Smarte IT als Verhaltens-Coach für moderne Prosumer

Entwicklung von intelligenten IT Diensten für ein integriertes Energiemanagement

Die Erhöhung der Energieeffizienz sowie die Schaffung eines intelligenten Energiesystems, das alle Erzeuger und Verbraucher optimal aufeinander abstimmt, gehören zu den wichtigsten Maßnahmen für das Erreichen der Klimaund Energieziele der Bundesregierung. Das deutsch-griechische Kooperationsprojekt SIT4Energy entwickelt eine intelligente und benutzerfreundliche IT-Lösung für diesen Zweck. Dies befähigt sowohl Energieverbraucher als auch Energieversorger, die vorhandenen Energieverbrauchs- und Energieerzeugungsmuster besser zu verstehen und ihr Verbrauchsverhalten entsprechend darauf abzustimmen. Es entsteht ein integriertes „Prosumer“-freundliches System, das sowohl die Angebots- als auch die Verbrauchsseite betrachtet. So sollen Verhaltensänderungen stimuliert werden, um notwendige Effizienzgewinne realisieren zu können.

Projektpartner

• Hochschule Stralsund–University of Applied Sciences
• Stadtwerk Haßfurt GmbH
• Centre for Research & Technology Hellas (CERTH)
• Information Technology for Market Leadership G.P

Fördermaßnahme
Deutsch-Griechisches Forschungs- und Innovationsprogramm
(Greek-German Bilateral Research and Innovation Cooperation)

Zuständiges Ministerium
Bundesministerium für Bildung und Forschung (BMBF)
weitere Informationen

Flyer

The enCOMPASS project will implement and validate an integrated socio-technical approach to behavioural change for energy saving, by developing innovative user-friendly digital tools for making energy data consumption available and understandable for the different users and stakeholders (residents, employees, pupils, building managers, utilities, ICT providers) empowering them to collaborate to achieve energy savings and manage their energy needs in energy efficient, cost-effective and comfort-preserving ways.

It will demonstrate how this can be achieved by a novel approach that integrates user-centered visualisation of energy data from smart sensors and user-generated information with context-aware collaborative recommendations for energy saving, intelligent control and adaptive gamified incentives enabling effective and sustained behavioural change

The IACS participates in the enCOMPASS project through a cooperation agreement with the European Institute for Participatory Media, and is active in particular in the work on visualization, gamification and real-world pilots  led by Prof. Dr. Jasminko Novak.

Im Forschungsprojekt GamifyIT wird ein Modell und Design Framework für adaptive Gamifizierung von IT-Anwendungen entwickelt in ausgewählten Fallstudien validiert (z.B. in SmartEnergy, eLearning, Social Innovation).

In Zusammenarbeit mit dem European Institute for Participatory Media e.V.
Projektleiter: Prof. Dr. Jasminko Novak

Software implementation of the A-GLYPH LIC algorithm

The A-GLYPH LIC algorithm allows visualization of diffusion-weighted Magnetic Resonance Imaging (dw-MRI) datasets, revealing local anisotropy features as well as global fiber architecture. The method was developed by Prof. Hans-Heino Ehricke, Mark Höller, M.Sc. and Prof. Kay Otto and is protected by patent No. DE102013213010. Here we provide a first free software implementation for physicians allowing evaluation of the method with high angular resolution dw-MRI datasets.

Overview of A-GLYPH LIC

Originally, the Line Integral Convolution (LIC) approach was designed for flow visualization by engraving a vector field’s structure onto a noise texture. LIC is essentially a filtering technique that blurs an input texture locally along a given vector field, thus providing highly correlated voxel intensities along field lines. Initially, for each voxel of the input texture, a field line is integrated over a fixed number of voxels, using the voxel as a tracking seed. The field line is used as the kernel of a convolution operator, which averages voxel intensities along the line. In A-GLYPH LIC a white noise texture is not used as originally proposed by Cabral and Leedom, rather an anisotropic spot pattern, which is continuously sampled along integral lines, is implemented. Furthermore, we use a multi-kernel approach allowing more than a single anisotropy direction to be visualized for each voxel. Figure 1 shows an overview of the approach adopted,depicting the most relevant processing steps and data elements.

Fig. 1: Overview of A-GLYPH LIC processing steps.

