Diplomarbeiten

Künstliche Intelligenz (KI) wird im Gesundheitswesen zunehmend eingesetzt, um die Verarbeitung, Interpretation und Analyse medizinischer Daten zu unterstützen. Während KI-basierte Systeme klinische Arbeitsabläufe verbessern können, bringt ihr Einsatz auch Herausforderungen in Bezug auf Transparenz, Nachvollziehbarkeit, Verantwortlichkeit und den vertrauenswürdigen Umgang mit Patientendaten mit sich. In klinischen Kontexten ist es häufig nicht ausreichend, nur das endgültige Ergebnis zu dokumentieren. Es sollte auch möglich sein, nachzuvollziehen, welches KI-System verwendet wurde, welche Daten zu einem Ergebnis beigetragen haben, unter welchen Bedingungen das System ausgeführt wurde und wie das Ergebnis durch eine medizinische Fachperson überprüft wurde.

Diese Arbeit adressiert die Lücke zwischen abstrakten europäischen regulatorischen Transparenzanforderungen und deren konkreter technischer Repräsentation in interoperablen Gesundheitsinformationssystemen. Ziel ist die Entwicklung eines konzeptuellen, auf Fast Healthcare Interoperability Resources (FHIR) basierenden Modells zur transparenten Dokumentation des KI-Einsatzes in der Verarbeitung medizinischer Daten. Auf Grundlage eines qualitativen Design-Science-Research-Ansatzes werden transparenz- und dokumentationsbezogene Anforderungen aus dem Artificial Intelligence Act, der Datenschutz-Grundverordnung und dem European Health Data Space abgeleitet. Diese Anforderungen werden in ein konzeptuelles Modell überführt und durch Profile, Erweiterungen, Terminologiebindungen und einen Implementation Guide auf HL7 FHIR Release 5 abgebildet.

Das vorgeschlagene Modell strukturiert KI-bezogene Transparenzinformationen in drei miteinander verbundene Kontexte: statische KI-Systemmetadaten, patientenspezifischer KI-Ausgabekontext und klinischer Entscheidungskontext. Dadurch wird die Dokumentation von Systemidentifikation, Ausführungsmetadaten, Datenprovenienz, rechtlichem Kontext, Audit-Informationen, menschlicher Aufsicht und patientenbezogener Transparenz ermöglicht. Ein leichtgewichtiger Proof of Concept auf Basis eines synthetischen Akutversorgungsszenarios zeigt, dass repräsentative KI-bezogene Metadaten in FHIR-Ressourcen transformiert und syntaktisch gegen die definierten Profile validiert werden können.

Die Ergebnisse zeigen, dass das vorgeschlagene Modell eine technisch realisierbare Struktur zur Verbesserung der Nachvollziehbarkeit und Auditierbarkeit KI-gestützter medizinischer Datenverarbeitung bereitstellt. Die Validierung ist jedoch auf syntaktische Konformität beschränkt und stellt weder eine klinische Validierung noch eine rechtliche Konformitätszertifizierung oder Produktionsreife dar.

In dieser Arbeit wird die Digitalisierung und softwaretechnische Absicherung von Kontraindikationen in der radiologischen Diagnostik durch den Einsatz von Clinical Decision Support Systems (CDSS) behandelt. Solche Systeme unterstützen das medizinische Personal dabei, die stetig wachsende Komplexität medizinischer Informationen zu bewältigen und Fehler zu reduzieren. Zur Lösung der potenziell fehleranfälligen manuellen Abläufe wird in dieser Arbeit ein Softwaremodul als integratives CDSS innerhalb eines bestehenden Radiologieinformationssystems entwickelt.

Gerade in der klinischen Praxis ist die richtige und lückenlose Identifikation von Risikofaktoren wie z. B. metallischen Implantaten oder Kontrastmittelallergien eine der tragenden Säulen der Patientensicherheit. Kritische Risikofaktoren lassen sich im Rahmen der klassischen präuntersuchungsbezogenen Patienteninterviews und strukturierten Anamnesebögen durchaus erfolgreich bestimmen und erheben. Der dann folgende manuelle Abgleichung dieser Faktoren mit den physikalischen und technischen Parametern der speziellen Bildgebungsverfahren wie MRT oder CT ist aufwendig. Die visuelle Kontrolle durch das medizinische Personal führt zu hoher geistiger Beanspruchung und damit zu der Möglichkeit, dass lebensbedrohliche Kontraindikationen übersehen werden.

Zur Lösung des Problems wurde das in dieser Arbeit konzipierte und implementierte Softwaremodul innerhalb eines bestehenden Radiologieinformationssystems integriert. Jede Änderung in den Stammdaten oder nachträgliche Neuzuordnung eines Patienten wird über ein datenbankseitiges Schatten-Tabellenkonzept historisiert und versioniert und damit vollständig revisionssicher gehalten. Die logische Kernkomponente des Moduls verlagert den Prüfungszeitpunkt auf den klinisch kritischen Zeitpunkt der Leistungsdefinition, also genau dann wenn die spezifische Art der radiologischen Untersuchung (z. B. Röntgen, CT) festgelegt wird. Über ein entsprechendes Beziehungsnetzwerk erfolgt der Abgleich der patientenspezifischen Risikofaktoren mit den technischen Profilen der jeweiligen Untersuchungsmodalitäten und Geräten vollautomatisch.

Die Ergebnisse der funktionalen Evaluierung zeigen, dass das System kritische Übereinstimmungen zuverlässig abfängt und den klinischen Ablauf proaktiv steuert. Liegt ein Treffer vor, wird das medizinische Personal bei der endgültigen Zuweisung entweder gewarnt oder blockiert, während unkritische Fälle ohne Workflowunterbrechung abgearbeitet werden können. Einschränkend zeigt sich im Testbetrieb jedoch, dass die Effizienz der automatisierten Prüfung noch von der manuellen Ersteingabe der Kontraindikationen je Patient abhängt. Einen wesentlichen Ausblick bildet hier die zukünftige Kopplung dieses Moduls mit elektronischen Anamneseblättern und standardisierten Katalogen, mit deren Hilfe der Erfassungsprozess vollständig automatisiert werden kann.

Die Wildtierüberwachung mittels Drohnentechnologie bietet wertvolle Einblicke in Tierpopulationen und deren Lebensräume. Da Drohnenflüge jedoch zeitintensiv und kostspielig sind, zielt diese Bachelorarbeit darauf ab, die zugrunde liegende Datenbasis mithilfe von Bildgeneratoren künstlich zu erweitern. Aufgrund der 4 verwendeten Kanäle (3 für RGB, 1 für Thermal) wurde auf ein vortrainiertes Modell verzichtet, da Modelle aus dem Stand der Technik typischerweise nur bis zu 3 Kanäle unterstützen. Somit musste eine bestehende Architektur auf 4 Kanäle erweitert werden. CompVis latent-diffusion wurde aufgrund seiner hervorragenden Bildqualität und seiner Fähigkeit zur Generierung vielfältiger Bildinhalte ausgewählt.

Im ersten Schritt wurden ungelabelte RGB-Bilder sowie 4-Kanal-Bilder generiert, wobei der vierte Kanal die Thermal-Version des dazugehörigen RGB-Bildes zeigte. Die Ergebnisse zeigten, dass auch ohne Labels neue Inhalte durch Outpainting erzeugt werden konnten, insbesondere bei strukturell ähnlichen Landschaftsbildern. Beim Outpainting wird ein Teil des Bildes entfernt und neu generiert, um so mehr Vielfalt zu erlangen. Die Erzeugung vollständig neuer, inhaltlich abweichender Bilder erwies sich hingegen als weniger effektiv. Die Bilder waren zwar qualitativ akzeptabel, allerdings sehr ähnlich, da ohne Labels eher allgemeine Bilder erstellt werden. In einem weiteren Schritt wurde das Modell mit textuellen Bildbeschreibungen trainiert. Aufgrund der hohen inhaltlichen Variabilität dieser Beschreibungen verschlechterte sich jedoch die Bildqualität im Vergleich zum ungelabelten Modell.

Diese Arbeit zeigt, dass auch mit begrenzten Ressourcen, wie einem kleineren Datensatz, begrenzter Rechenleistung und einer kurzen Trainingszeit realistische RGB-Bilder generiert werden können. Das Generieren der Thermalbilder führte zu unrealistisch aussehenden Bildern, während das Outpainting und die Rekonstruktion zu akzeptablen Ergebnissen führte. Die Beurteilung, ob ein generiertes Thermalbild realistisch ist, gestaltet sich schwierig, da es keine visuellen Merkmale dafür gibt und somit nur ein Vergleich mit realen Thermalbildern als Orientierung dient. Künftige Arbeiten könnten sich verstärkt auf die gezielte Generierung von Wildtieren konzentrieren, um die Datengrundlage für Erkennung und Analyse weiter zu verbessern.

