Details:

Seminar, 2 cred.h, graded certificate, ECTS: 5, nur Fachstudium, für FAU Scientia Gaststudierende zugelassen, Registration via mail to johannes.roider@fau.de

Dates:

Wed, 16:15 - 18:00, 00.010
Starts April 27th 2022

Fields of study:

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

Prerequisites / Organisational information:

Registration via e-mail to johannes.roider@fau.de Registration period: 25.02.-04.05.2022
The seminar will be held face-to-face.
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
  

Please state your previous experience in machine learning (e. g. Which courses did you take? Which project experience do you have?) when registering for the course.

Examination:
50% of grade: Presentation + demo (20 minutes)
50% of grade 4 pages IEEE standard paper (excluding references) (+ code submission)
Attendance of all meetings is required.

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 adjacent fields like the medical device or the automotive sector. Aim of this seminar is to give students insights about state-of-the-art machine learning and data analytics methods and applications in Industry 4.0 and adjacent fields. Students will mainly work independently on either a implementation centric or a research centric topic. The implementation centric topics will focus primarily on the implementation of algorithms and analytical components, while the research centric topic will focus on researching and structuring literature on a specific field of interest. 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
  

• Brief 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, ...)

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.

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 / automotive
  

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

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

• 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

(erwartete Hörerzahl original: 7, fixe Veranstaltung: nein)

Recommended literature:

• 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, Automotive

Project Machine Learning and Data Analytics

Lecturers:

Björn Eskofier, Dario Zanca, An Nguyen

Details:

Sonstige Lehrveranstaltung, graded certificate, ECTS: 10, für FAU Scientia Gaststudierende zugelassen

Dates:

to be determined

Fields of study:

WPF INF-MA ab 1
WPF DS-MA ab 1
WPF MT-MA ab 1

Prerequisites / Organisational information:

Master Studium Informatik

Contents:

Es werden mehrere verschiedene Aufgabenstellungen angeboten. Die Aufgabenstellungen können bei Dario Zanca angefragt werden. Bei Interesse an spezifischen Themen können auch die anderen Mitarbeiter des Machine Learning and Data Analytics Lab kontaktiert werden. (erwartete Hörerzahl original: 0, fixe Veranstaltung: nein)

Keywords:

Master Projekt Project

The why and how of human gait simulations

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 (erwartete Hörerzahl original: 15, fixe Veranstaltung: nein)

Keywords:

trajectory optimization, optimal control, human locomotion, biomechanics