From the acquired HARDI diffusion dataset FODs are computed by spherical deconvolution. The FOD volume is used to create a high-resolution volume of glyph samples, which are used as the input pattern to a multi-kernel LIC algorithm. The resulting LIC volume is a three-dimensional gray scale texture representing regional anisotropic behavior. Additionally, a direction volume is generated, in which the averaged anisotropy direction within the LIC convolution kernel is stored as a direction vector for each voxel. This is used for directional color encoding of slices through the LIC volume. In the visualization step, LIC slices can be fused with anatomic slice images, for example from a T1 weighted dataset. By the application of volume rendering techniques, the LIC volume can be three-dimensionally visualized as a whole or after definition of a volume of interest. The details of (i) sample volume generation, (ii) multi-kernel LIC and (iii) visualization are described in:

(1) M. Höller, K.-M. Otto, U. Klose, S. Groeschel and H.-H. EHRICKE: Fiber Visualization with LIC Maps Using Multidirectional Anisotropic Glyph Samples. Int. J. Biomed. Im., Vol. 2014, Article-ID 401819 , 2014. http://www.hindawi.com/journals/ijbi/2014/401819/

(2) Höller, M., Klose, U., Groeschel, S., Otto, K.-M. und Ehricke, H-H.: Visualization of MRI Diffusion Data by a Multi-Kernel LIC Approach with Anisotropic Glyph Samples. In: L. Linsen et al., Visualization in Medicine and Life Sciences III, Springer, Berlin, Heidelberg, New York, pp 157 – 176, 2016.

Fig. 2: A-GLYPH LIC image of a tumor patient embedded in 3D visualization of tumor surface and slices from T1 weighted dataset.

A detailed description of results from a first clinical evaluation study with patients affected by different pathologies (fiber dicplacing tumor, tumor partly infiltrating fiber tracts, selective involvement of fiber tracts, demyelinating lesion) can be found in:

(3) M. Höller, H.-H. Ehricke, M. Synofzik, U. Klose and S. Groeschel, Clinical Application of Fiber Visualization with LIC Maps Using Multidirectional Anisotropic Glyph Samples (A-Glyph LIC), J. Clinical Neuroradiology, Online First article, 2015. http://www.springermedizin.de/clinical-application-of-fiber-visualization-with-lic-maps-using-multidirectional-anisotropic-glyph-samples-a-glyph-lic/6054902.html

Software download

The free fiberViewMR application program allows DICOM conformant MR diffusion images to be processed and high-quality A-GLYPH LIC slice images with sagittal, axial and coronal orientations to be generated. No parameter tuning is necessary. We recommend usage of high-angular resolution diffusion datasets with 48 directions or more.

Your computer must meet the following prerequsites to run fiberViewMR:

Windows operating system: Win64, 8 GB RAM (16 GB recommended), Java Runtime Environment (to run the installer). It is recommended to use up-to-date hardware (multi-core CPU and highend graphics card with OpenCL 1.2 driver) in order to achieve acceptable performance.

or

MacOSX operating system: MacOSX 10.6.0 or newer, 8 GB RAM (16 GB recommended). It is recommended to use up-to-date hardware (multi-core CPU and highend graphics card with OpenCL 1.2 driver installed) in order to achieve an acceptable performance.

Download links for fiberViewMR, Release 2.0.0:

fiberViewMR 2.0.0 for Windows: click here

fiberViewMR 2.0.0 for MacOSX: click here

Feedback and questions

For feedback and / or questions please send an e-mail to: fiberViewMR@fh-stralsund.de

Bei der Herstellung von Konfektionsschuhen wird der Schuh um einen sogenannten

Leisten – ein idealisiertes Abbild eines Fußes – herum gebaut. Nach Herstellung des Schuhes wird der Leisten wieder entfernt und der Schuh sollte seine, vom Leisten vorgegebene, Innenraumform behalten.

Früher wurden nur wenige unterschiedliche Materialien zur Herstellung eines Schuhs verwendet, so dass bzgl. der Abweichung der Innenraumform Erfahrungswerte vorlagen. Heute werden unterschiedlichste Materialien und Fertigungstechniken

angewendet, was dazu führt, dass die Schuhinnenräume immer weniger der Leistenform entsprechen und auch die Schuhgröße nicht mehr eingehalten wird. Die zerstörungsfreie Prüfung von Form und Größe von industriell gefertigten Schuhen ist daher ein wichtiges Verfahren der Qualitätssicherung.

