Het hedendaagse landschap van sensoren produceert een overvloed aan tijdreeksgegevens. Het verwerken hiervan vraagt om krachtige technieken, zoals Diepe Neurale Netwerken (DNN's) en in het bijzonder Recurrent Neural Networks met varianten zoals Long Short-Term Memory en Gated Recurrent Units. Deze worden gebruikt om de eigenschappen van tijdreeksgegevens aan te pakken. Desondanks kunnen DNN's als een "black-box" functioneren, wat vraagtekens plaatst bij hun betrouwbaarheid. Het onderzoek streeft ernaar om DNN's betrouwbaarder te maken, zonder noodzakelijk hun werking volledig transparant te maken.
Drie kerngebieden worden uitgelicht:
- Herkenning van patiëntenactiviteiten met radar: Gebruikmakend van een nieuwe methode Split BiRNN, richt dit deel zich op het detecteren van patiëntenbewegingen, zoals vallen, via radar. Dit benadrukt de voordelen van radar boven andere technologieën in ziekenhuisomgevingen vanwege, onder andere, privacy.
- Schatting van de Apneu-Hypopneu Index: Dit onderdeel introduceert een nieuwe methode, RSN-Count, voor het schatten van slaapapneu met gangbare sensoren. Het biedt een alternatief voor de traditionele polysomnografie, welke duur en minder comfortabel voor patiënten is.
- Herkenning van apparaten voor niet-invasief opmeten van stroomverbruik (NILM): Het onderzoek presenteert methoden zoals Stochastic Gradient Hamiltonian Monte Carlo en Conformal Prediction voor het herkennen en meten van het energieverbruik van huishoudelijke apparaten waar onzekerheid van Diepe Neurale Netwerken wordt uitgelicht. | |