IT & Sensorik

Problem Statement:

Education, and with it the opportunities for a better education, are changing and becoming increasingly accessible to the general public. Today's degree programmes offer a wide range of entry routes, enabling students from very diverse backgrounds to pursue their goals, thereby creating an increasingly diverse student body at universities. This inevitably leads to a greater need for individual support, which lecturers are unable to provide in large groups. For this reason, there is an increasing reliance on digital, computer-based support to make individualised learning support scalable. At the very least, since the last global pandemic, during which the entire education system had to switch to digital distance learning at short notice, education and the learning process have been taking place primarily in the digital environment. For the reasons just mentioned, digital adaptive learning environments are increasingly being used to promote efficient learning, better learning outcomes, and long-term, sustainable motivation. However, the ever-advancing pace of technological progress and the demands of digital literacy are also transforming digital learning and can thus drive breakthroughs in diversification and personalisation of learning.

Objective:

To provide learners with the best possible support at all times, an increasing number of educational institutions and providers are turning to digital adaptive learning environments to offer far-reaching personalised automated support, thereby providing long-term support for individual learning processes. The foundation and core of such adaptive learning environments, alongside inference mechanisms (such as the recommender engine), is the so-called learner model, which is an explicit representation of individual learners' characteristics and interaction data, in the form of an internal machine representation encompassing many different aspects and enables various forms of personalisation, such as adaptive presentation of content, individualised content adjustments, and adaptive navigation, whilst taking into account the learner's current knowledge, skills, and preferences. Such targeted, individualised adjustments can have a lasting impact on learning progress. Consequently, this approach is increasingly being adopted in educational institutions. As a central component of the digital personalised learning system, the quality of learner models directly impacts the effectiveness of personalised learning.

Problem Statement: 

User performance and well-being are important factors during Virtual Reality (VR) interactions; the former determines the efficiency and safety of users, while the latter is essential for sustainable health. As VR is evolving to become a widespread interface, it must be evaluated to ensure that it effectively supports its users. This research address these aspects by examining diverse use cases that have been heavily proposed for VR: in high-stakes operational environments, such as autonomous vehicle teleoperation, the problem lies in balancing cognitive demands with interface design; in productivity work, text entry for accented characters remains underexplored; and for mental well-being, there is a lack understanding of how immersive affirmative interventions can mitigate public speaking anxiety and enhance skills and furthermore help in reducing acute stress with the help of immersive forest bathing. Hence, there is a need to establish an understanding and foster the development of VR interfaces that are efficient and restorative for its users.

Objective: 

To address these gaps, this research aims to optimize VR interface design for operational use-cases, specifically targeting the efficiency of autonomous vehicle monitoring while reducing the cognitive load of the teleoperators and investigation of different text-entry techniques for accented character entry in VR for different user groups. Beyond performance-oriented tasks, the research seeks to explore the potential of VR by comparing immersive visualization techniques against traditional methods for managing public speaking anxiety, and by evaluating whether enhancing forest bathing simulations with multisensory stimuli, such as olfactory cues, significantly enhances user restoration. Ultimately, this work intends to establish concrete design principles and empirical guidelines that facilitate the development of effective, evidence-based VR applications.

Problemstellung
Ultraschallbasierte Messverfahren werden in zahlreichen technischen Anwendungen eingesetzt, beispielsweise zur Abstands- und Durchflussmessung, zur Charakterisierung von Flüssigkeiten oder in der zerstörungsfreien Prüfung von Bauteilen. Die dabei entstehenden Ultraschallsignale unterscheiden sich je nach Anwendung deutlich, etwa durch Materialeigenschaften, Sensorik, Kopplungsbedingungen, Anregungsform und Störeinflüsse. Auswerteverfahren werden daher häufig spezifisch für einzelne Messaufgaben entwickelt und lassen sich nur eingeschränkt auf neue Anwendungen übertragen.

Gleichzeitig ist der Einsatz überwachter Deep-Learning-Verfahren in diesem Bereich erschwert, da sie große gelabelte Datensätze erfordern. In industriellen Ultraschallanwendungen lassen sich solche Labels oft nur mit erheblichem experimentellem Aufwand gewinnen, sodass reale Trainingsdatensätze meist klein bleiben. Daraus ergibt sich die zentrale Herausforderung, Verfahren zu entwickeln, die grundlegende Eigenschaften von Ultraschallsignalen ohne gelabelte Trainingsdaten robust erfassen und anschließend mit wenigen gelabelten Beispielen für konkrete Messaufgaben nutzbar machen können.

Eine zentrale Forschungsfrage des Promotionsvorhabens ist daher, ob ein KI-Modell durch selbstüberwachtes Vortraining auf synthetisch erzeugten Ultraschall-Burstsignalen allgemeine Signalmerkmale erlernen kann, die anschließend für reale Ultraschallanwendungen nutzbar sind.

Zielsetzung
Ziel des Promotionsvorhabens ist die Entwicklung und Evaluation eines selbstüberwacht vortrainierten Masked-Autoencoder-Modells für Ultraschallsignale. Hierfür wird die ursprünglich aus der Bildverarbeitung bekannte Grundidee des Maskierens und Rekonstruierens von Datenabschnitten auf Ultraschall-Burstsignale übertragen. Das Modell soll auf synthetisch erzeugten Signalen vortrainiert werden und dabei universell nutzbare Repräsentationen grundlegender Signalmerkmale lernen.

Ein Schwerpunkt liegt auf der Frage, welche Eigenschaften des synthetischen Signalraums für die Qualität dieser Repräsentationen entscheidend sind. Dazu werden zentrale Signaleigenschaften systematisch variiert und analysiert, inwieweit sie im vortrainierten Modell abgebildet werden. So soll nachvollziehbar werden, welche Informationen das Modell während des selbstüberwachten Vortrainings erfasst und welche Rolle die Gestaltung der synthetischen Trainingsdaten dabei spielt.

Darauf aufbauend wird geprüft, inwieweit sich die gelernten Signalrepräsentationen auf reale Ultraschallmessdaten übertragen lassen. Langfristig soll daraus ein robustes Vorgehen entstehen, mit dem vortrainierte Modelle durch dateneffizientes Fine-Tuning an unterschiedliche industrielle Messaufgaben angepasst werden können.