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

Export metadata

Metadaten
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)