Zum Inhalt springen
Technische Universität Berlin English
Vorlesungsverzeichnis und Modultransfersystem

Intelligent Biomedical Sensing 2: Deep LearningModulbeschreibung #41308 / Version 1

← Zur Modulseite English version
Modul / Version#41308 / #1
GültigkeitSeit SoSe 2026
Verfügbare Sprache(n)Englisch, Deutsch
Leistungspunkte9
Modulverantwortliche*rvon Lühmann, Alexander
BenotungBenotet
PrüfungsformPortfolioprüfung
Lehrsprache(n)Englisch

Zugehörigkeit

FakultätFakultät IV
InstitutInstitut für Softwaretechnik und Theoretische Informatik
Fachgebiet34352003 - Nachwuchsgruppe Alexander von Lühmann

Kontakt

SekretariatMAR 4-1
Ansprechpartner*inKeine Angabe
E-Mail-Adressevonluehmann@tu-berlin.de
WebseiteKeine Angabe

Lernergebnisse

• Charakteristika biomedizinischer Daten zu verstehen: Spezifische Herausforderungen biomedizinischer Signale wie Rauschen, Artefakte, Nicht-Stationarität, interindividuelle Variabilität, kleine Datensätze und Domänenverschiebungen zu analysieren.
• Deep-Learning-Pipelines zu entwerfen: Robuste Vorverarbeitungs- und Datenpipelines für biomedizinische Signale zu entwickeln, einschließlich Filterung, Artefaktbehandlung, Normalisierung, Segmentierung und Datenaugmentation.
• Deep-Learning-Modelle zu entwickeln: Geeignete neuronale Netzarchitekturen für biomedizinische Zeitreihen zu entwerfen, zu implementieren und zu trainieren, einschließlich CNNs, RNNs und forschungsnahe Modelle.
• Moderne Architekturen einzusetzen: Fortgeschrittene Modelle wie Transformer, Graph Neural Networks und hybride Ansätze für komplexe biomedizinische Analyseaufgaben zu bewerten und anzuwenden.
• Erweiterte Lernparadigmen zu nutzen: Multimodale Fusion, selbstüberwachtes Lernen, Repräsentationslernen und erklärbare KI im biomedizinischen Kontext einzusetzen.
• Experimente fundiert zu evaluieren: Saubere Trainings- und Evaluationsprotokolle zu entwerfen, geeignete Metriken zu wählen und Ergebnisse kritisch zu interpretieren.
• Praxisnahe Lösungen zu realisieren: End-to-End-Deep-Learning-Systeme für reale biomedizinische Datensätze zu entwickeln und wissenschaftlich einzuordnen.

Lehrinhalte

Deep Learning for Biosignal Analysis
• Definition einer biomedizinischen Lernaufgabe (Klassifikation, Regression oder Segmentierung)
• Literaturbasierte Analyse von Signalmodalität und Aufgabenstellung
• Entwurf und Implementierung von Vorverarbeitungspipelines
• Auswahl, Begründung und Implementierung geeigneter Deep-Learning-Architekturen
• Modelltraining, Optimierung, Evaluation und Ergebnisanalyse
• Kritische Reflexion von Generalisierbarkeit, Limitationen und Interpretierbarkeit

Deep Learning for Biomedical Signal Analysis
• Einführung in Deep Learning für biomedizinische Signale
• Signalvorverarbeitung und Datenaugmentation
• Zentrale Architekturen für Zeitreihen (CNNs, RNNs)
• Moderne Architekturen: Transformer, Graph Neural Networks u. a.
• Multimodales Repräsentationslernen
• Evaluation, Interpretierbarkeit und klinisches Vertrauen
• Reale Datensätze, offene Herausforderungen und aktuelle Forschungstrends

Modulbestandteile

Pflichtbereich

Die folgenden Veranstaltungen sind für das Modul obligatorisch:

LehrveranstaltungenArtNummerTurnusSpracheSWSVVZ
Deep Learning for Biomedical Signal AnalysisProjekt Sommersemester[en]4 ISIS
Deep Learning for Biomedical Signal AnalysisVorlesung Sommersemester[en]2 ISIS

Arbeitsaufwand und Leistungspunkte

Deep Learning for Biomedical Signal Analysis (Projekt)

