Forschungsschwerpunkt Cognitive Computing in Life Sciences
Mit Cognitive Computing bieten wir neue Lösungen für die Life Sciences, die auf dem grundlegenden Verständnis von Mensch und Maschine als ein lernendes Gesamtsystem basieren.

Über uns
Der Schwerpunkt Cognitive Computing for Life Sciences beschäftigt sich mit der Entwicklung und dem Einsatz von computergestützten Methoden, Modellen und Systemen im Bereich der Life Sciences, deren Eigenschaften sich am Vorbild der Lern- und Adaptionsfähigkeiten bzw. Selbstorganisationsprinzipien natürlicher Systeme orientieren. Die entwickelten Lösungen unterstützen anspruchsvolle menschliche Tätigkeiten und Entscheidungsprozesse, können aber auch bei der Automatisierung von Prozessen zum Einsatz kommen. Die folgenden allgemeinen Aspekte stehen für unsere Forschung und Entwicklung im Zentrum: Lernfähigkeit/Adaptionsfähigkeit der Systeme, kontextgebundene Lösungen (Anwendungskontext in den Life Sciences), systemische Betrachtung der Anwendung und des Kontexts.
Der Schwerpunkt ist in verschiedene Forschungsgruppen gegliedert, die jeweils auf gewissen Methoden oder Anwendungsdomänen fokussieren.
Unsere Forschungsgruppen
Bio-Inspired Methods and Neuromorphic Computing
Die Forschungsgruppe ist methodisch spezialisiert auf die Entwicklung und den Einsatz lernfähiger Algorithmen und naturinspirierter Methoden (evolutionäre Algorithmen, Methoden der Physik). Im Weiteren umfasst die Spezialisierung auch den Einsatz neuromorphischer Technologien und die Entwicklung hybrider Ansätze, die Modelle komplexer Systeme mit datengetriebenen Lösungen kombinieren. Die Anwendungsgebiete umfassen alle Bereiche der Life Sciences mit Schwerpunkt in den Bereichen Health sowie Labore und Produktion.
Autonomous Systems and Reinforcement Learning

Die Forschungsgruppe ist methodisch spezialisiert auf Reinforcement Learning, Unsupervised and Semi-Supervised Learning sowie Human in the loop Machine Learning. Die Methodik umfasst daher auch Themen wie Online Learning und agentenbasierte Systeme.
Die Anwendungen umfassen alle Bereiche der Life Sciences. Ein spezifischer Fokus liegt bei der Entwicklung von Machine-Learning-Lösungen für Anwendungen in der Biotechnologie.
Predictive Analytics

