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.
Download full text files
Additional Services
| 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 |
| Publication Date: | 2022/06/13 |
| Year of Publication: | 2022 |
| Publishing Institute: | Technische Universität Kaiserslautern |
| Granting Institute: | 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 |
| Number of page: | 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) |