Komplexe Systeme treten in den unterschiedlichsten Bereichen der Wirtschafts‐, Natur‐ und Ingenieurwissenschaften auf. Diese zeichnen sich meist durch nicht‐lineare Interaktion vieler (mikroskopischer oder mesoskopischer) Komponenten aus und können auf makroskopischer Ebene eine Vielfalt von Strukturen zeigen. Diese Strukturen können räumlichen, zeitlichen oder raumzeitlichen Charakter haben und lassen sich quantitativ erfassen. Dabei können heutzutage unheimlich große Datenmengen anfallen. Für viele Anwendungen ist eine Interpretation dieser Massendaten durch Klassifikationen und makroskopischen Beschreibungen wichtig, um Vorhersagen zu treffen und/oder die zugrundeliegenden Mechanismen besser zu  verstehen.

Das CCS kann Unternehmen und Forschungseinrichtungen einerseits bei der Auswahl, Anwendung und Interpretation von bekannten Methoden zur Analyse der Daten unterstützen. Anderseits optimiert und entwickelt das CCS‐Team neue und innovative Algorithmen für unterschiedlichste Anwendungen zur Untersuchung komplexer Systeme.

Wir unterstützen Partner aus der Wirtschaft und Wissenschaft im Bereich der angewandten Forschung und Entwicklung:

  • Durchführung gemeinsamer FuE‐Projekte
  • Auftragsforschung
  • Recherche und Hilfestellung zu Förderprogrammen

 

Das CCS im Überblick

Methoden und Anwendungen

Methodisch können unterschiedliche Werkzeuge aus den Bereichen der Informatik,
Mathematik und Physik zum Einsatz kommen:

  • Cluster‐Verfahren
  • Unterraum‐Verfahren
  • Zeitreihen‐Analyse
  • Frequenz‐Analyse
  • Stochastische Verfahren
  • Nichtlineare Verfahren
  • Maschinelles Lernen
  • Topologische Verfahren

Diese Methoden können überall dort eine wichtige Rolle spielen, wo es darum geht, aus (meist großen) Datenmengen Vorhersagen zu treffen und Rückschlüsse auf das
zugrundeliegende System zu ziehen. Die Anwendungen sind daher breit gestreut und keinem einzelnen Bereich zuzuordnen, wie z.B.

    • Neurowissenschaften
    • Zerstörungsfreie Werkstoffprüfung
    • Chemische Reaktionssysteme
    • Big Data
    • Finanzmärkte
    • Wetterbeobachtungen
    • Sozio‐ökonomische Systeme

    Dieser interdisziplinäre Charakter birgt großes Potential für die Partner aus Wirtschaft und Wissenschaft, da dieser Methodentransfer aus verschiedenen Bereichen eine neue Sicht der Dinge ermöglichen und daher einen Mehrwert für die beteiligten Partner liefern kann.

    Forschungsprojekte

    Nilpherd

    Entwicklung von Methoden zur nicht‐linearen physiologischen Modellierung epileptischer Discharges beim Menschen basierend auf elektrophysiologischen Ableitungen intrakranieller und Oberflächen‐Elektroden (Nilpherd). In diesem Projekt sollen Algorithmen entwickelt und implementiert werden, die eine verbesserte bzw. alternative Analyse von EEG‐Daten epileptischer Anfälle ermöglichen. Die Algorithmen dienen der Beschreibung auftretender Strukturen in den Oberflächen‐EEG und der physiologischen Modellierung intrakranieller Ableitungen iktaler Daten. Diese Beschreibung bzw. Modellierung der EEG‐Daten kann eine verbesserte Behandlung pharmakoresistenter Fokalepilepsien  ermöglichen und das Verständnis zugrundeliegender neurophysiologischer Prozesse vertiefen. Partner der Hochschule sind das Epilepsiezentrum des Universitätsklinikums Erlangen und die Firma BESA GmbH in Gräfelfing gefördert durch die Bayerische Forschungsstiftung.


    TZM


    Technologie‐Transferzentrum für den Mittelstand, Teilprojekt „Eco‐Material & Innovation Lab“. Das Teilprojekt "Eco‐Material & Innovation Lab" unterstützt Unternehmen bei der Suche und Entwicklung neuer Produktideen, technischer Lösungen und innovativer Algorithmen. Neben Produktinnovation und Umweltverträglichkeit beinhaltet ein zweiter Schwerpunkt die Entwicklung und Anwendung innovativer Algorithmen zur Analyse komplexer Systeme und dabei auftretender Daten ("big data"). Für viele Anwendungen ist eine Interpretation dieser Massendaten wichtig, um Vorhersagen zu treffen oder die zugrundeliegenden Mechanismen zu verstehen.