Die Forschungsgruppe ist spezialisiert auf Signalverarbeitung, Merkmalsextraktion und Image Analysis für Prognosen, Musterentdeckung und Mustererkennung, Data Mining, statistische Modellierung und maschinelles Lernen. Sie realisiert Forschungsprojekte im Bereich von Predictive und Prescriptive Analytics. Die Forschungsgruppe beschäftigt sich mit allen Gebieten der Life Sciences. Ausgewiesene Erfahrungen gibt es u.a. im Bereich von Medtech, personalisierter Gesundheit und Sport Analytics. Darüber hinaus liegt die Expertise der Gruppe in der Verschmelzung verschiedenartiger Informationsquellen für Zeitreihenvorhersagen und Bild-/Videoanalysen. Im Kontext von Industrie 4.0 forscht die Gruppe im Bereich von Predictive und Prescriptive Maintenance.
Digital Environment and Sustainability
Die Forschungsgruppe setzt den Fokus auf Anwendungen im Umweltbereich und die Modellierung natürlicher Systeme und deren Interaktion mit dem Menschen. Dies umfasst auch Nachhaltigkeitsthemen in einem allgemeineren Kontext (Themenkreis Gesellschaft und Wirtschaft).
Der Methodenkatalog umfasst allgemeine Data Science, Machine Learning und Modellierungs-Techniken. Ein spezieller methodischer Fokus liegt auf der Modellierung mit diskreten Systemen wie Zelluläre Automaten und auf Deep Learning Methoden.
Lehre
Der Forschungsbereich umfasst Lehrengagements auf BSc- und MSc-Stufe sowie in der Weiterbildung. Auf BSc-Stufe Gebiet werden Grundlagenfächer im Bereich der mathematischen und physikalischen Modellierung, der Statistik sowie der Informationsverarbeitung in allen Studiengängen des Departements angeboten. Weiter umfasst die Lehre spezifische Fächer im Bereich der Data Science mit Fokus «maschinelles Lernen, neuronale Netzwerke, Signal-und Bildanalyse» in den institutseigenen Programmen BSc ADLS, MSc ACLS und in der Weiterbildung. Drittens werden spezifische Fächer vor allem in der Vertiefung Digital Environment des ADLS angeboten.
Team Cognitive Computing in Life Sciences
-
Schwerpunktleitung Digital Environment
-
Studiengangleitung MSc Vertiefung ...
-
Leitung Forschungsgruppe für Autonome Systeme und ...
-
Leitung Predictive Analytics Group (FS)
Projekte
- Vorherige Seite
- Seite 01
- Seite 02
- Seite 03
- Seite 04
- Seite 05
- …
- Seite 08
- Nächste Seite
-
AWACS – Animal Welfare Assessment and Control System for Fish Farms
Urban Blue bietet Softwarelösungen für landbasierte Aquakulturbetriebe an, die technische und betriebliche Aspekte umfassen. Bei diesem Innovationsprojekt werden fischbasierte Aspekte entwickelt, um die Software zu vervollständigen. Auf diese Weise kann Urban Blue ein umfassendes Farm-Management-System anbieten, das ...
-
Optimierung der Pflanzengesundheit im Indoor-Farming mit Hilfe von Verstärkendem Lernen
Die Forschungsfrage, mit der wir uns in diesem Projekt befassen, lautet: "Wie können wir den Wachstumspfad von Indoor-Pflanzen automatisch optimieren?". Um dieses Ziel zu erreichen, entwickeln wir neue Algorithmen zur Messung von Pflanzengesundheit und -wachstum. Anschliessend evaluieren wir auf Verstärkendem Lernen ...
-
Transformernetze für Drohnensignale
Mikrodrohnen haben längst ihren Einzug in die Consumerwelt gefunden und werden immer erschwinglicher und einfacher in der Bedienung. Eine für Consumerdrohnen sehr vielversprechender Technik zur Erfassung ist die Detektion der ausgesendeten Funksignale. In diesem Projekt werden die neuartigen neuronalen Netzwerke mit ...
-
Shapescience – AI for morpholigcally based fruit variety recognition
Pomologische und molekulargenetische Methoden waren bisher die Instrumente der Wahl, um Obstsorten und deren Eigenschaften zu beschreiben. Dank der Möglichkeit des Einsatzes von 3D Scanning-Technologie und maschinellen Lernens kommt es zu einem Revival des Phenotypings, also der Typisierung eines Organismus anhand ...
-
Optimierung von Online-Bildungssystemen mit Hilfe von Reinforcement Learning
Die Forschungsfrage, mit der wir uns in diesem Projekt befassen, lautet: „Können wir das Engagement und die Zufriedenheit der Studierenden erhöhen, indem wir die Reihenfolge der Übungen in Online-Kursen optimieren?" Um dieses Ziel zu erreichen, entwickeln wir neue Algorithmen zur Messung des studentischen ...
Publikationen
-
Horn, Claus; Nyfeler, Matthias; Müller, Georg; Schüpbach, Christof,
2022.
Drone radio signal detection with multi-timescale deep neural networks [Paper].
In:
Yurish, Sergey Y., Hrsg.,
Proceedings of the 4th International Conference on Advances in Signal Processing and Artificial Intelligence.
4th International Conference on Advances in Signal Processing and Artificial Intelligence (ASPAI), Corfu, Greece, 19-21 October 2022.
IFSA Publishing.
S. 140-143.
Verfügbar unter: https://doi.org/10.21256/zhaw-27185
-
Müller, Antonia; Glüge, Stefan; Vidondo, Beatriz; Wróbel, Anna; Ott, Thomas; Sieme, Harald; Burger, Dominik,
2022.
Increase of skin temperature prior to parturition in mares.
Theriogenology.
190, S. 46-51.
Verfügbar unter: https://doi.org/10.1016/j.theriogenology.2022.07.007
-
Rerabek, Martin; Schiboni, Giovanni; Durrer, Lukas; Oliveras, Ruben; Eib, Philippe; Rouchat, Fabien; Probst, Anja; Schmidt, Markus; Kryszczuk, Krzysztof,
2022.
Circadian rhythm tracking using core body temperature estimates from wearable sensor data.
In:
7th International Conference on Human Interaction and Emerging Technologies (IHIET), Lausanne, Switzerland, 23-25 April 2022.
-
Frick, Thomas; Glüge, Stefan; Rahimi, Abbas; Benini, Luca; Brunschwiler, Thomas,
2021.
Explainable deep learning for medical time series data [Paper].
In:
Wireless Mobile Communication and Healthcare.
International Conference on Wireless Mobile Communication and Healthcare (MobiHealth), Online, 18 December 2020.
Cham:
Springer.
S. 244-256.
Lecture Notes of the Institute for Computer Sciences, Social Informatics and Telecommunications Engineering ; 362.
Verfügbar unter: https://doi.org/10.1007/978-3-030-70569-5_15
-
Glüge, Stefan; Amirian, Mohammadreza; Flumini, Dandolo; Stadelmann, Thilo,
2020.
How (not) to measure bias in face recognition networks [Paper].
In:
Schilling, Frank-Peter; Stadelmann, Thilo, Hrsg.,
Artificial Neural Networks in Pattern Recognition.
9th IAPR TC 3 Workshop on Artificial Neural Networks for Pattern Recognition (ANNPR'20), Winterthur, Switzerland, 2-4 September 2020.
Cham:
Springer.
Lecture Notes in Computer Science ; 12294.
Verfügbar unter: https://doi.org/10.1007/978-3-030-58309-5_10