Medizinische Exoskelette sind ein wichtiges Thema, z. B. für die medizinische Rehabilitation von Schlaganfallpatienten. Eine Herausforderung besteht darin, zu erkennen, welche Art von Bewegung ein Benutzer ausführen möchte, z. B. das Heben eines Arms. Dies kann durch die Analyse von Biosignalen wie EEG (d.h. Neuronenaktivität im Gehirn) oder EMG (d.h. Muskelaktivität) unterstützt werden. In diesem Projekt werden wir untersuchen, wie maschinelles Lernen für eingebettete Systeme eingesetzt werden kann, um bessere Exoskelette durch eine solche Bio-Signalanalyse zu realisieren.

Wir bieten dieses Projekt in Zusammenarbeit mit der medizintechnischen Abteilung von Prof. Elsa Kircher an. Sie beschäftigt sich mit medizinischen Exoskeletten und verschafft uns Zugang zu einem bestehenden System, das wir als Ausgangspunkt und Vergleichssystem nutzen werden. Darüber hinaus wird das Projekt parallel zu einem Projekt der Medizintechnik durchgeführt, das Beiträge zur Bio-Signalanalyse liefern wird.

Die Projektmitglieder werden

• den Stand der Technik der Biosignalanalyse für die Steuerung von Exoskeletten untersuchen,
• Algorithmen für maschinelles Lernen (ML) zur Analyse von Biosignalen (EEG, EMG) entwickeln und trainieren,
• eine bestehenden Toolchain zur Implementierung von eingebetteten Beschleunigern für solche ML-Algorithmen verwenden,
• das entwickelten Systems mit realen Experimenten evaluieren

Das Projekt ist als der erste Teil eines einjährigen (zweisemestrigen) Projekts geplant.

Dieses Projekt ist offen für: BAI, MAI, und MCPS

Voraussetzung ist:

• Erfahrung mit C/C++ Programmierung

Vorteilhaft:

• Vorkenntnisse in der Zeitreihenanalyse und/oder der digitalen Signalverarbeitung
• Erfahrung mit dem Entwurf / Training von maschinellen Lernlösungen
• Erfahrung mit der Entwicklung eingebetteter Systeme
• Erfahrung mit Python oder VHDL-Programmierung

Eingebettete KI ist heutzutage in vielen Bereichen anzutreffen, oft erlaubt ihre Verwendung eine effiziente Verarbeitung von Daten nahe bei der Datenquelle. Naturgemäß sind eingebettete System aber oft kaum physisch zugänglich. Da sie aber auch sich ändernden Anforderungen und Umwelteinflüssen unterliegen, brauchen Anwendungsbetreuer:innen und -entwickler:innen eine Möglichkeit auch nach Deployment des Systems noch Änderungen an der KI vorzunehmen. In dem Projekt sollen daher erste Schritte unternommen werden heterogene eingebettete KI in-situ zu aktualisieren oder sogar völlig zu ändern. Dazu werden die Student:innen eine Lösung entwickeln, die einem eingebetteten System Zugriff auf einen AI Model Store erlaubt. Dabei werden Sie

• recherchieren wie ähnliche Systeme heutzutage realisiert werden
• ein Beispielmodell für eine eingebettete MCU designen/trainieren und in eine Beispielanwendung integrieren
• einen Model Store aufsetzen
• Modelle und Parameter im Model Store speichern
• Schnittstellen entwickeln, die Anwendungsbetreuern erlauben auf Entitäten im Model Store zuzugreifen

Vorraussetzung für die Teilnahme:

• Kenntnisse in embedded C or Python

Hilfreiche Kenntnisse:

• Java
• MQTT
• Pytorch

Das Kickoff-Meeting findet am 04.04.2022 um 14:00 Uhr in Raum BC013 statt. Der Besuch des Kick-offs ist verpflichtend für die Teilnahme am Projekt.