Im Rahmen eines BMWT-Förderprojekts der industriellen Gemeinschaftsforschung entwickelte das IACS ein automatisiertes Bildanalyseverfahren zur Auswertung von Schuhdatensätzen der Computertomographie. Dabei wurden Verfahren der Schuherkennung, der Objektabgrenzung sowie der Schuhvermessung entwickelt und als Softwarelösung implementiert.

In der kernspintomographischen Diffusionsbildgebung wird die Diffusion von Wassermolekülen im Gewebe gemessen. Die prinzipiell ungerichtete (isotrope) Diffusion wird im Bereich von Nervenfasern durch die Myelinscheide eingeschränkt, so daß eine gerichtete (anisotrope) Diffusion entsteht, deren Ausmaß und Richtung prinzipiell mit einer räumlichen Auflösung von ca. 2,0 mm * 2,0 mm * 2,0 mm ermittelt werden kann. Aus den Meßdaten kann durch Verfahren des Fasertrackings der Verlauf von Nervenbahnen rekonstruiert und dreidimensional visualisiert werden. Hinderlich für den klinischen Einsatz der Methodik ist das schlechte Signal-zu-Rausch Verhältnis der Meßdaten sowie die mangelnde räumliche Auflösung. Letzteres führt im Bereich von sich kreuzenden, verzweigenden oder berührenden Faserbündeln zu nicht eindeutigen Richtungsinformationen.

Das Competence Center Health Informatics entwickelt Methoden zur Rauschminderung und Regularisierung 3D Rekonstruktion des corpus callosum (rot), des fascilus longitudinalis (grün) und der Pyramidalbahnen (blau) nach Regularisierung.ng von Diffusionsprofilen sowie Algorithmen zur Visualisierung von Nervenbahnen. Dabei wird insbesondere auf angulär hochauflösenden Meßtechniken, wie z.B. dem Q-Ball Imaging aufgebaut. Die Arbeiten erfolgen in enger Kooperation mit der MR-Gruppe der Abt. für Diagnostische und Interventionelle Neuroradiologie des Universitätsklinikums Tübingen (Prof. Dr. Klose) .

Für die Visualisierung der Diffusionsdaten wurde ein Verfahren entwickelt, das auf dem Line Integral Convolution (LIC) Algorithmus für die Visualisierung von Vektorfeldern aufbaut. Der Algorithmus wurde dahingehend abgeändert und ergänzt, dass (1) mehr als eine anisotrope Diffusionsrichtung in einem Voxel berücksichtigt werden kann (z.B. bei sich kreuzenden oder verzweigenden Nervenbahnen) und (2) als Input ein hochaufgelöstes Spotpattern verwendet wird. Das Spotpattern wird durch einen Traktographie-Algorithmus erzeugt und bildet bereits Eigenschaften der Diffusionsdaten ab und erlaubt es, den Kontrast der erzeugten LIC-Bilder so sehr zu steigern, dass der Betrachter Verläufe von Nervenfasern auch bei komplexen geometrischen Verhältnissen (Kreuzungen, Berührungen, Verzweigungen von Nervenbahnen) eindeutig erkennen kann. Zudem wurde ein Farbkodierungsverfahren entwickelt, mit dessen Hilfe ein anatomisches MRT Schnittbild mit dem dazugehörigen LIC-Bild überlagert werden kann. Derzeit wird an der Evaluierung des Verfahrens anhand verschiedener klinischer Fragestellungen gearbietet. Hierzu gehören Krankheitbilder wie Ataxie, Demyelinisierung und verschiedene Tumortypen.

Für das hier entwickelte Verfahren zur Regularisierung (Rauschminderung) kernspintomographsicher Diffusionsdaten wurde vom Deutschen Patentamt das Patent erteilt (DE 10 2009 036 969 B3, 2011).

Für das LIC-basierte Visulisierungsverfahren wurde vom Deutschen Patentamt ein positiver Bescheid erteilt, so daß die Patenturkunde in 2014 zu erwarten ist (DE 10 2013 213 010.4, 2014).

Über eine durch die Damp-Stiftung finanzierte Projektförderung erfolgte in enger Zusammenarbeit zwischen dem Institut für Angewandte Informatik e.V.und der Fachhochschule Stralsund und dem Helios Hanseklinikum Stralsund die Entwicklung des Kiebitz©-Fernbefundungssystems. Im vergangenen Jahr ist so der Prototyp des ersten als Medizinprodukt zulassungsfähigen
Fernbefundungsarbeitsplatzes entstanden.