AufwandbeschreibungMultiplikatorStundenGesamt
Präsenzzeit154 h60 h
Treffen mit Betreuer151 h15 h
Projektimplementierung und Projektreport170 h70 h
Literaturrecherche und Bearbeitung165 h65 h
210 h

Deep Learning for Biomedical Signal Analysis (Vorlesung)

AufwandbeschreibungMultiplikatorStundenGesamt
Präsenzzeit152 h30 h
Vor-/Nachbereitung152 h30 h
60 h

Der Aufwand des Moduls summiert sich zu 270 Stunden. Damit umfasst das Modul 9 Leistungspunkte.

Beschreibung der Lehr- und Lernformen

Projektbasierte Lehre: Das benotete Projekt ist das zentrale Element und vermittelt praxisnahe Deep-Learning-Kompetenzen anhand realer biomedizinischer Daten.
Vorlesung: Theoretische Fundierung, methodische Einordnung und forschungsnahe Perspektiven.
Praktische Programmierphasen: Umsetzung in Python und PyTorch mit begleitenden Demonstrationen.
Selbststudium: Vertiefende Literaturarbeit, Implementierung, Experimentieren und Dokumentation.

Voraussetzungen für die Teilnahme / Prüfung

Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:

• Kenntnisse in linearer Algebra, Analysis sowie Wahrscheinlichkeitstheorie und Stochastik
• Grundlagen des maschinellen Lernens
• Grundlegende Programmierkenntnisse (C/C++, Python)

Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:

Dieses Modul hat keine Prüfungsvoraussetzungen.

Abschluss des Moduls

BenotungBenotet
PrüfungsformPortfolioprüfung
Art der Portfolioprüfung100 Punkte insgesamt
SpracheEnglisch

Prüfungselemente

NamePunkte/GewichtKategorieDauer/Umfang
(Ergebnisprüfung) Projektbericht50schriftlich10-15 Seiten
(Ergebnisprüfung) Projektpräsentation30mündlich20 Minuten
(Punktuelle Leistungsabfrage) Multiple-Choice-Test20schriftlich45 Minuten

Dauer des Moduls

Für Belegung und Abschluss des Moduls ist folgende Semesteranzahl veranschlagt: 1 Semester.

Dieses Modul kann in folgenden Semestern begonnen werden: Sommersemester.

Maximale teilnehmende Personen

Die maximale Teilnehmerzahl beträgt 20.

Anmeldeformalitäten

Keine.

Literaturhinweise, Skripte

Skript in Papierform

nicht verfügbar

Skript in elektronischer Form

nicht verfügbar

Empfohlene Literatur

Keine empfohlene Literatur angegeben

Zugeordnete Studiengänge

Diese Modulversion wird in folgenden Studiengängen verwendet:

Studiengang / StuPOSemesterStudiengangsbereich
Computer Engineering
StuPO 2015
SoSe 2026Wahlpflicht Studiengebiete Fak. IV › Kognitive Systeme / Cognitive Systems
WiSe 2026/27Wahlpflichtbereich › Studiengebiet B › Kognitive Systeme / Cognitive Systems
Computer Science (Informatik)
StuPO 2015
SoSe 2026Wahlpflicht Studiengebiete Fak. IV › Kognitive Systeme / Cognitive Systems
WiSe 2026/27Wahlpflichtbereich › Studiengebiete › Data and Software Engineering / Data and Software Engineering
Elektrotechnik
StuPO 2015
SoSe 2026Wahlpflicht Studiengebiete Fak. IV › Kognitive Systeme / Cognitive Systems
WiSe 2026/27Wahlpflichtbereich › Studiengebiete Fak. IV › Data and Software Engineering / Data and Software Engineering
Information Systems Management (Wirtschaftsinformatik)
StuPO 2017
SoSe 2026Wahlpflichtbereich › Fachstudium Informatik › Data and Software Engineering
WiSe 2026/27Wahlpflichtbereich › Fachstudium Informatik › Data and Software Engineering
Wirtschaftsingenieurwesen
StuPO 2026
WiSe 2026/27Ingenieurwissenschaften / Studienrichtungen › AI Engineering › Data and Software Engineering

Sonstiges

Keine.