Diese Arbeit befasst sich mit der Entwicklung und Bewertung eines multimodalen Dialogsystems für Sozialroboter in Büroumgebungen. Das vorrangige Ziel besteht darin, eine natürliche, reaktionsschnelle Konversationsschnittstelle zu schaffen, die die erwartete menschliche Reaktionszeit von etwa 758 Millisekunden einhält und gleichzeitig aufgabenorientierte Unterstützung bietet. Die Forschung befasst sich mit der Herausforderung, Interaktionen mit geringer Latenz und hochwertigen Konversationsfähigkeiten durch die Implementierung verschiedener Komponenten zur Spracherkennung, Sprachverarbeitung und Sprachsynthese in Einklang zu bringen. Die Systemarchitektur integriert mehrere Ausgabemodalitäten, darunter Sprache, visuelle Ausdrucksformen und LED-Beleuchtung, und schafft so ein umfassendes Interaktionserlebnis zwischen Mensch und Roboter. Durch einen modularen Designansatz unter Verwendung des „Factory-Method“-Musters ermöglicht die Implementierung einen flexiblen Austausch von Komponenten zwischen cloudbasierten und lokalen Verarbeitungslösungen. Die Auswertungsergebnisse zeigen, dass die lokale Spracherkennung mit Vosk Verarbeitungszeiten von durchschnittlich 0,801 Sekunden erreicht, verglichen mit 1,578 Sekunden beim Cloud-Dienst von Google. Ebenso übertrifft Windows TTS Google TTS deutlich mit Verarbeitungszeiten von 0,074 Sekunden gegenüber 0,419 Sekunden, was einer 5,67-fachen Beschleunigung entspricht. Nutzerstudien ergaben jedoch eine deutliche Präferenz für die natürlichere Sprachqualität von Google TTS trotz der höheren Latenz, was darauf hindeutet, dass Nutzer die Natürlichkeit der Sprache gegenüber dem Unterschied von 345 Millisekunden bei der Verarbeitungszeit priorisieren. Die empfohlene Hybridkonfiguration, die lokale Sprachverarbeitung mit cloudbasierten Sprachmodellen und Google TTS für qualitätskritische Antworten kombiniert, erreicht eine End-to-End-Latenz von 3,043 Sekunden pro Interaktion. Dies ist zwar etwas langsamer als die schnellstmögliche Konfiguration, bietet jedoch ein überlegenes Nutzererlebnis, da Geschwindigkeit und Sprachqualität in Einklang gebracht werden. Nutzerstudien bestätigen, dass die wahrgenommene Natürlichkeit eines Gesprächs stärker von der Sprachqualität und einer konsistenten Leistung abhängt als von der reinen Geschwindigkeit, insbesondere bei Interaktionen, die emotionale Nuancen oder längere Dialoge erfordern. Diese Untersuchung zeigt, dass eine strategische Optimierung sowohl quantitative Kennzahlen als auch qualitative Nutzerpräferenzen berücksichtigen muss, um effektive Dialogsysteme für soziale Roboter zu entwickeln.

Die weltweiten Auswirkungen der COVID-19-Pandemie haben die Notwendigkeit einer wirksamen Planung der Gesundheitssysteme und der Ressourceneinteilung deutlich gemacht. Die Pandemie hat gezeigt, wie wichtig genaue Simulationen für die Gesundheitssysteme sind, um so effizient wie möglich arbeiten zu können. Den öffentlichen medizinischen Datensätzen mangelt es jedoch oft an der Spezifität für einzelne Krankenhäuser oder Gesundheitsdienstleister, was zu möglichen Unterschieden in der Demografie und den Bedürfnissen der Patientinnen und Patienten führt.

Diese Masterarbeit kombiniert eine Literaturübersicht, die sich auf das Synthea-Tool konzentriert, gemeinsam mit der Implementierung eines Tools, das auf dieses Synthea-System basiert. Das Tool erstellt standardisierte Patienteninformationen unter Berücksichtigung und Einbindung der statistischen Informationen der bereitgestellten Patientendaten. Ziel ist es, Synthea für die Patientengenerierung zu verbessern, indem zusätzliche Informationen aus den bereitgestellten Patientendaten einbezogen werden.

Dieses Tool wurde verwendet, um die Grundwahrheit von Synthea zu ändern und anzupassen. Die Analyse hat gezeigt, dass dies einen Einfluss auf den Generierungsprozess von Synthea hat. Es ist daher möglich, mehr ähnliche synthetische Patienten zu generieren.

Die Analyse von Protokolldaten ist eine in der Industrie weit verbreitete Technik, die als Process Mining (PM) bekannt ist, um die Leistung und Entwicklung von Systemen zu bewerten. Bei herkömmlichen Analyseansätzen werden jedoch häufig die wertvollen semantischen Informationen übersehen, die aus Protokolldaten extrahiert werden können. Durch die Einbeziehung semantischer Metadaten, die von Domänenexperten zur Verfügung gestellt oder aus dem Datensatz selbst extrahiert werden, kann die Qualität der Erkenntnisse verbessert werden und bietet neue Möglichkeiten, sinnvolle Schlussfolgerungen aus den Daten zu ziehen. Ziel dieser Masterarbeit ist es, einen semantischen Header aus Domänenwissen zu erstellen, der als Ontologie dargestellt wird. Die Ontologie wird wichtige Prozesssemantiken erfassen, einschließlich Entitäten und Beziehungen zwischen Merkmalen. Durch die Integration dieses semantischen Headers in Ereignisdaten ergeben sich neue Möglichkeiten der Datenanalyse. Der Hauptvorteil liegt in der Möglichkeit, die Perspektive, aus der die Daten analysiert werden, zu wechseln, indem ein neues Ereignisprotokoll mit denselben Aktivitäten, aber mit einer anderen Fallkennung erstellt wird. Dieser Perspektivenwechsel ermöglicht die Analyse eines Prozesses aus verschiedenen Objekten heraus, wobei vertraute Formate wie eXtensible Event Stream (XES) verwendet werden können, ohne dass komplexe Datenaustauschprotokolle erforderlich sind. Die Analyse von Prozessen aus verschiedenen Blickwinkeln ist entscheidend, um Einblicke in Engpässe zu gewinnen und Bereiche zu identifizieren, in denen Leistungsverbesserungen umgesetzt werden können. In einer Laborumgebung beispielsweise können Ereignisse aus der Sicht des Labors, eines Mitarbeiters oder sogar aus der Sicht des Kunden analysiert werden. tive, eines Mitarbeiters oder sogar einzelner Patienten analysiert werden. Indem sie die Perspektive der Daten auf der Grundlage semantischer Metadaten dynamisch ändern, können Analysten verborgene Muster aufdecken und fundierte Entscheidungen treffen. Darüber hinaus werden in dieser Arbeit gängige Daten- und Austauschformate wie Mining eXtensible Markup Language (MXML), XES, Object-Centric Event Log (OCEL) und Object-Centric Event Data (OCED), die im PM verwendet werden, analysiert und die wichtigsten Anforderungen an die Datenaustauschformate skizziert.

Im Krankenhaus- und Radiologiebereich stellen die steigende Anzahlen von zu behandelnden Personen und Kosten ein zunehmendes Problem dar. Es wird immer wichtiger, eine effizientere Nutzung der Ressourcen anzustreben, um sowohl den Bedürfnissen der Pati-enten, als auch den Anforderungen der Organisation gerecht zu werden. Dabei ist es entscheidend, Daten gezielter zu erfassen und messbar zu machen, um Schwachstellen in den Prozessen zu erkennen und zu verbessern. Process Mining bietet hierfür eine vielversprechende Möglichkeit. Durch die Analyse und Optimierung von Prozessen auf Basis der in Informationssystemen gesammelten Daten kann es dazu beitragen, Wartezeiten für Patientinnen und Patienten zu verkürzen und gleichzeitig die Organisationskosten zu senken. Insbesondere in der Radiologie bietet Process Mining ein großes Potenzial zur Verbesserung der Prozessqualität und -effizienz. Durch die Analyse der Arbeitsabläufe können Engpässe und ineffiziente Prozesse identifiziert und der Arbeitsablauf optimiert werden. Eine wesentliche Hürde für den Einsatz von Process Mining in der Radiologie stellt jedoch die unzureichende Datenqualität dar. Daher ist es notwendig, bestimmte organisatorische und datenspezifische Kriterien zu erfüllen, um die Datenqualität zu verbessern und den Einsatz von Process Mining in der Radiologie zu ermöglichen. Zur Erfassung und Bewertung dieser Kriterien wurden Reifegradmodelle entwickelt. Diese ermöglichen eine systematische Bewertung der Datenqualität und der organisatorischen Voraussetzungen für den Einsatz von Process Mining in der Radiologie. Ziel dieser Mas-terarbeit ist es, auf Basis von Recherchen und Interviews von Expertinnen und Experten über Reifegradmodelle ein kanonisches Modell zu erstellen, das den Einsatz von Process Mining in der Radiologie erleichtern und die Qualität und Effizienz der Prozesse verbessern soll. Durch die Erstellung eines solchen Modells können Krankenhäuser und radiologische Abteilungen in die Lage versetzt werden, die Datenqualität zu verbessern.

Clustering ist ein weit verbreitetes Verfahren des maschinellen Lernens, das dazu genutzt werden kann, Elemente nach ihrer Ähnlichkeit in Klassen einzuteilen. Damit das Clustering-Verfahren bestimmen kann, zu welcher Klasse ein Element zuzuordnen ist, braucht es Informationen über die Ähnlichkeit der Elemente zueinander. Mit numerischen Werten ist diese Ähnlichkeit leicht zu berechnen, da mathematische Operationen angewandt werden können. Mit sogenannten kategoriellen Daten, welche aus nicht-numerischen Werten bestehen wie etwa ’grob’, ’Data Scientist’ oder ’Google Chrome’, fällt diese Berechnung deutlich schwerer. Zur Anwendung kommen in der Praxis verschiedene Methoden, die sich hauptsächlich auf die Verteilung der Werte innerhalb des Datensatzes beziehen.

Allerdings lassen sich diese kategoriellen Daten auch auf eine andere Art betrachten. Anstatt diese als beliebig austauschbare Elemente zu behandeln, kann man sie auch als implizite Träger von weiteren Informationen sehen z.B. mit dem Wort ’Katze’ kann man ’Tier’, ’Haustier’, ’Vierbeiner’ verbinden. Anhand dieser Betrachtungsweise ergibt sich eine andere Art die Ähnlichkeit zwischen Elementen zu bestimmen und dadurch das Clustering durchzuführen.

