Publikationen

In dieser Bachelorarbeit wird die Winkelschätzung durch Datenfusion von räumlich getrennten, inkohärenten Radarsensoren untersucht. Im ersten Schritt wurde der Ansatz im Proof of Concept Kapitel validiert und ein dichtes, mehrlagiges Netzwerk wurde ausgewählt. Die Szenarien wurden einfach gehalten, um weiteres Verkomplizieren zu ermöglichen, wenn der Ansatz vielversprechende Ergebnisse erzielt. Danach wurden verschiedene Netzwerk-Layouts getestet, in denen die Größe der Lagen verändert wurde und Dropout-Lagen hinzugefügt wurden. Die Ergebnisse für Szenarien mit einem Ziel sahen vielversprechend aus, der Fehler war konstant niedrig. Das führte zu der Einführung eines zweiten Zieles, was das Ergebnis sofort verschlechterte. Zusammenfassend war die Leistung schlechter, als die gewöhnlicher Winkel-Schätz-Algorithmen. Um die Ergebnisse zu verbessern, wurde dem Netzwerk Distanz-Information hinzugefügt, was die Ergebnisse nicht gravierend verbesserte. Die verschiedenen Ansätze und deren Leistung wird am Ende evaluiert.

In unserer Studie entwickelten wir ein drahtloses Sensornetzwerk, das speziell für Pflegeheime ausgelegt ist, um den Komfort und die Gesundheitsüberwachung älterer Menschen zu verbessern. Dieses Netzwerk umfasst tragbare Sensoren für Vitalzeichen und Umgebungssensoren für Temperatur und Luftfeuchtigkeit, um die spezifischen Bedürfnisse von Pflegeheimen zu adressieren. In Anbetracht der Energiebeschränkungen und Mobilität dieser Sensoren haben wir Software Defined Networking (SDN) integriert, um die Netzwerktopologie effektiv zu verwalten. SDN trennt Steuerungs- und Datenebenen, was eine flexiblere Netzwerkverwaltung ermöglicht und komplexe Rechenaufgaben an den SDN-Controller verlagert. Diese Integration von SDN mit Wireless Sensor Networks (WSN) ermöglicht eine effiziente globale Nachrichtenverwaltung, minimiert den Energieverbrauch und balanciert die Energie der Knoten, um so die Routing-Pfade zum Sink-Knoten im Pflegeheimsystem zu optimieren. Wir führten einen Nachbarschaftserkennungsmechanismus unter den Knoten ein, um die Netzwerkkonnektivität aufzubauen und zu erhalten, und berichteten diese Informationen an den SDN-Controller. Dieses System ermöglicht es dem SDN-Controller, Probleme wie Verbindungsunterbrechungen, Bewegungen mobiler Knoten und Pseudo-Totknoten zu überwachen und anzugehen, wodurch die Netzwerkstabilität erhöht wird. Mit einem variablen Längen-Genetischen Algorithmus (VLGA) wählt unser Netzwerk intelligent Clusterköpfe aus und berechnet Routing-Pfade mit dem Dynamischen Dual-Gewicht Dijkstra-Algorithmus, um Netzwerkressourcen effektiv zu verwalten. Unsere Validierungstests mit Python und Mininet-WiFi zeigten, dass der DDWGA-Algorithmus traditionelle genetische Algorithmen in Bezug auf Energieeffizienz übertrifft, insbesondere bei der Verlängerung der Lebensdauer der ersten und letzten ausfallenden Knoten. DDWGA zeigte auch eine überlegene Netzwerkstabilität und einen geringeren Anteil an Pseudo-Totknoten im Vergleich zum EEHTC-Algorithmus. Zusätzlich bestätigte unsere Implementierung in Mininet-WiFi die Wirksamkeit des Algorithmus in realen Szenarien, obwohl wir eine erhöhte Datenpaket-Overhead aufgrund kürzerer Zyklusperioden feststellten. Unsere Ergebnisse hoben auch die Bedeutung der Knotendichte für die Energieeffizienz hervor, wobei höhere Dichten effizienter waren. In Zukunft zielen wir darauf ab, die Betriebseffizienz unseres Netzwerks weiter zu verfeinern. Die Optimierung der Berichtsfrequenzen der Knoten basierend auf ihrer Geschwindigkeit wird ein Schwerpunkt sein. Auch planen wir, die Mobilität der Knoten als Faktor in den genetischen Algorithmus zur Auswahl der Clusterköpfe einzubeziehen, wobei Knoten mit geringerer Bewegungsgeschwindigkeit eher für die Auswahl des Clusterkopfes in Betracht gezogen werden. Außerdem planen wir, Strategien zur Leistungszuweisung zu erforschen, um das Verhältnis von Pseudo-Totknoten weiter zu reduzieren, möglicherweise durch die Zuweisung unterschiedlicher Anfangsenergieniveaus basierend auf der Nähe der Knoten zum Sink-Knoten. Dieser Ansatz könnte zu einer effizienteren Energienutzung führen und die Gesamtlebensdauer des Netzwerks verlängern.

