Auf dem Weg zu interpretierbaren, KI-basierten, explorativen und entscheidungsunterstützenden Systemen im Kontext biomechanischer Daten
- Die Synopsis setzt sich auseinander mit dem Einsatz von Künstlicher Intelligenz (Maschinelles Lernen) im Kontext biomechanischer Daten. Potentiale der Methoden werden herausgearbeitet und ausgewählte praxisrelevante Limitationen anhand von fünf Publikationen adressiert. Unter anderem können durch Verwendung von Ensemble Feature Selection, Explainable Artificial Intelligence und Metric Learning sowie die Entwicklung eines pathologieunabhängigen Klassifikators vielversprechende Perspektiven aufgezeigt werden.
Author: | Carlo DindorfORCiD |
---|---|
URN: | urn:nbn:de:hbz:386-kluedo-68463 |
DOI: | https://doi.org/10.26204/KLUEDO/6846 |
Advisor: | Michael FröhlichORCiD |
Document Type: | Doctoral Thesis |
Language of publication: | Multiple languages |
Date of Publication (online): | 2022/06/13 |
Year of first Publication: | 2022 |
Publishing Institution: | Technische Universität Kaiserslautern |
Granting Institution: | Technische Universität Kaiserslautern |
Acceptance Date of the Thesis: | 2022/06/07 |
Date of the Publication (Server): | 2022/06/14 |
Tag: | Biomechanik; Ensemble Feature Selection; Explainable Artificial Intelligence; Künstliche Intelligenz; Maschinelles Lernen; Metric Learning; Wirbelsäule |
Page Number: | 214 |
Faculties / Organisational entities: | Kaiserslautern - Fachbereich Sozialwissenschaften |
DDC-Cassification: | 7 Künste und Unterhaltung, Architektur, Raumplanung / 796 Sport |
Licence (German): | Creative Commons 4.0 - Namensnennung, nicht kommerziell, keine Bearbeitung (CC BY-NC-ND 4.0) |