In den letzten Jahren haben die sogenannten Transformer im Bereich der natürlichen Sprachverarbeitung neue Maßstäbe gesetzt. Insbesondere das Modell GPT-3 aus der Familie der Transformer erhielt einiges an Aufmerksamkeit, dank dessen Fähigkeit menschenähnliche Texte zu verfassen. Um dies zu bewerkstelligen, muss das Modell Informationen über eine große Anzahl an Objekten besitzen und auch in einer Form verstehen, was diese für Eigenschaften haben und wie sie benutzt werden. In dieser Arbeit wird untersucht, wie ein Modell wie GPT-3 für das Semantische Clustering eingesetzt werden kann. Zuerst werden einige Varianten vorgestellt, wie das GPT-3-Modell dazu benutzt werden kann, um die semantische Ähnlichkeit zwischen zwei kategoriellen Werten zu ermitteln. Diese werden miteinander verglichen anhand der Performance auf verschiedenen Benchmark-Datensätzen sowie anderer relevanter Metriken, die deren Eignung für das Semantische Clustering anzeigen. Anschließend wird dargestellt, wie diese semantischen Ähnlichkeitswerte im Zuge des Semantischen Clusterings genutzt werden können. Diskutiert werden Anforderungen bezüglich Vorverarbeitung, die Cluster-Interpretation sowie mögliche Probleme, welche anhand eines Prototyps, geschrieben in der Programmiersprache Python, gezeigt werden. Die Arbeit bietet somit einen Überblick über die Thematik und gibt tieferen Einblick in einige wichtige Aspekte zu dessen praktischer Anwendung.

Sicherheitsanalysten verwenden Security Orchestration, Automation, and Response (SOAR) Plattformen, um Schadsoftware zu sezieren und analysieren. Diese Plattformen benötigen externe Dienste um die vorhandenen Daten anzureichern. Oft ist die Qualität neuer Dienste jedoch unklar. Um dieses Problem zu beheben können Metrik aufgestellt werden, welche verschiedene Parameter in Bezug auf Datenqualität erheben.

Diese Arbeit analysiert Cyber Threat Intelligence (CTI) Metriken, welche in der aktuellen Literatur vorgeschlagen werden, auf ihre Verwendbarkeit innerhalb Structured Threat Information Expression (STIX)-basierten SOAR Plattformen und implementiert eine erste Version eines solchen Frameworks. Mehrere Metriken werden mit einer Liste an Anforderungen von SOAR Plattformen verglichen. Nachdem verwendbare Metriken identifiziert sind, werden diese innerhalb eines Frameworks implementiert, welches in eine existierende SOAR Plattform eingebunden wird. Schlussendlich wird dieses Framework getestet und die berechneten Metriken diskutiert.

Als Fazit kann gesagt werden, dass bereits Metriken existieren welche abgeändert in SOAR Plattformen eingesetzt werden können. Jedoch verlangen manche Metriken Parameter welche nicht einfach von SOAR Plattformen zur Verfügung gestellt werden. Das bedeutet, dass auch SOAR Plattformen auf die Anforderungen eines Datenqualitätsframeworks eingehen müssen.

Als Folge des demografischen Wandels hin zu einer alternden Gesellschaft wird dem Pflegesektor mehr Aufmerksamkeit gewidmet. Aufgrund der Bevölkerungsentwicklung und der sozioökonomischen Zwänge kommt es zu einer zunehmenden Spezialisierung und Konzentration der Ressourcen im Gesundheitssystem System. Um eine qualitativ hochwertige Gesundheitsversorgung zu gewährleisten, ist ein kontinuierlicher Informationstransfer zwischen den Leistungserbringern unerlässlich. Die fortschreitende Digitalisierung ermöglicht den strukturierten Austausch von Versorgungsdaten durch digitale Dokumente über die Grenzen der einzelnen IT-Systeme hinweg. Dies erfordert die Interoperabilität der Kommunikationskanäle und Daten. Hier kommen internationale Terminologiesysteme ins Spiel, die darauf abzielen, klinisch relevante Daten, wie z.B. Diagnosen oder Maßnahmen, präzise zu benennen und zu kennzeichnen. Ziel dieser Arbeit ist es, geeignete Kommunikationsstandards und Terminologiesysteme zu evaluieren, um die digitale Dokumentation von Pflegeleistungen voranzutreiben. Da es keine bundesweit harmonisierten Vorgaben für Pflegekonzepte und -leistungen gibt, bezieht sich die vorliegende Arbeit nur auf das System der mobilen Pflege in Oberösterreich. Um das Forschungsziel zu erreichen, wurden die Handlungsfelder der mobilen Dienste analysiert. Die aus der Analyse abgeleiteten Pflegehandlungen konnten mit zwei Terminologiesystemen, der International Classification for Nursing Practice (ICNP) und der Systematized Nomenclature of Medicine Clinical Terms (SNOMED CT), kodiert werden. Auf der Grundlage der kodierten Pflegeakte wurde ein interoperables Beispieldokument erstellt, das der Clinical Document Architecture (CDA) entspricht. Die Arbeit zeigt, dass es möglich ist, Pflegehandlungen zu kodieren. Dies geschah zum einen mit Ausdrücken, die durch die Terminologiesysteme bereits vordefiniert waren. Andererseits wurden Ausdrücke vorgeschlagen, die den Regeln der Terminologiesysteme entsprechen. So konnte gezeigt werden, dass sowohl ICNP als auch SNOMED CT ausreichend erweitert werden können, um den Bedürfnissen des angewandten Pflegebegriffs sowie der Pflegedienste gerecht zu werden. Für die österreichweite digitale Dokumentation von Pflegetätigkeiten werden einheitliche Pflegekonzepte benötigt, um eine konsistente Datenbasis zu schaffen, die in geeignete Terminologiesysteme übertragen werden kann.

Advanced Information Systems and Technology, kurz AIST, ist eine Forschungsgruppe der Fachhochschule Oberösterreich, angesiedelt am Campus Hagenberg, Oberösterreich. Ihre Schwerpunkte liegen in den Bereichen Machine Learning & Data Mining, Computer Vision und eHealth. Die Aufgabe für dieses Praktikum war es, am EpiMon-Projekt mitzuarbeiten.

Das Ziel des EpiMon-Projekts ist die Erkennung von epileptischen Anfällen bei kleinen bis jugendlichen Patienten, wenn diese schlafen. Eines der Anzeichen für einen aufsteigenden epileptischen Anfall ist, dass der Patient aufwacht und ständig starrt, woraufhin ein Anfall auftreten kann. Dies wird als Prévost-Zeichen bezeichnet. Es gibt noch weitere Anzeichen, wie z. B. Muskelkontraktionen, aber es gibt bereits Technologien zur Überwachung dieser Symptome. Dieses Projekt konzentriert sich speziell auf die Augen und besteht aus zwei Hardwarekomponenten: einem Raspberry Pi mit Nachtsichtkameras und einem Smartphone.

Diese Lösung verwendet Nachtsichtkameras, um den Patienten im Schlaf zu überwachen. Diese Kameras sind mit einem Raspberry Pi verbunden, der als Hauptsystem fungiert und alle anderen Komponenten miteinander verbindet. Die Bilder der Kameras werden an den Raspberry Pi übertragen, der eine Gesichtserkennung durchführt, um die Position des Gesichts auf dem Bild zu ermitteln und es zuzuschneiden. Anschließend wird das Bild des ausgeschnittenen Gesichts an ein Modell weitergeleitet, das erkennen kann, ob der Patient offene oder geschlossene Augen hat. Der Alarm ertönt, wenn offene Augen über einen längeren Zeitraum erkannt werden. Die mobile Anwendung auf dem Smartphone wird verwendet, um zu steuern, wann der Raspberry Pi mit der Überwachung beginnt, und um verschiedene Einstellungen vorzunehmen.

Das Forschungsthema dieser Arbeit ist die Gesichtserkennung. Ein Patient könnte im selben Bett schlafen wie sein Partner oder ein Familienmitglied. Das Hauptsystem muss wissen, welches Gesicht es zu überwachen hat. Durch die Aufnahme mehrerer Bilder des Patienten und seiner Familienmitglieder aus verschiedenen Blickwinkeln können die erforderlichen Daten für das Gesichtserkennungsmodell bereitgestellt werden.

Die Standardisierung und die Interoperabilität von Softwaresystemen in der Medizin ist ein besonders wichtiges Thema. Der derzeitig neueste Health Level 7 (HL7®) Standard – Fast Healthcare Interoperability Resources (FHIR®) – ist in der Community sehr präsent. FHIR bildet medizinisch relevante Anwendungsfälle, wie einen Impfpass mit Implementierungsleitfäden ab. Ein Implementierungsleitfaden setzt sich aus mehreren medizinischen Komponenten zusammen, wodurch viele Zeilen Code zusammenkommen und der Leitfaden einen großen Umfang annimmt. Um die Erstellung solcher Implementierungsleitfäden zu erleichtern wurde die Sprache FHIR-Shorthand (FSH) entwickelt. Diese FSH-Dateien können in jedem beliebigen Editor erstellt und bearbeitet werden. Allerdings gibt es für diese Sprache kaum Softwareunterstützung. Das Ziel dieser Arbeit ist die Implementierung einer solchen Werkzeugunterstützung. Farbliche Markierung, automatische Vervollständigungen von Strukturen und Schlüsselwörter sowie die Überprüfung der Validität, der erstellten Datei, sind Funktionen die bereitgestellt werden sollen. Die erstellte Unterstützung soll frei verfügbar und von der HL7 FHIR Community aktiv weiterentwickelt werden können.