Higher-Order Singular Value Decomposition (HOSVD) und Canonical Polyadic Decomposition (CPD) sind Erweiterungen der Singular Value Decomposition (SVD) für mehrdimensionale Daten. Diese Methoden finden Anwendung bei verschiedenen medizinischen Problemen, z.B. bei der Analyse der Reaktion des menschlichen Gehirns auf Stimulationen. Die Methoden haben jedoch auch eine beträchtliche Rechenkomplexität, die in Verbindung mit der großen Dimensionalität real gemessener Daten zu einer beträchtlichen Verarbeitungszeit führt. Es gibt jedoch Möglichkeiten, die Berechnung von HOSVD und CPD zu beschleunigen. In dieser Arbeit untersuchen und erforschen wir einen dieser möglichen Ansätze, die Zufallsauswahl. Die Hauptidee dieser Methode besteht darin, einige Teile der Daten vor den zeitaufwändigsten Schritten der HOSVD- und CPD-Algorithmen zu verwerfen. Die Hauptvorteile dieser Methode sind die Einfachheit und die Möglichkeit, die Menge der verworfenen Daten und die Stichprobenstrategie manuell zu konfigurieren, wodurch ein flexibles Gleichgewicht zwischen Genauigkeit und Zeit erreicht werden kann. Wir schlagen zwei Sampling-Varianten vor und implementieren diese Methoden in verschiedene Tensor-Zerlegungen, z.B. HOSVD, SECSI usw. Die erste Variante ist das Uniform Sampling, das eine gleichmäßige Wahrscheinlichkeitsverteilung zur Komprimierung der Daten verwendet. In dieser Arbeit gehen wir davon aus, dass nur ein kleiner Teil der real gemessenen Daten einen Wert für die weitere Analyse hat. Wir gehen auch davon aus, dass diese Bedeutung bewertet werden kann. Unter Berücksichtigung dieser Tatsache ist die zweite vorgeschlagene Methode das euklidische Längensampling, das die zu verarbeitenden Daten nach ihrer Wichtigkeit auswählt. Um die Leistung der vorgeschlagenen Methoden zu bewerten, wurden mehrere Simulationen mit synthetischen Daten durchgeführt. Schließlich testen wir diese Algorithmen an real gemessenen biomedizinischen EEG-MEG-Daten. Die Ergebnisse der modifizierten Algorithmen und ihre Analyse werden im Vergleich mit den ursprünglichen Methoden.

Die Vehicle-to-Everything (V2X)-Kommunikation ist ein wichtiger Bestandteil intelligenter Verkehrssysteme (ITS), die einen integrierten Ansatz für den Austausch relevanter Informationen für eine Vielzahl von Anwendungen wie aktive Verkehrssicherheit, Infotainment und Verkehrsmanagement bieten. Der zuverlässige und rechtzeitige Austausch von Informationen zwischen Fahrzeugknoten ist eine entscheidende Herausforderung bei V2X. In diesem Zusammenhang sind effiziente V2X-Routing-Protokolle unerlässlich, um Zuverlässigkeit und Sicherheit zu gewährleisten und gleichzeitig die allgemeine Dienstqualität (QoS) zu verbessern. Ad-hoc-Netze für Fahrzeuge (VANETs) sind aufgrund der hohen Mobilität der Fahrzeugknoten, der unsteten Konnektivität, der schnellen Änderungen der Netztopologie und der unbegrenzten Größe des Netzes starken Schwankungen unterworfen, die die Routing-Leistung erheblich beeinträchtigen können und häufige Aktualisierungen der Routing-Entscheidungen erforderlich machen können. Herkömmliche Routing-Protokolle sind nicht in der Lage, mit den komplexen Merkmalen umzugehen, die in solchen dynamischen Netzen auftreten. In diesem Zusammenhang haben sich Techniken des maschinellen Lernens in letzter Zeit als leistungsfähige Werkzeuge für das Lernen komplexer Aufgaben erwiesen. Reinforcement Learning-Techniken, insbesondere Deep Reinforcement Learning (DRL), können diese Herausforderung meistern, indem sie mit der V2X-Umgebung in Echtzeit interagieren. Aufgrund der graphenstrukturierten VANET-Topologie können traditionelle DRL-Modelle, die für gitterartige Daten entwickelt wurden, jedoch nicht verallgemeinert werden. Daher wird in dieser Arbeit die Leistung einer GNN-basierten DRL-Routing-Strategie über verschiedene V2X-Netzwerktopologien mit Schwerpunkt auf der Optimierung von Datenrate und Latenzzeit bewertet. Darüber hinaus wird die Routing-Leistung des vorgeschlagenen Modells mit einem idealen Routing-Protokoll für den kürzesten Weg verglichen, um die Wirksamkeit der Strategie zu demonstrieren.

We describe a routine to precisely localize cortical muscle representations within the primary motor cortex with transcranial magnetic stimulation (TMS) based on the functional relation between induced electric fields at the cortical level and peripheral muscle activation (motor-evoked potentials; MEPs). Besides providing insights into structure-function relationships, this routine lays the foundation for TMS dosing metrics based on subject-specific cortical electric field thresholds. MEPs for different coil positions and orientations are combined with electric field modeling, exploiting the causal nature of neuronal activation to pinpoint the cortical origin of the MEPs. This involves constructing an individual head model using magnetic resonance imaging, recording MEPs via electromyography during TMS and computing the induced electric fields with numerical modeling. The cortical muscle representations are determined by relating the TMS-induced electric fields to the MEP amplitudes. Subsequently, the coil position to optimally stimulate the origin of the identified cortical MEP can be determined by numerical modeling. The protocol requires 2 h of manual preparation, 10 h for the automated head model construction, one TMS session lasting 2 h, 12 h of computational postprocessing and an optional second TMS session lasting 30 min. A basic level of computer science expertise and standard TMS neuronavigation equipment suffices to perform the protocol.