    Veröffentlichungen

    Konferenzbeiträge

     
    Vorträge

    •B. Seifert, K. Korn, S. Hartmann, and C. Uhl, Dynamical Component Analysis (DyCA): Dimensionality reduction for high-dimensional deterministic time-series, 2018 IEEE 28th International Workshop on Machine Learning for Signal Processing (MLSP), Aalborg, 17.-20.09.2018, arXiv Preprint

    •S. Hartmann. Dynamical Component Analysis (DyCA) applied to simulated data of strange attractors, Applied Research Conference - ARC 2018, Deggendorf, 10.07.2018

    •D. Adamski. Testing for Shilnikov Behavior in Epileptic Seizure with Dynamical Systems Based Modeling, Applied Research Conference - ARC 2018, Deggendorf, 10.07.2018

    •B. Seifert, K. Hüper, and C. Uhl, Fast cosine transform for FCC lattices, 13th APCA International Conference on Control and Soft Computing (CONTROLO 2018), Ponta Delgada, 05.06.2018, arXiv Preprint

    •D. Adamski, S. Hartmann, B. Seifert, and C. Uhl, Modellierung von EEG‐Daten epileptischer Absencen: Dimensionsreduktion auf Shilnikov‐Attraktoren, Workshop Biosignale 2018, Erfurt, 22.03.2018

    •C. Uhl, M. Lieb, Experiments with an extended adaptive SVD enhancement scheme for speech recognition in noise, ICASSP 2001, IEEE Press, 2001

     

    Poster

    •D. Adamski, S. Hartmann, B. Seifert, C. Uhl. Model-driven dimensionality reduction of epileptic EEG-data, 52nd DGBMT Annual Conference - BMT 2018, Aachen, 26. - 28.09.2018

    •S. Hartmann, D. Adamski, B. Seifert, C. Uhl. Linear stability analysis of epileptic seizure models, 52nd DGBMT Annual Conference - BMT 2018, Aachen, 26. - 28.09.2018

    •K. Korn. Dynamical component analysis applied on EEG data of patients with epileptic seizures, Applied Research Conference - ARC 2018, Deggendorf, 10.07.2018

    •D. Adamski, S. Hartmann, K. Korn, B. Seifert, and C. Uhl. Modellierung von EEG-Daten epileptischer Absencen: Dimensionsreduktion auf Shilnikov-Attraktoren, Matlab Expo 2018

    •B. Seifert, K. Hüper, and C. Uhl. On Cooley-Tukey-type-algorithms based on generalized Chebyshev polynomials, Foundations of Computational Mathematics 2017

    •D. Adamski, B. Seifert, and C. Uhl. Parameterschätzung nicht-linearer Differentialgleichungsmodelle via globaler Optimierung, Matlab Expo 2017

    •B. Seifert and C. Uhl. Dynamical Systems Based Modeling, 80. Jahrestagung der DPG 2016

     

    Preprints

    •K. Korn, B. Seifert, and C. Uhl. Dynamical Component Analysis (DyCA) and its application on epileptic EEG. accepted for Proc. International Conference on Acoustics, Speech, and Signal Processing (ICASSP) 2019, arXiv preprint

    •B. Seifert and K. Hüper. The discrete cosine transform on triangles. accepted for Proc. International Conference on Acoustics, Speech, and Signal Processing (ICASSP) 2019, arXiv preprint

    •B. Seifert. FFT and orthogonal discrete transform on weight lattices of semi-simple Lie groups. submitted, arXiv preprint

     

    Zeitschriften- und Journalartikel

    •B. Seifert, D. Adamski, and C. Uhl. Analytic quantification of Shilnikov chaos in epileptic EEG data. Front. Appl. Math. Stat., 2018, Link zur online Version

    •C. Uhl, A. Hutt, and F. Kruggel. Improvemenet of Source Localization by Dynamical Systems Based Modeling (DSBM). Brain Topography, 13:219–225, 2001

    •C. Uhl, F. Kruggel, B. Opitz, and D. Y. von Cramon. A New Concept for EEG/MEG Signal Analysis: Detection of Interacting Spatial Modes. Human Brain Mapping, 6:137–149, 1998

    •R. Friedrich and C. Uhl. Spatio-temporal analysis of human electroencephalograms: petit-mal epilepsy. Phyica D, 98:171–182, 1996

    •C. Uhl, R. Friedrich, and H. Haken. Analysis of spatio-temporal signals of complex systems. Phy. Rev. E, 51:3890, 1995

    •C. Uhl, R. Friedrich, and H. Haken. Reconstruction of spatio-temporal signals of complex systems. Z. Phy. B, 92:211, 1993

     

    Sammelbandbeiträge

    •C. Uhl and B. Seifert. DSBM - Dynamical Systems Based Modeling: An Overview. In U. Ambrosius and S. Gollisch, editors, Ansbacher Kaleidoskop 2016, 123–138. Shaker Verlag, 2016.

    •C. Uhl and R. Friedrich. Spatio-temporal Modeling Based on Dynamical Systems Theory. In C. Uhl, editor, Analysis of neurophysiologigla Brain Functioning, pages 274–305. Springer Verlag, 1999

    © 2019 Hochschule Ansbach