Diese Arbeit beschäftigt sich mit der Klassifizierung von Artikeln aus verschiedenen Restaurants in eine Taxonomie. Die verfügbaren Daten dabei sind der Name des Artikels und eine restaurantinterne Kategorie. Beide Merkmale sind Strings, die vom Restaurantbesitzer bereitgestellt werden und sind daher fehleranfällig. Es werden Methoden entwickelt, um diese Art von Daten in hierarchisch strukturierte Kategorien zu klassifizieren. In dieser Arbeit werden die Kategorien durch eine Speisen- und Getränketaxonomie dargestellt, welche in Form eines Baumes gespeichert wird. Die Methoden können in Vorklassifizierungs- und Klassifizierungsmethoden unterteilt werden. Vorklassifizierungsmethoden versuchen, den besten Teilbaum innerhalb des Kategorienbaums für einen Artikel zu finden und Klassifikationsmethoden klassifizieren den Artikel innerhalb dieses Teilbaums. Insgesamt werden drei Vorklassifizierungs- und zwei Klassifizierungsmethoden entwickelt. Die erste Vorklassifizierungsmethode wird Category Similarity Preclassification genannt und arbeitet durch den Vergleich des Namens der internen Kategorie mit den Kategorienamen der Taxonomie. Die Methode Common Ancestor Preclassification sucht nach dem gemeinsamen Vorfahren von bereits klassifizierten Artikel mit derselben internen Kategorie und die Methode Substring Preclassification vergleicht die interne Kategorie mit Zeicheketten, die für eine Kategorie eindeutig sind. Die Klassifizierungsmethoden heißen String Similarity Classification und Substring Classification. Die erste Methode vergleicht den Artikelnamen mit Namen von bereits klassifizierten Artikeln und die zweite Methode vergleicht den Artikelnamen mit Zeichenketten, die für eine Kategorie innerhalb des vorklassifizierten Teilbaums eindeutig sind. Diese Methoden sind Teil eines halbautomatischen Klassifikationssystems, dass die Klassifizierung der Artikel mit Hilfe der entwickelten Methoden durchführt und die Möglichkeit bietet, die Essens- und Getränketaxonomie bei Bedarf zu erweitern. Aufgrund der fehleranfälligen Daten wird der Prozentsatz der klassifizierbaren Artikel auf 72% geschätzt. Das Klassifikationssystem ist in der Lage, diese Menge an Artikeln mit einer Genauigkeit von 83% für das Finden der bestmöglichen Kategorie und 90% für das Finden einer passenden Kategorie zu klassifizieren.

Aufzüge sind eine Transportart, die aus dem modernen urbanen Leben nicht mehr wegzudenken ist. Bei Notfäallen in Aufzügen kann ein Notfallschalter betätigt werden, um Hilfe zu rufen. Dies ist nicht immer möglich. Daher entwickelt die Forschungsgruppe AIST ein System zur Notfallerkennung in Aufzügen unter Verwendung von RGB-D Kameras, welche RGB Bilder und Tiefenbilder liefern. Um Personen in unterschiedlichen Posen und verschiedene Objekte zu erkennen und um deren Masken zur Verfolgung über mehrere Kamera Bilder zu verwenden, wird ein Instanzsegmentierungs-Modul mit dem Mask R-CNN Algorithmus zum System hinzugefügt.

Dank Metallwänden und Spiegel von Aufzugumgebungen enthalten die Bilder der RGB-D Kamers viele Reflektionen und starkes Rauschen. Die Verwendung von RGB Bildern mit Instanzsegmentierungs-Algorithmen, wie dem Mask RCNN Algorithmus, ist wohlbekannt und wird oft durchgeführt. Dies wirft die Frage auf, ob Instanzsegmentierung durch die Verwendung von stark reflektierenden und rauschenden Tiefenbildern verbessert werden kann.

Diese Arbeit vergleicht vier verschiedene Modellversionen, die sich durch ihre Eingabe und dem verwendeten Backbone Netzwerk unterscheiden. Die Erste verwendet ausschließlich RGB Bilder, die Zweite ausschließlich Tiefenbilder, die Dritte verwendet RGB-D Bilder. Diese drei Modellversionen verwenden ResNet-FPN als Backbone Netzwerk. Die vierte Modellversion verwendet RGB-D Bilder und ein FuseNet-FPN Netzwerk. Diese Arbeit führt außerdem den Elevator RGB-D Datensatz ein, welcher RGB-D Bilder aus Aufzug-Szenen enthält. Um einen fairen Vergleich zu erreichen, werden die Hyperparameter der Modellversionen mit Tree-structured Parzen Estimators optimiert. Um die Generalisierung der trainierten Modelle zu verbessern, werden die Modelle zuerst mit dem SUN RGB-D Datenset vortrainiert. Mittels Transferlernen werden die Modelle mit den vortrainierten Gewichten initialisiert und anschließend mit dem Elevator RGB-D Datensatz trainiert.

Diese Arbeit beweist die Äquivalenz der Resultate unter Verwendung von RGB-D Bildern und von RGB Bildern zur Instanzsegmentierung in stark reflektierenden und rauschenden Aufzugumgebungen. Die ausschließliche Verwendung der Tiefenbilder führt hingegen zu schlechteren Resultaten. Wenn ein, auf RGB-D Bilder spezialisiertes Backbone-Netzwerk verwendet wird, verbessert dies die Resultate von Mask R-CNN.

Design patterns are reusable solutions for commonly occurring problems in software de-sign. First described in 1994 by theGang of Four, they have gained widespread adoptionin many areas of software development throughout the years. Furthermore, design pat-terns have also garnered an active research community around them, which investigatesthe effects that design patterns have on different software quality attributes. However,a common shortcoming of existing studies is that they only analyze the quality effectsof design patterns on a relatively small scale, covering no more than a few hundredprojects per case study. This calls into question how generalizable the results of thesesmall-scale case studies are.Pursuing more generalizable results, this thesis conducts a much larger-scale analysisof the quality effects of design patterns. To accomplish this, software metric and designpattern data for 90,000 projects from theMaven Centralrepository is collected usingthe metrics calculation toolCKJM extendedand the design pattern detection toolSSA.Correlations between design patterns and software quality attributes are then analyzedusing software metrics as proxies for software quality by following the methodologydescribed by the QMOOD quality model. The results of the analysis suggest that designpatterns are positively correlated withfunctionalityandreusability, but negatively corre-lated withunderstandability, which is consistent with the results of existing smaller-scalecase studies.

Kundenbindungsprogramme sind ein wichtiges Hilfsmittel für Unternehmen, um die Bedürfnisse ihrer Kundinnen und Kunden besser wahrzunehmen und dadurch geeignete Maßnahmen zur Steigerung der Zufriedenheit ergreifen zu können. Für die erfolgreiche Umsetzung solcher Programme werden detaillierte Analysen benötigt, die eine große Menge von Kundendaten voraussetzen. Viele Klein- und Mittelunternehmen haben nur wenig Daten und können folglich nur einen kleinen Datensatz für Analysen verwenden, was zu schlechteren Modellen und ungenaueren Ergebnissen führen kann.

Eine Lösung ist es, Unternehmen zu finden, die in ihren Datencharakteristiken ähnlich sind. Wenn eines der sich ähnlichen Unternehmen über genügend Daten verfügt, um ein leistungsfähiges Modell zu erstellen, kann dieses auf die Daten eines ähnlichen Unternehmens mit weniger Kundendaten angewendet werden.

Die Arbeit beschreibt einen möglichen Ansatz zur Erkennung von ähnlichen Unternehmen sowie die Identifikation von Features und Algorithmen, die bei den jeweiligen Datensätzen zu guten Ergebnissen führen. Als konkreter Anwendungsfall werden Daten von sechs Klein- und Mittelunternehmen verwendet, die durch eine Kundenbindungsapp von einem österreichischen Software-Unternehmen aufgezeichnet wurden.

Für die Identifikation ähnlicher Unternehmen wurden Datencharakteristiken extrahiert. Diese Charakteristiken hängen mit dem spezifischen Use Case zusammen und zielen darauf ab, die Daten der jeweiligen Unternehmen bestmöglich zu repräsentieren. Zur Eruierung jener Features und Algorithmen (z.B.: Random Forest, Support Vector Regression) die in Kombination mit den unterschiedlichen Datensätzen zu guten Ergebnissen führen wurde für jede Feature/Algorithmus-Kombination ein Regressionsmodell trainiert und evaluiert. Die jeweiligen Kombinationen der Features und Algorithmen wurden gemeinsam mit den Datencharakteristiken der Unternehmen mit Hilfe von Agglomerative Hierarchical Clustering gruppiert. Zur Evaluierung der Leistung der jeweiligen Kombinationen wurde die aus den Durchläufen der Regressionsmodellen berechnete Fehlermetrik verwendet.

Diese Arbeit zeigt, dass es einige Herausforderungen gibt, Unternehmen mit ähnlichen Datensätzen sowie Feature- und Algorithmus Kombinationen zu finden, die für bestimmte Datensätze am besten funktionieren. Trotz der geringen Anzahl an verfügbaren Daten konnte gezeigt werden, dass es möglich ist, auf Basis von Datencharakteristiken ähnliche Unternehmen zu finden. Die Ergebnisse lassen zwar nicht auf Features und Algorithmen, die die Regressionsaufgabe unternehmensübergreifend beeinflussen, rückschließen, jedoch konnten Einflüsse von Features auf bestimmte Datensätze beobachtet werden. Die Ergebnisse dieser Arbeit erschließen weitere Forschungsmöglichkeiten, wie z.B. detaillierte Analysen spezifischer Features oder die Vorhersage des Fehlers einer Regressionsaufgabe wenn bestimmte Features, Algorithmen und Datencharakteristiken verwendet werden. Zusammenfassend lässt sich feststellen, dass diese Arbeit die Grundbausteine für die Anwendung eines trainierten Modells auf andere Datensätze legt.

