Im Projekt THERESA entwickelt das Forschungsteam ein KI-basiertes System, das Videos physiotherapeutischer Übungen analysiert. Die KI erkennt Bewegungen und eingesetzte Kleingeräte wie Bänder oder Hanteln, berechnet die dabei wirkenden Kräfte und ermittelt so die Trainingsintensität. Das System unterstützt Patientinnen und Patienten auch außerhalb der Klinik und fördert durch präzise Übungsanalysen sowie Gamification-Ansätze eine nachhaltige Rehabilitation.

Dieses von der DFG geförderte Projekt (2017–2020) zielt darauf ab, Mensch und Maschine enger zusammenzubringen, um Visual Analytics (VA) für eine effektivere und effizientere Datenanalyse zu verbessern. Ein wesentlicher Bestandteil dieses Forschungsvorhabens ist es, die Lücke zwischen menschlichem Lernen und maschinellem Lernen (ML) zu überbrücken, um komplexe Modellkonfigurationen und Interaktionen zugänglicher und nutzbarer zu machen.

Dieses vom BMBF geförderte Projekt unter der Koordination der Universität Konstanz wendet Visual Analytics zur Katastrophenprävention und Krisenbewältigung an, mit einem Fokus auf kritische Infrastrukturen wie Logistik, digitale Netzwerke und Stromnetze. Es ist Teil des Programms „Forschung für die zivile Sicherheit“ innerhalb der Hightech-Strategie der Bundesregierung.

In den letzten Jahren ist die Menge an Proteindaten rasant gewachsen und birgt wertvolle wissenschaftliche und medizinische Erkenntnisse. Dieses Projekt untersucht Einschränkungen in Proteinsequenzen, indem es Alignments funktional äquivalenter Proteine analysiert, um Regelmäßigkeiten wie korrelierte Positionen oder Restmuster zu identifizieren. Diese Muster sind entscheidend für korrektes Falten und zelluläre Funktionen. Das Visual-Analytics-Tool VisAlign unterstützt diese Analyse, indem es automatische Korrelationsberechnungen mit interaktiver Visualisierung kombiniert.

Fortschritte in Positionierungstechnologien haben zu großen Mengen an Bewegungsdaten geführt und damit den Bedarf an skalierbaren Analysemethoden geschaffen. Während bestehende Ansätze aus Data Mining und Visualisierung oft den raum-zeitlichen Kontext vernachlässigen, entwickelt dieses Projekt theoretische Grundlagen und skalierbare Methoden, um Bewegung unter Einbezug kontextueller Informationen aus Datensätzen und menschlichem Wissen zu analysieren.