Forschungsschwerpunkt Computational Health
Der Forschungsschwerpunkt Computational Health befasst sich mit Fragestellungen aus Medizin und Biologie unter Verwendung datengetriebener und mechanistischer Modellierung. Wichtige Instrumente sind maschinelles Lernen für die Bild- und Signalanalyse, graphische Netzwerke, Parameterschätzung für Differenzialgleichungssysteme und physiologische Simulation.

Über uns
Der Schwerpunkt Computational Health befasst sich mit fundamentalen Fragestellungen aus Biologie und Medizin unter Verwendung computergestützter, datengetriebener Methoden. Wichtige Instrumente sind maschinelles Lernen für die Bild- und Signalanalyse, Parameterschätzung für Differenzialgleichungssysteme und Multiphysik-Simulation. Effektive Validierungsstrategien werden eingesetzt, um mit dem Unbekannten umzugehen.
Unsere Forschungsgruppen
Biomedical Simulation
Die Forschungsgruppe ist spezialisiert auf die Modellierung biologischer und medizinischer Systeme. Es werden neue Ansätze entwickelt zur Simulation physiologischer Prozesse und um krankhafte Veränderung vorherzusagen. Insbesondere fliesst vertieftes Wissen zu biologischen/physiologischen Prozessen in Multi-Physik Simulationen ein.
Die Gruppe entwickelt Algorithmen zur Parameter- und Unsicherheitsschätzung physikalisch motivierter stochastischer Modelle. Insbesondere werden Maschinelle Lernverfahren mit Bayes’scher Modellierung verknüpft zur Reduktion der Dimensionalität. Diese Verfahren finden breite Anwendung in der Medizin und in den Life Sciences.
Medical Image Analysis
Die Forschungsgruppe wendet maschinelle Lernverfahren an zur Interpretation medizinischer Bilddaten. Derart werden Merkmale extrahiert zur Charakterisierung von Krankheitsbildern und zur Verwendung als diagnostische Marker. Von besonderem Interesse sind die radiomische und morphologische Vermessung diagnostischer Bilddaten. Hierbei verfolgt die Gruppe das Ziel, mittels erklärbarer maschineller Lernverfahren reproduzierbare, bildbasierte Biomarker zu etablieren und deren klinischen Nutzen sicherzustellen.
Medical Data Modelling
Die Forschungsgruppe wendet Verfahren der Statistik und des maschinellen Lernens an zur Modellierung von Wirkzusammenhängen in medizinischen Daten, um insbesondere pathophysiologische Prozesse zu analysieren. Patientendaten werden zusammen mit Daten aus Bildgebungsverfahren, insbesondere der Magnetresonanztomographie, analysiert.
Biosensor Analysis & Digital Health
Die Forschungsgruppe untersucht Daten von Wearables und Biosensoren mit Methoden der Zeitreihenanalyse und verbindet diese mit biologisch-physikalischen Modellen zur robusten Charakterisierung von physiologischen Zuständen. Diese Datenquellen dienen zur Umsetzung von Patient Reported Outcomes in die klinische Praxis und zur Weiterentwicklung der patientenzentrierten Medizin.
Lehre
Das Lehrangebot des Forschungsschwerpunktes Computational Health umfasst Teilgebiete der mathematischen und physikalischen Modellierung. Auf Stufe Bachelor ist sie verantwortlich für die Vertiefung Digital Health. In weiteren Bachelor Lehrgängen am Departement unterrichtet sie Physik und Mathematik. Im MSc Applied Computational Life Sciences und im PhD-Programm Data Science bieten sie vertiefte Kurse zur Modellierung komplexer Systeme an.
Team Computational Health
-
Schwerpunktleitung ZHAW digital health lab, ...
-
Leitung Forschungsgruppe Medical Image Analysis ...
-
Leitung Netzwerk Soziale Arbeit und ...
Projekte
- Vorherige Seite
- Seite 01
- Seite 02
- Seite 03
- Seite 04
- Nächste Seite
-
Maschinelles Lernen für NMR-Spektroskopie
Das Ziel dieses Projekts ist es, NMR-Spektroskopie einem grösseren Anwendungsbereich zugänglich zu machen, indem die verschiedenen Schritte der Datenanalyse automatisiert werden. Dazu soll eine Kombination von Deep Learning-Methoden für die Extraktion und ein Bayes'scher Ansatz für die Vernetzung und Verfeinerung ...
-
Datengetriebene Entscheidungsunterstützung bei intrakraniellen Aneurysmen und in der Spitalgastronomie mittels Bayes'schen Netzwerken
Klinische Entscheidungen in der Medizin und Managemententscheidungen im Facility Management werden regelmäßig auf Basis von geringer Evidenz oder Extrapolationen getroffen und auch durch subjektive und wirtschaftliche Aspekte beeinflusst. Während in der Medizin aufgrund der zunehmenden Digitalisierung Daten ...
-
Data mining in neurological medicine
Restless legs syndrome (RLS, Willis-Ekbom disease) is a neurological movement disorder characterised by motor and sensory symptoms, such as the uncontrollable need to move the legs (and sometimes also the arms). Such need is associated with an unpleasant and disturbing sensation in the lower limbs that typically ...
-
Digitale Simulation zur individualisierten Fertigung von 3D Nanofaserfilter und Integration in Vollschutzanzug für Pandemiefälle
We intend the tailored fabrication of 3D nanofiber aerogel (NFA) particle filters and their integration in a full protective suite with blower device for the health market. Digital simulation of the particle nanofiber interaction is used to predict the best microscopic filter geometry.
-
Platform Health
Researchers from the School of Life Sciences and Facility Management (LSFM) initiated a platform to promote interdisciplinary research in the field of health. The School of LSFM supports this initiative to increase visibility of all health-research related activities in teaching, R&D, continued education, and ...
Publikationen
-
Gerber, Nicole; Fieseler, Lars; Hirsch, Sven; Neutsch, Lukas; Papadopoulou, Athina; Smits, Theo,
2022.
Clinicum.
2022(6), S. 80-81.
Verfügbar unter: https://doi.org/10.21256/zhaw-26376
-
Mack, Ines; Juchler, Norman; Rey, Sofia; Hirsch, Sven; Hoelz, Bianca; Eckstein, Jens; Bielicki, Julia,
2022.
Wearable technologies for pediatric patients with surgical infections : more than counting steps?.
Biosensors.
12(8), S. 634.
Verfügbar unter: https://doi.org/10.3390/bios12080634
-
Castelnovo, Anna; Amacker, Julian; Maiolo, Massimo; Amato, Ninfa; Pereno, Matteo; Riccardi, Silvia; Danani, Andrea; Ulzega, Simone; Manconi, Mauro,
2022.
High-density EEG power topography and connectivity during confusional arousal.
Cortex.
(155), S. 62-74.
Verfügbar unter: https://doi.org/10.1016/j.cortex.2022.05.021
-
Delucchi, Matteo; Spinner, Georg; Scutari, Marco; Bijlenga, Philippe; Morel, Sandrine; Friedrich, Christoph M.; Furrer, Reinhard; Hirsch, Sven,
2022.
Bayesian network analysis reveals the interplay of intracranial aneurysm rupture risk factors.
Computers in Biology and Medicine.
147(105740).
Verfügbar unter: https://doi.org/10.1016/j.compbiomed.2022.105740
-
Juchler, Norman; Schilling, Sabine; Bijlenga, Philippe; Kurtcuoglu, Vartan; Hirsch, Sven,
2022.
Frontiers in Neurology.
13(809391).
Verfügbar unter: https://doi.org/10.3389/fneur.2022.809391