Diese Bachelorarbeit befasst sich mit der Transformation von Gebäudemodellen. Diese Modelle sollen für den 3D Druck vorbereitet werden. Als Grundlage für die Transformation dienen OBJ-Dateien die dem sogenannten “o3D” Standard entsprechen. Dieser Standard erleichtert die programmatische Verarbeitung der 3D Dateien. Verwendet und erstellt wurde dieser von der Firma moxVR, einem Start-Up mit Sitz in Linz. Dieses Unternehmen bietet ihren Kunden an, ihr zukünftiges Zuhause 3D drucken zu lassen. Dadurch wird es erleichtert sich Wohnen visuell vorzustellen. Die 3D-Dateien kommen dabei vom Architekten des Gebäudes. Um die Dateien 3D drucken zu können, müssen zunächst alle Möbel aus dem Gebäude entfernt, sowie Türen und Fenster mit Öffnungen ersetzt werden. Anschließend soll das Modell in die einzelnen Stockwerke unterteilt und mit Halteelementen versehen werden um einen Zusammenhalt des Modells zu ermöglichen. Schließlich muss es möglich sein, das Modell in eine gültige STL-Datei zu konvertieren, da diese für den 3D-Druck benötigt wird.

Das Erkennen und Reagieren auf Notsituationen im täglichen Leben war in den letzten Jahren immer ein Forschungsthema, konzentrierte sich aber immer entweder auf Personen, die für Notsituationen anfällig sind, wie z.B. ältere Menschen, oder auf breiterer Ebene, wie z.B. das Erkennen von Aktivitäten in großen Menschenmengen oder Fußgängern. Aufgrund der schnell zunehmenden Verfügbarkeit und Leistung externer Sensoren sowie der Einführung zuverlässigerer Daten sollte die Notfallerkennung und -verwaltung auch in engen Räumen, wie z.B. Aufzügen, möglich sein.Zusammen mit VIEW – Elevator als Domänen Experten und Partner der FH-OOE AIST Forschungsgruppe konzentriert sich diese Arbeit auf die Einführung von Aktivitätserkennung und, darauf aufbauend Notfallerkennung im Aufzugsbereich. Es baut auf einem zustandslosen System zur Objekt- und Personenerkennung auf, das im Rahmendes Forschungsprojektes implementiert wurde, und verwendet die erzeugten zustandslosen Daten des Systems. Aber anstatt stochastische Methoden oder künstliche Intelligenz zu verwenden, zielt diese Arbeit darauf ab, das Problem der Notfalldetektion durch die Einführung einer generischen zustandsorientierten Komponente zu lösen, da sie einfache,deterministische und vom Menschen lesbare Aktionen und Ergebnisse ermöglicht. Es vergleicht mehrere Zustandsmaschinen-Designs und schlägt schließlich eine neue Zustandsmaschinen-Definition vor, die auf farbigen Petrinetzen aufbaut, dem dynamischen, nicht-deterministischen Petrinetz (DNPN). Basierend auf dem DNPN wird eine Zustandsmaschine entworfen, die die Verfolgung des Aufzugszustands und aller seiner Insassen, einschließlich Personen und ihrer Objekte, ermöglicht. Darüber hinaus wird ein Hilfssystem entworfen, das die Systembereitschaft, die Verbindung mit der Zustandsma-schine und die weitere Auswertung des aktuellen Aufzugsszenarios und gegebenenfalls die Vorhersage eines möglichen Notfalls ermöglicht.Die Handhabung und Bewertung dieser Notfallszenarien wird in einem Prototypdargestellt, der im Rahmen des Forschungsprojekts implementiert wird. Es implementiert das DNPN und Datenstrukturen, um die zustandslosen Daten für den Zustandautomaten zu aggregieren. Letztendlich wird der Prototyp als Ganzes verwendet, um die Zustandsmaschine zu bewerten, indem zuvor generierte Testdaten zugeführt werden, die ein festes Skript und Ergebnis haben. Am Ende werden die Ergebnisse der Zustandsmaschine diskutiert, wobei auf das erwartete Ergebnis verwiesen wird, das im Skript definiert ist, sowie Vorschläge für die weitere Arbeit zur Verbesserung der DNPN-Definition und des gesamten Systems.

Mit Einführung der elektronischen Gesundheitsakte in Österreich (ELGA) wurde bereits ein erster Schritt zu einer besseren Vernetzung verschiedenster Gesundheitsdiensteanbieter (GDA) getan. Sie trägt maßgeblich zur Verbesserung der Versorgungsqualität der PatientInnen und der österreichischen e-Health-Infrastruktur bei. Radiologische Befunde, ärztliche und pflegerische Entlassungsbriefe sowie die e-Medikation können bereits in der ELGA eingesehen werden. Die elektronische Gesundheitsakte wird schrittweise ausgebaut und kontinuierlich um neue Anwendungsfälle ergänzt.

Im Zuge des Berufspraktikums wird ein Prototyp weiterentwickelt, der die einrichtungsübergreifende Zusammenarbeit von RadiologInnen im niedergelassenen Bereich sowie in Krankenhäusern mithilfe der österreichischen e-Health-Infrastruktur erleichtern soll. Ebenfalls wird ein bereits abgeschlossenes Projekt für die Verwendung in anderen Projekten überarbeitet. Dabei sollen Code-Duplikate beseitigt und eine Dokumentation der Schnittstellen zur Verfügung gestellt werden.

EDEN steht für Emergency Detection in Elevator Networks und ist ein Projekt der AIST Forschungsgruppe an der Fachhochschule Oberösterreich, zielt auf den Einsatz von Sensoren und Kameras Notfälle in Aufzügen automatisch zu erkennen, sie zu bewerten, in einen Kontext zu setzen und geeignete Maßnahmen. Diese Bachelorarbeit befasst sich mit der Klassifizierung des Status einer Aufzugstür. Um bestimmte Notfälle richtig klassifizieren zu können, ist es von entscheidender Bedeutung, dass das Klassifizierungssystem kennt alle beteiligten Parameter. Eine bestimmte Situation kann unterschiedlich interpretiert werden, wenn alle Parameter berücksichtigt werden. Der aktuelle Zustand der Tür ist in diesem Fall ein sehr wichtiger Parameter. Das EDEN-Projekt verwendet eine Intel RealSense D435-Kamera als Gerät zur Erfassung von Bildern und Tiefeninformationen. Diese Bilder und die entsprechenden Tiefeninformationen werden vom Projekt analysiert, das in C++ geschrieben ist und das OpenCV-Framework für Computer Vision verwendet. In einem ersten Teil dieser Arbeit wird die Verwendung der von der Kamera bereitgestellten Tiefen- und RGB-Informationen zur Erkennung des Status einer Aufzugstür untersucht. In der Forschung werden die verschiedenen möglichen Ansätze diskutiert. Die praktikabelsten Ansätze werden in einem Proof-of-Concept ausgearbeitet. Der erste Schritt bei der Erkennung des Türstatus ist die Lokalisierung der Tür selbst unter Verwendung von Tiefen- und RGB-Informationen. Danach folgt die Extraktion des Bodens, die durch den Einsatz von Kantenerkennungs- und Extraktionstechniken erreicht wird. Mit der Lokalisierung der Tür und des Fußbodens, die der Anwendung bekannt sind, kann der Status der Tür bestimmt werden. Um diesen Status korrekt zu klassifizieren, konzentriert sich die Forschung auf verschiedene Methoden zur Erkennung des Status und Strategien zur Reduzierung von Lärmstörungen, die entweder durch das Aufnahmegerät oder durch Objekte, die die Sicht auf die Tür blockieren, verursacht werden. Der zweite Teil der Arbeit konzentriert sich auf das Testen der Fähigkeiten der Intel RealSense D435 Kamera, genauer gesagt auf die Genauigkeit der Tiefeninformationen, die sie liefern kann. Um bestimmten ISO-Normen zu entsprechen, darf eine Aufzugskabine keinen Höhenunterschied von mehr als 20 Millimetern aufweisen, verglichen mit der äußeren Etage. Es wird untersucht, ob die Kamera D435 eine so geringe Höhe erkennen kann. Unterschied bei gleichzeitiger Beibehaltung einer visuellen Übersicht über die gesamte Aufzugskabine, so dass die Anwendung noch immer auftretende Notfälle erkennen.

Für Millionen von Menschen sind Aufzüge jeden Tag ein unverzichtbarer Bestandteil. Die meisten Menschen verlassen sich darauf, dass Aufzüge 24/7 im Jahr funktionieren. Aber was ist mit einem menschlichen Versagen im Aufzug, wie einem Herzinfarkt? Es gibt solche reale Fälle die hätten verhindert werden können, wenn ein autonomes System Menschen mit einem Notfall vor Ort entdeckt hätte. Die automatische Notfallerkennung in Aufzügen ist von Interesse, da sie genau das Szenario menschlichen Versagens trifft. Das Projekt, in dem diese Arbeit realisiert wird, besteht aus einem Client, der autonom im Aufzug läuft und den Notzustand darin verfolgt, sowie einem optimierenden Hintergrunddienst. Diese Arbeit schlägt ein System als Prototyp vor, das darauf abzielt, die Selbstoptimierung der Klassifizierung im Aufzugssystem als  Hintergrunddienst zu lösen. Für ein solches System müssen mehrere Probleme bearbeitet werden. Erstens, wie man möglicherweise die richtige Klasse für neu ankommende Daten aus einem echten Notfall oder einer Aufnahme extrahiert. Zweitens, welche Parametereinstellung für einen Klassifikator die effizienteste ist und wann ein Klassifikator vollständig getestet ist. Dieser kann dann auf dem laufenden Client im Aufzug eingesetzt werden. Eine zusätzliche Herausforderung für dieses Projekt besteht darin, konform gegenüber der Datenschutz-Grundverordnung (DSGVO) zu sein und keine Personen zu überwachen, die die Aufzüge benutzen. Das Ziel dieser Arbeit ist es einen Prototyp zu entwickeln, der auf die Lösung der Hauptprobleme eingeht. Ein Beispiel dafür ist die Dynamik, mit der neue Klassen während der Laufzeit gefunden werden, damit nicht zu große Ressourcen für die Erstellung eines neuen flachen Klassifikators verschwendet werden. Die Ergebnisse zeigen, basierend auf zwei verschiedenen Datensätzen, die Zeitspanne, die benötigt wird, um eine bessere Lösung zu finden, als das manuelle Testen nach einer guten Lösung. Eines der wichtigsten Ergebnisse ist die Gesamtstruktur der Lösung, die modernste Technologien in einem System kombiniert und die eine Lösung zeigt, welche in Zukunft leicht erweiterbar ist.