Der demografische Wandel in Deutschland stellt unsere Gesellschaft in vielen Bereichen zunehmend vor große Probleme. Die flächendeckende Gesundheitsversorgung ist hier neben der notwendigen Anpassungen im Bildungs- und Wirtschaftssektor eine herausragende Herausforderung. Gerade im gering bevölkerten Mecklenburg-Vorpommern wird es schon jetzt immer schwerer die hausärztliche Versorgung außerhalb der Städte zu gewährleisten (siehe Anlagen). Hausärzte sind vor dem Hintergrund ihrer voll besetzten Wartezimmer zunehmend nicht mehr in der Lage den notwendigen Hausbesuch im häuslichen oder im stationär pflegerischen Bereich zu bewerkstelligen. In dessen Folge kommt es dann allzu oft zu medizinisch fragwürdigen rettungsdienstlichen Einweisungen dieser zumeist älteren Patienten, die eher einer hausärztlichen Versorgung bedürften.

Unter zur Hilfenahme des Kiebitz©-Fernbefundungssystem wird es zukünftig möglich sein, dass der Hausarzt seine Patienten –in den dafür ausgestatteten Pflegeeinrichtungen – im Zeitraum zwischen seinen regulären Besuchsterminen über das Fernbefundungssystem konsultiert. Im Rahmen einer speziell dafür ausgerüsteten Audio-Video-Konferenz lässt sich der Patient befragen und visuell inspizieren. In einem vorgelagerten Befundungsprozess kann der Hausarzt in HD-Bildqualität unkompliziert einen ersten medizinischen Eindruck vom Patienten gewinnen. Auf dieser Grundlage können nun umgehend die weiteren medizinischen Maßnahmen in die Wege geleitet werden. Je nach medizinischer Indikation kann dies die Anordnung einer medizinische Versorgung durch die Pflegekräfte vor Ort, die Entscheidung zu einer prolongierten eigenen Versorgung im Rahmen des nächsten hausärztlichen Besuches oder bei akuter medizinischer Notwendigkeit die umgehende rettungsdienstliche Einweisung in die nächste Klinik sein.

Das System besteht aus einem mobilen Fernbefundungswagen (Medicalcart – siehe Foto) und einem Befundungsarbeitsplatz in
der hausärztlichen Praxis. Der Patient sitzt oder liegt vor dem Fernbefundungswagen und sieht seinen Hausarzt in HD-Qualität
auf einem großen Monitor. Auf der anderen Seite in der Ferne sitzt der Hausarzt in seiner Praxis und kann seinen Patienten über eine fernsteuerbare HD-Kamera – ebenfalls in HD-Qualität – sehen. Über eine spezielle Audio-Visuelle-Telekonferenz kann nun ein Arzt-Patientengespräch durchgeführt werden. Gegebenfalls muss der Patient auf Aufforderung des Arztes gezielte Bewegungen oder sprachliche Wiedergaben ausführen. Diese werden in Befundungsqualität übertragen und dienen als Grundlage einer medizinischen Diagnosestellung aus der Ferne. In Anschluss kann in den meisten Fällen das weitere medizinische Vorgehen durch den Hausarzt festgelegt werden.

Umsetzung des KOKON Algorithmus zur Identifikation von Herb-drug interactions im Rahmen eines Unterauftrags des Kompetenznetzes Komplementärmedizin in der Onkologie. 

https://www.kompetenznetz-kokon.de/home

Projektleiter: Prof. Dr. Gero Szepannek

Hochleistungscomputer verbrauchen sehr viel Energie (z.B. so viel wie unsere gesante Hochschule), um speziallisierte KI-Aufgaben zu lösen, und stoßen an physikalische Grenzen bei weiterer Minituarisierung. Natürliche intelligente System (z.B. das menschliche Gehirn) verbrauchen wenig Energie, sind aber flexibel. Deshalb entwickeln Hochschulen und Industrie (z.B. Intel und IBM) spezielle Hardware, die die Funktionsprinzipen des menschlich Gehirn kopieren: neuromorphe Systeme. Diese allerdings werden ganz anders programmiert und trainiert als klassische KI-System

Deshalb brauchen wir neue Lernverfahren, die auf solcher Neuromorpher Hardware laufen und in Anwendungen bessere Ergebnisse liefern als die klassische KI. Daran arbeiten wir im Teilprojekt „Learning and Memory“ des Human Brain Projektes, das von der EU gefördert wird:

https://www.humanbrainproject.eu/en/about/project-structure/subprojects/#SP4