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
-
Employing Natural Language Processing to identify inconsistencies in companies’ non-financial communication
NLP &ML tools for Swiss asset managers and owners for identifying inconsistencies in companies’ financial and non-financial communication
-
Bestimmung von Reduktionsfaktoren für Photovoltaik-Dachpotenzial
Sonnendach.ch wird aktuell vom BFE bezüglich der solaren Einstrahlung und die Dachflächen überarbeitet und erneuert. Gleichzeitig soll mit dem vorliegenden Projekt das auf Schweizer Dächern vorhandene Potenzial für PV-Strom aktualisiert und die Genauigkeit verbessert werden. Bedingt durch die Grösse von ...
-
PE(K)O Sustain – Physikalisch modifizierte Öle als nachhaltige Alternative zu tropischen Fetten für die Back- und Süsswarenindustrie
In diesem Projekt sollen tropische Fette für die Anwendung in Mürbeteig und Schokoladenfüllungen durch Sonnenblumen- und/oder Rapsöl ersetzt werden, indem diese physikalisch modifiziert werden.
-
Auswertungen zum Konsum alkoholischer Getränke in der Schweiz auf Basis der Verzehrsstudie menuCH
Alkoholkonsum ist Teil der Ernährungs- und Lebensgewohnheiten vieler Länder und Bevölkerungen weltweit. Art und Menge der konsumierten alkoholischen Getränke sowie der Kontext des Konsums (z. B. Zeit und Ort) variieren jedoch stark zwischen den Kulturen und Ländern. Bis jetzt basierte die Schätzung des ...
-
Klassifikation von Drohnensignalen
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. Mittels Deep Learning mit künstlichen neuronalen Netzwerken ...
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