Der Modellbegriff bezeichnet eine vereinfachte Darstellung von Gegenständen, Abläufen oder anderen Subjekten und wird in der Disziplin der Softwareentwicklung zur Repräsentation eines abgekürzten Realitätsausschnittes verwendet. Die Modelltransformation erweitert diesen Bereich um den Informationstransfer zwischen mehreren Modellen und ist ein wesentlicher Bestandteil der modernen Softwareentwicklung, vor allem im Bereich der modellgetriebenen Softwareentwicklung. Die vorliegende These befasst sich mit verschiedenen Möglichkeiten zur Erkennung von Informationsverlust im Bereich der Modelltransformation. Dies ist nötig, um sicherstellen zu können, dass Informationen von einem Quell-, richtig in ein Zielmodell übertragen werden, sowie zur Detektion von semantischen Unterschieden zwischen betroffenen Modellen. Im Vordergrund dieser Abhandlung stehen die beiden Fragestellungen „Wo tritt in einem Modell bei der Überführung in ein anderes Modell ein Informationsverlust auf?“ und „Wurde die Semantik eines Datensatzes durch die Transformation verändert?“. Der ersten der beiden Forschungsfragen obliegt die Bewahrung von Informationen, welche aus dem Quell- in das Zielmodell übertragen werden. Demnach sollen Daten nicht korrumpieren beziehungsweise auch an die korrekte Stelle im Zielmodell gelangen. Demgegenüber fokussiert sich die zweite Problemstellung auf die Erkennung von Modellcharakteristika in welchen sich die betroffenen Modelle unterscheiden. Dabei handelt es sich um Informationen, welche im Ziel- aber nicht im Quellmodell existieren. Zur Beantwortung der beiden Fragestellungen werden zunächst Grundlagen der Modellierung, sowie theoretische Konzepte und Verfahren aus dem Bereich der Modelltransformation und -verifikation vorgestellt. Im Weiteren werden zwei graphbasierte Implementierungen präsentiert, welche es erlauben, von Informationsverlust betroffene Modellcharakteristika zu identifizieren. Dabei handelt es sich namentlich um die graphbasierte Einschränkungsauflösung und ein Verfahren zur Erkennung von Knotenmustern mithilfe einer Neo4j Graphdatenbank. Zusätzlich wird die Verifikationskomponente des verwendeten Transformationsframeworks erläutert, welche rudimentäre Modellprüfungen ermöglicht. Abschließend werden die vorgestellten, praktischen Verfahren anhand zweier Beispiele evaluiert. Diese Evaluierung stellt die Verifikationsmethoden gegenüber und resultiert in verschiedenen Vor- und Nachteilen, zeigt dabei aber auch die grundlegende Anwendbarkeit der Implementierungen zur Erkennung von Informationsverlust.

Die Modelltransformation ist ein wesentlicher Teil der modernen Softwareentwicklung. Gerade im Bereich des Model-Driven Development (MDD) gibt es einige spannende neue Themen und Inhalte. Diese Arbeit legt den Fokus dabei auf die Entwicklung eines graphbasierten Modelltransformationsframeworks. Im Zuge dieser Arbeit werden dafür die Grundlagen der Modelltransformation beschrieben. Darunter fällt auch die Definition von Modellen, Metamodellen, aber auch welche Arten von Transformationen existieren. Darüber hinaus werden einige theoretische Konzepte wie Triple Graph Grammar (TGG) analysiert, aber auch detailliert auf bestehende Frameworks wie Atlas Transformation Language (ATL) und Epsilon Transformation Language (ETL) eingegangen. Zusätzlich dazu wird ein Konzept vorgestellt, wie die Graphdatenbank Neo4J zur Modelltransformation verwendet werden kann, beziehungsweise wie sie sich mit einem Modelltransformationsframework verbinden lässt. Das Kernthema dieser Arbeit ist dabei das Design und die Implementierung der Graphtransformationsbibliothek. Dabei wird auf die entwickelten Konzepte und verwendeten Entwurfsmuster eingegangen, sowie die Analogien zu den zuvor analysierten Frameworks aufgezeigt. Diese Bibliothek wird dann anhand zweier Beispiele, der Transformation eines Graphen in ein XML Modell und der Transformation eines 2D Bauplanes in ein 3D Modell, welche im Zuge einer Forschungsarbeit entstand, evaluiert. Abschließend wird auf die jeweiligen Vor- und Nachteile der Bibliothek eingegangen und ein Ausblick für zukünftige Entwicklungen gegeben. Dabei zeigt sich, dass vor allem die Unabhängigkeit zu anderen Technologien, sowie die lose Koppelung der Komponenten ein wesentlicher Vorteil der Bibliothek ist. Es zeigt sich aber auch, dass große Modelltransformationsframeworks wesentlich mehr Funktionalität zur Transformation bieten, diese aber häufig auch mit großem Overhead verbunden sind.

Die Analyse von Gebäudeplänen in Bezug auf Barrierefreiheit oder Probleme der Fluchtpfade ist eine schwierige Aufgabe. Im Projekt PASS (Plan Analytics using Self learning Solutions) werden daher Analysen von Bauplänen, welche zuvor von einem 2D-Bauplan in ein Interimsmodell übertragen werden, entwickelt. Diese Analysen beinhalten eine Validierung der Barrierefreiheit, eine simulationsgestützte Analyse der Fluchtpfade, sowie die optimale Platzierung von Möbeln in Räumen mittels Maschinlern-Algorithmen.

In den letzten Jahren hat die Einführung vieler neuer Augmented Reality (AR) Devices, darunter zum Beispiel die Microsoft HoloLens, sehr stark zur steigenden Popularität und Verbreitung von AR beigetragen. Gestützt durch Weiterentwicklungen im Hardware- und Softwarebereich, sind seit Kurzem sogar gängige Smartphones dazu in der Lage, eine recht große Teilmenge aktueller AR-Funktionen abzudecken, sodass AR mittlerweile für beinahe jedermann zugänglich ist.

Die österreichische Firma rudy games mit Sitz in Linz möchte sich die rapide wachsende Verbreitung von AR-fähigen Smartphones durch die Entwicklung eines Mixed Reality-Brettspiels zunutze machen, das durch den Einsatz von AR-Inhalten auf Smartphones das klassische BrettspielErlebnis um eine zusätzliche Dimension erweitert. Im Rahmen des Forschungsprojekts interface2face Mixreality Game, das rudy games in Kooperation mit zwei Forschungsgruppen der FH Oberösterreich, Campus Hagenberg, im November 2017 gestartet hat, soll ein erster Prototyp erstellt werden, der die Machbarkeit eines derartigen Spiels evaluiert und eine Basis für etwaige Weiterentwicklungen bis hin zur Produktreife bildet. Ziel dieser Bachelorarbeit war es, erste Grundsteine für die Systemarchitektur des Prototyps zu legen. Hinsichtlich der Hardwarerachitektur sollte die Frage beantwortet werden, ob Brettspiel-Elemente wie Tokens, Karten und Spielfeld-Elemente eines modularen Bretts dafür geeignet sind, als Ankerpunkte für AR-Inhalte eingesetzt zu werden. Als problematisch wurde hierbei festgestellt, dass der Winkel zwischen dem Smartphone eines am Tisch sitzenden Spielers und den auf dem Tisch liegenden Spielfeld-Elementen, die mitunter recht weit vom Spieler entfernt liegen können, in der Regel zu flach ist, als dass eine zuverlässige Erkennung möglich wäre. Um dieses Problem zu umgehen, wurden Personal Interaction Spaces (PIS) eingeführt, die die Spielfeld Elemente als primäre Ankerpunkte für AR-Inhalte ersetzen sollen. Diese liegen direkt vor den Spielern, wodurch es deutlich leichter ist, das Smartphone so über einen PIS zu halten, dass dieser zuverlässig erkannt wird und damit auch eine stabile Platzierung von AR-Inhalten möglich ist.

In Bezug auf die Softwarearchitektur wurden das Model-View-Controller-Architekturmuster (MVC), Reaktive Programmierung und das Entity-Component-System-Architekturmuster (ECS) als mögliche Kandidaten für die Architekturbasis evaluiert. Das MVC-Muster, das ursprünglich für die Implementierung von grafischen Benutzeroberflächen konzipiert wurde, konnte im Rahmen der Erstellung eines ersten Minispiels nicht überzeugen. Die Reaktive Programmierung hat grundsätzlich einen positiven Eindruck hinterlassen, schien aber als zentrales Architekturelement ebenfalls ungeeignet. Sehr positive Ergebnisse konnten dafür mit dem ECS-Muster erreicht werden, das deshalb als Architekturbasis ausgewählt wurde.

