Intelligent Biomedical Sensing 2: Deep LearningModulbeschreibung #41308 / Version 1
- 9 LP
- Portfolioprüfung
- Benotet
- Sommersemester
- Englisch
| Modul / Version | #41308 / #1 |
|---|---|
| Gültigkeit | Seit SoSe 2026 |
| Verfügbare Sprache(n) | Englisch, Deutsch |
| Leistungspunkte | 9 |
| Modulverantwortliche*r | von Lühmann, Alexander |
| Benotung | Benotet |
| Prüfungsform | Portfolioprüfung |
| Lehrsprache(n) | Englisch |
Zugehörigkeit
| Fakultät | Fakultät IV |
|---|---|
| Institut | Institut für Softwaretechnik und Theoretische Informatik |
| Fachgebiet | 34352003 - Nachwuchsgruppe Alexander von Lühmann |
Kontakt
| Sekretariat | MAR 4-1 |
|---|---|
| Ansprechpartner*in | Keine Angabe |
| E-Mail-Adresse | vonluehmann@tu-berlin.de |
| Webseite | Keine 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.
• 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
• 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:
Arbeitsaufwand und Leistungspunkte
Deep Learning for Biomedical Signal Analysis (Projekt)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 4 h | 60 h |
| Treffen mit Betreuer | 15 | 1 h | 15 h |
| Projektimplementierung und Projektreport | 1 | 70 h | 70 h |
| Literaturrecherche und Bearbeitung | 1 | 65 h | 65 h |
| 210 h | |||
Deep Learning for Biomedical Signal Analysis (Vorlesung)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 2 h | 30 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.
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)
• Grundlagen des maschinellen Lernens
• Grundlegende Programmierkenntnisse (C/C++, Python)
Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:
Dieses Modul hat keine Prüfungsvoraussetzungen.
Abschluss des Moduls
| Benotung | Benotet |
|---|---|
| Prüfungsform | Portfolioprüfung |
| Art der Portfolioprüfung | 100 Punkte insgesamt |
| Sprache | Englisch |
Prüfungselemente
| Name | Punkte/Gewicht | Kategorie | Dauer/Umfang |
|---|---|---|---|
| (Ergebnisprüfung) Projektbericht | 50 | schriftlich | 10-15 Seiten |
| (Ergebnisprüfung) Projektpräsentation | 30 | mündlich | 20 Minuten |
| (Punktuelle Leistungsabfrage) Multiple-Choice-Test | 20 | schriftlich | 45 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 / StuPO | Semester | Studiengangsbereich |
|---|---|---|
| Computer Engineering StuPO 2015 | SoSe 2026 | Wahlpflicht Studiengebiete Fak. IV › Kognitive Systeme / Cognitive Systems |
| WiSe 2026/27 | Wahlpflichtbereich › Studiengebiet B › Kognitive Systeme / Cognitive Systems | |
| Computer Science (Informatik) StuPO 2015 | SoSe 2026 | Wahlpflicht Studiengebiete Fak. IV › Kognitive Systeme / Cognitive Systems |
| WiSe 2026/27 | Wahlpflichtbereich › Studiengebiete › Data and Software Engineering / Data and Software Engineering | |
| Elektrotechnik StuPO 2015 | SoSe 2026 | Wahlpflicht Studiengebiete Fak. IV › Kognitive Systeme / Cognitive Systems |
| WiSe 2026/27 | Wahlpflichtbereich › Studiengebiete Fak. IV › Data and Software Engineering / Data and Software Engineering | |
| Information Systems Management (Wirtschaftsinformatik) StuPO 2017 | SoSe 2026 | Wahlpflichtbereich › Fachstudium Informatik › Data and Software Engineering |
| WiSe 2026/27 | Wahlpflichtbereich › Fachstudium Informatik › Data and Software Engineering | |
| Wirtschaftsingenieurwesen StuPO 2026 | WiSe 2026/27 | Ingenieurwissenschaften / Studienrichtungen › AI Engineering › Data and Software Engineering |
Sonstiges
Keine.