In dieser Arbeit soll eine Evaluierung von verschiedenen Algorithmen des maschinellen Lernens, für die Informationsgewinnung aus Bilddaten zur späteren Notfallerkennung in Aufzugsystemen, durchgeführt werden. Dazu wird, zur Ermittlung der Informationen, ein Klassifikations-Prototyp erstellt, welcher in drei Teile aufgeteilt wird. Im ersten Schritt werden Bilder von segmentierten Objekten analysiert und eruiert, ob es sich dabei um einen Menschen oder Gegenstand handelt. Im zweiten Teil werden Gegenstände in weitere Objektkategorien klassifiziert, wodurch eine Aussage über eine bestehende Gefahrensituation gemacht werden kann. Im dritten Teil werden, als Mensch klassifizierte, Objekte einer Haltungsklassifikation auf Basis ihrer Silhouettenform unterzogen, wodurch später ein Notfallsignal ausgelöst werden kann, sollte eine Person über einen längeren Zeitraum am Boden liegen. Die getesteten Algorithmen werden von OpenCV angeboten und beschränken sich dabei auf K-Nearest Neighbor, Support Vector Machine, Random Forest sowie neuronales Netz. Die Ergebnisse zeigen, dass sich Support Vector Machines, mit einer Trefferquote von über 98%, unter Verwendung von HOG-Deskriptoren, bestens für eine Kategorisierung von Objekten in Mensch und Gegenstand eignen. Auch lieferte diese Kombination, im Vergleich zu anderen Klassifikatoren, zwar die besten Resultate für die weitere Gruppierung von Gegenständen, allerdings sind diese mit einer 73-prozentigen Klassifikationsrate nicht sonderlich befriedigend. Bei der Haltungsklassifikation mittels Silhouetten-Merkmale, erwies sich das neuronale Netz, mit einer korrekten Klassifikation von 92% aller Testdaten, als der geeignetste Klassifikator.

Um Personen, die an einer Forschungsstudie teilnehmen oder sich einer medizinischen Behandlung unterziehen, zu schützen, ist es essenziell, vorab ihr informiertes Einverständnis (Informed Consent) einzuholen. Dies trägt dazu bei, der jeweiligen Person Entscheidungsfreiheit zu ermöglichen. Dabei handelt es sich um einen Prozess, der aus mehreren Schritten besteht. Zuerst muss genügend Information zur Verfügung gestellt werden, um eine bewanderte Entscheidung treffen zu können. Nachfolgend muss sichergestellt werden, dass die betroffene Person fähig ist, die Entscheidung zu treffen, und diese Entscheidung muss dokumentiert werden. Derzeitig wird dies oft im Zuge eines mündlichen Aufklärungsgespräches erledigt, welches teilweise durch Informationsbroschüren unterstützt wird. Die Unterschrift des Patienten wird danach auf einer ausgedruckten Einverständniserklärung festgehalten. Ein digitaler Prozess, welcher dieses Einverständnis auf elektronische Weise verrichtet und dokumentiert (eConsent), hat neben Kostenreduktion das bedeutsame Potenzial, das Verständnis des Patienten zu erhöhen, die Datenqualität zu verbessern und den Patienten zusätzlich zu ermächtigen. Diese Masterarbeit identifiziert acht Anforderungen für eine solche eConsent-Architektur im Zuge von Forschungsstudien und medizinischer Behandlungen. Anschließend wird ein auf dem HL7 FHIR-Standard basierendes Back-End-Modell dieser Architektur vorgeschlagen und prototypisch als Open-Source-Projekt implementiert. Realisiert wurde diese Arbeit in Kooperation mit zwei kanadischen Interessensvertretern: Das Centre for Global eHealth Innovation und Dr. Alvin Lin. Der Entwurf baut auf einem existierenden HL7 FHIR-Modell auf, welches derzeit für Einverständniserklärungen im Datenschutzbereich implementiert ist. Es werden zusätzliche Erweiterungen und Anpassungen vorgeschlagen, um die identifizierten Anforderungen realisieren zu können. Dabei ist ein Fokus auf die Beibehaltung einer Datenstruktur gelegt, die es weiterhin erlaubt, eine Benutzeroberfläche automatisch zu generieren. Durch die Verwendung der standardisierten SNOMED CT-Terminologie wird für Teile der Information eine semantische Interoperabilität mit anderen Informationssystemen des Gesundheitswesens ermöglicht. Die vorgeschlagene eConsent-Architektur erfüllt den Großteil der identifizierten Anforderungen. Allerdings ist das System durch die niedrige Reifestufe der verwendeten FHIRRessourcen limitiert. Des Weiteren definiert die Terminologie keine flächendeckende Begriffsmenge für den implementierten Anwendungsfall. Die zusätzliche Verwendung von proprietären FHIR-Extensions oder die Einführung einer anderen digitalen Informationsquelle als die vorgeschlagene FHIR-QuestionnaireResponse müssen in Betracht gezogen

werden.

Im Rahmen eines Forschungsprojekts mit der Firma Psii.Rehab stellt sich die Frage ob und wie Biofeedback in Form eines elektromyographischen Signals als Eingabemöglichkeit in einer Applikation verwendet werden kann. Damit soll die Effektivität der Spiegeltherapie verbessert werden. Dies soll eng mit der Virtuellen Realität, mobilen Geräten und Fingertracking zusammenspielen um ein immersiveres Erlebnis zu erzeugen. Daher wird im Rahmen der Arbeit Hardware in Form von Mobile–Virtual Reality Brillen, Fingertrackingsensoren und Elektromyographen evaluiert mit dem Ziel ein hardwareunabhängiges System zu entwickeln, das Android als Zielplattform hat und durch ein elektromyographisches Signal gestützt wird. Wegen diesen Gründen wird das Unity Framework eingesetzt

Hauptaugenmerk wird auf den Elektromyographen Thalmic Myo gelegt, da er eines der wenigen Geräte ist, die verschiedene Anforderungen, wie etwa Abgreifen von Roh–Signal, Einspeisen der Daten in Unity usw., ermöglicht. Damit sind aber viele Probleme verbunden, da die Funktionalität der vom Hersteller gelieferten Software unvollständig ist bzw. unter Android gänzlich fehlt und selbst nachimplementiert werden muss.

Das aus der Thalmic Myo erhaltene Roh–Signal muss durch spezielle Verfahren normalisiert und aufgrund der Anforderungen abstrahiert werden. Erst dann kann es für eine Demoapplikation eingesetzt werden. Diese Applikation ist lediglich eine kleine Demonstration, wie die Implementierung eines Eingabesystems basierend auf einem Elektromyographischen Signal aussehen kann und welche Möglichkeiten sich dadurch präsentieren.

Moderne Simulationshardware, wie Flugsimulatoren und Fahrsimulatoren sind teuer und platzineffizient. Außerdem ist ihr Potential meist nicht ausgeschöpft, da viele wichtige Merkmale der realen Welt, z.B. Rundumsicht, weniger oder nicht gegeben sind.

Die erneut aufkommende Technologie Virtuelle Realität erzeugt eine virtuelle Umgebung, die ein Modell der Realität darstellt. Mit dieser Umgebung kann der Benutzer mithilfe von neuartigen und intuitiven Möglichkeiten interagieren. Damit erzeugt die Virtuelle Realität eine sehr hohe Immersion, mit der, in Bezug auf Simulationen, die Effektivität der Software gesteigert werden soll. Zum einen soll es möglich sein kostengünstigere Alternativen zu der traditionelleren Hardware zu erzeugen, indem nur minimale reale Hardware beschafft wird und der Rest im Modell simuliert wird. Außerdem soll durch den gezielten Einsatz der Technologie in traditionellere Simulatoren, vor allem als Ausgabegerät, die Effektivität abermals verbessert werden.

Aktuell existieren zwei State–of–the–Art Geräte zur Nutzung der virtuellen Realität, die HTC Vive und die Oculus Rift. Beide sind sogenannte Head Mounted Displays, welche die benötigte Immersion der virtuellen Realität unterstützen. Beide Geräte werden anhand der Hardwarespezifikationen, APIs und Interaktionsmöglichkeiten analysiert.

Um die Eigenschaften der virtuellen Realität praktisch darzulegen wird im Rahmen dieser Arbeit auch ein Prototyp entwickelt, der sich rein auf das virtuelle Modell verlässt und keine weitere Hardware, mit Ausnahme der HTC Vive als Medium, einbindet. So soll gezeigt werden, dass mit minimierten Kosten und Aufwand eine doch sehr effiziente Simulation erzeugt werden kann.

Die räumliche Orientierung ist für Anwendungen vor allem im Bereich von Augmented Reality von großer Relevanz. Neben der Position im dreidimensionalen Raum handelt es sich dabei um einen der wichtigsten Faktoren, um virtuelle Objekte im Raum präzise und richtig darstellen zu können. Dabei ist die Orientierung bei sogenannten Head Mounted Displays, wie etwa der Microsoft HoloLens, mit der Blickrichtung gleichzusetzen, wodurch eben jene Daten darüber bestimmen, welche Informationen im Sichtfeld eines Benutzers dargestellt werden und welche nicht. Dies geschieht zum derzeitigen Stand der Technik zu meist markerbasiert mit in der Umgebung angebrachten, visuellen Hinweisen und/oder mithilfe von Sensoren. Diese Abhandlung erläutert anhand der beiden Augmented Reality Frameworks Vuforia und Kudan AR zwei übliche Möglichkeiten zur markerbasierten Bestimmung der eigenen Orientierung und beschreibt das Problem dieses merkmalsbasierten Ansatzes, dass Anwendungen von einer einzigen fixen Position oder einer enormen Anzahl von Referenzbilder für jeden virtuellen Gegenstand abhängig sind. Diese fehlende Praxistauglichkeit führt zur Notwendigkeit eines alternativen Ansatzes, woraus sich das Ziel dieses Diskurses ableitet, einen merkmalsunabhängigen, bildbasierten Ansatz zu finden, welcher mithilfe der Berechnung des Bildverschubs die Orientierung ermittelt. Diese Vorgehensweise basiert auf der zugrundliegenden Hypothese, welche besagt, dass die Rotation um die eigene Achse bei gleichbleibender Position im Raum durch eine Translation der Eingangsbilder vereinfacht ermittelt werden kann. Anhand mehrerer Testszenarien wird die Implementierung dieser Hypothese evaluiert. Basierend auf diesen Ergebnissen wird die Fragestellung dieser Abhandlung „Ist es möglich, im Outdoorbereich bei einem gleichbleibenden Ausgangspunkt mithilfe von bildbasierten Verfahren die präzise Orientierung im Raum zu ermitteln?“ beantwortet und aufgrund des Resultats von einem Medianunterschied von 0,00015° zwischen realer und berechneter Rotation als untermauert erachtet.

Für den Bereich der derzeit allgegenwärtigen Technologie Augmented Reality existieren diverse Frameworks, welche Entwickler bei der Erstellung von Applikationen in dieser Domäne mit unterschiedlichsten für dieses Einsatzgebiet geeignete Funktionalitäten entlasten. Diese Abhandlung befasst sich deswegen einleitend mit der Definition und den Grundlagen von Augmented Reality. Weiterführend wird die Differenzierung zu der verwandten Technologie Virtual Reality behandelt, um über eine Erläuterung der technischen Basis in Bezug auf die Software als auch die Hardware, bis hin zu bekannten, mit der Verwendung von Augmented Reality Systemen einhergehenden, Problemen zu kommen. Aufbauend auf dieses Wissen folgt die Definition von Augmented Reality Frameworks, den verschiedenen grundlegenden Bestandteilen und einer Auswahl an Entwurfsmustern, welche von mehreren solcher Softwarebausteine umgesetzt werden. Bevor es zu einem Überblick an existierenden Lösungen verschiedenster Hersteller übergeht, werden typische Funktionalitäten behandelt, welche von diversen Frameworks zur Verfügung gestellt werden. Abschließend werden anhand zuvor festgelegter Prämissen die Frameworks Vuforia und Kudan AR Engine selektiert, mithilfe von Prototypen näher erläutert und in einem abschließenden Kapitel unter anderem in den Disziplinen des markerbasierten und des markerlosen Trackings miteinander verglichen. Mit der eigentlichen Fragestellung dieses Elaborats (Welche AR-Frameworks existieren und welche Funktionalität decken diese ab?) als allgegenwärtige Problemstellung soll so auf Unterschiede aufmerksam gemacht werden, welche bei der Implementierung von Anwendungen im Bereich von Augmented Reality von Bedeutung sein können, um so für zukünftige Entwicklungen sowohl eine technische Grundlage als auch eine Basis hinsichtlich des konzeptionellen Verständnisses zu schaffen.

In den letzten Jahren bekamen die Begriffe Virtual Reality und Augmented Reality eine zunehmende Bedeutung. Für viele Funktionalitäten ist dabei ein einfaches VR/AR-Gerät ausreichend, dennoch werden für manche Anwendungsbereiche zusätzliche Technologien benötigt. So wird zum Beispiel um Fahrer von Einsatzfahrzeugen zu trainieren, auf derartige Technologien gesetzt. Dabei wird eine genaue Position der Windschutzscheibe benötigt um festzustellen, in welchem Bereich des Sichtfeldes zusätzliche Gefahren eingeblendet werden können. Diese Arbeit hat sich genau diese Problematik als Ziel gesetzt und versucht dabei die Möglichkeiten der Fenstererkennung in Fahrzeugen mittels Kantenerkennung aufzugreifen. Dabei werden vor allem zwei zentrale Fragestellungen in den Mittelpunkt gestellt. Zum einen „Ist es möglich Fenster rein mittels Kantenerkennung zu detektieren?“, zum anderen „Welche verschiedenen Algorithmen zur Kantenerkennung existieren und welche Vor- und Nachteile haben diese hinsichtlich der Erkennung von Fenstern in Fahrzeugen?“ Um diese beiden Fragestellungen beantworten zu können, unterteil sich diese Arbeit in einen Theorieteil, sowie in der Ausarbeitung mehrere Prototypen. Im theoretischen Teil dieser Arbeit wird die grundlegende Funktionsweise verschiedenster Kantenerkennungsalgorithmen beschrieben, sowie überprüft warum und ob sich diese zur Erkennung von Fenstern in Fahrzeugen eignen. Es wurden dabei im wesentlichen folgende Operatoren/Verfahren betrachtet: Roberts, Prewitt, Sobel, Kompass-Gradient, Kirsch, Marr-Hildreth und Canny. Für den praktischen Teil wurden drei Prototypen entwickelt, welche die drei ausgewählten Algorithmen hinsichtlich ihrer Funktionalität vergleichen. Die Auswahl fiel dabei auf Marr-Hildreth und Canny, da diese durch ihre Parametrisierbarkeit für dieses Szenario angepasst werden können. Als Vergleich zu den normalen steht stellvertretend Prewitt. Dabei kann damit ermittelt werden, welcher dieser Prototypen sich für ausgewählte Szenarien besser eignet und welche Einstellungen und Parametrisierungen des Prototypens dafür notwendig waren. Die erzielten Ergebnisse der Prototypen waren sehr durchwachsen. In manchen Szenarien zeigten sie klar, welche Probleme rein mittels Kantenerkennung auftreten, in anderen wiederum erzielten sie sehr gute Ergebnisse. Außerdem zeigten sie die typischen Probleme von Kantenerkennungssysteme, besonders gewisse Störfaktoren wie Rauschen oder Bildunschärfe verursachten Probleme. Der Einsatz von Kantenerkennungsalgorithmen zur Fenstererkennung ist dann möglich, wenn es sich wirklich um perfekte Musterszenarien handelt. Vor allem dann, wenn wenig Störfaktoren in der Umgebung vorhanden sind. Um die Erkennung auch für andere Szenarien zu ermöglichen, müssen die Algorithmen mit weiteren Verfahren wie zum Beispiel Objekterkennung kombiniert werden.

In dieser Arbeit wird die Möglichkeit evaluiert, mittels Bildverarbeitungsmethoden eine Personenidentifikation durchzuführen. Dabei werden aktuelle Methoden zur Identifikation einer Person aufgegriffen, diese beschrieben und deren Automatisierungsmöglichkeiten aufgezeigt. Zu Beginn wird dazu der Prozess analysiert und mittels BPMN abgebildet. Dabei werden die entscheidenden Bereiche, welche für die rechtliche Umsetzung benötigt werden, modelliert. Die wesentlichen drei Punkte, welche in dieser Arbeit aufgegriffen werden, sind die Erkennung eines Ausweises, die Validierung von Sicherheitsmerkmalen, sowie das Auslesen der Maschinen lesbaren Bereiche. Im ersten Prozessschritt wird analysiert wie mittels Hough-Lines ein Ausweis in einem Bild erkannt werden kann. Dazu werden die dafür benötigten algorithmischen Grundlagen erklärt, sowie die Hough-Transformation implementiert. Nach erfolgreicher Erkennung und Entzerrung des Ausweises wird mit der Validierung von Hologrammen fortgefahren. Hierfür werden unter Verwendung von Binär-/Farbsegmentierung die Bereiche des Ausweises analysiert und mit einem Template verglichen. Somit lässt sich über einen Pixelvergleich ein Konfidenzwert über das Vorhandensein eines Hologramms ermitteln. Durch die Analyse über mehrere Bilder, kann so ermittelt werden, ob ein gültiges Hologramm vorhanden ist. Im späteren Verlauf der Arbeit wird dann auf die Texterkennung (OCR) eingegangen. Dafür werden hauptsächlich die verwendeten Vorverarbeitungsschritte beschrieben. Die eigentliche Erkennung der Zeichen wird dann von Tesseract einem OCR Framework übernommen. Zum Schluss werden die jeweiligen Ergebnisse der einzelnen Schritte ausgewertet. Als finales Ergebnis lässt sich dabei zeigen, dass gerade die Form der Hologramm Erkennung noch Schwächen aufweist. Deshalb werden in einem abschließenden Kapitel Verbesserungs- sowie Optimierungsmöglichkeiten aufgezeigt.

Das Auffinden eines barrierefreien Weges ist für mobilitätseingeschränkte Personen kraftraubend und oft nicht trivial, weshalb ein ihren Ansprüchen entsprechendes System zur Wegfindung eine große Hilfe darstellt. Der Bereich der Geoinformatik ist sehr breit gestreut und in Verbindung mit gegebenen Einschränkungen aufgrund der Barrierefreiheit ergeben sich beachtliche Herausforderungen für Entwickler, die ein solches System erstellen. Auf Basis von bereits bestehenden oder sich in Entwicklung befindlichen Produkten, Interviews und Literaturrecherchen, sowie einer selbstständigen Einarbeitung in das Thema Höhendaten, liefert diese Arbeit einen Überblick über die für Entwickler zukommenden Herausforderungen. Des Weiteren werden Lösungsvorschläge gegeben und ein Prototyp zur Evaluierung von Interpolationsalgorithmen liefert Testergebnisse deren Genauigkeit betreffend. Diese Arbeit kann als Basis zur praktischen Umsetzung eines prototypischen Routingsystems für mobilitätseingeschränkte Personen herangezogen werden oder auch, durch verschiedene Vergleiche der Algorithmen und des Kartenmaterials, als Entscheidungshilfe der zu verwendenden Komponenten dienen.

Die Anbindung mobiler Geräte als Datenquelle oder -verbraucher an ein bestehendes System des Gesundheitswesens erfreut sich wachsender Beliebtheit, bringt allerdings auch einige Herausforderungen mit sich, weshalb derzeit von Integrating the Healthcare Enterprise (IHE) ein Profil zum mobilen Dokumentenaustausch entwickelt wird. Diese Arbeit dokumentiert neben der Vorgehensweise auch auftretende Herausforderungen während der Implementierung im Zuge eines mehrmonatigen Berufspraktikums. Die Entscheidungen, die nötig waren um diese Herausforderungen — welche hauptsächlich im Zuge der Versionierungen des sich noch in Entwicklungsstand befindenden Profils und des FHIR-Standards auftraten — zu lösen, sind in dieser Arbeit erfasst und argumentiert. Des Weiteren wird beschrieben, wie die Integration in das bestehende System erfolgte. Diese Arbeit dient vor allem zur Dokumentation der Implementierung der derzeit aktuellen Version dieses Profils namens Mobile access to Health Documents (MHD).