Bronze
Refine
Year of publication
Document Type
- Article (50)
- Conference Proceeding (12)
- Report (12)
- Book (3)
- Doctoral Thesis (1)
- Other (1)
Keywords
- Out-of-plane load (2)
- 3D printing (1)
- Choleratoxin B (1)
- Druckvergasung (1)
- Druckwirbelschichtfeuerung (1)
- Earthquake (1)
- Earthquake Engineering (1)
- Filterkuchen (1)
- Heterogene Katalyse (1)
- In- plane damage (1)
- In-plane (1)
- Isolation (1)
- Kohlenmonoxidbelastung (1)
- Kraftwerkstechnik (1)
- Masonry infill (1)
- Muscle Fascicle (1)
- Muscle Force (1)
- Neuromuskuläres System (1)
- Out-of-plane (1)
- Out-of-plane failure (1)
Institute
- Fachbereich Medizintechnik und Technomathematik (22)
- Fachbereich Elektrotechnik und Informationstechnik (15)
- IfB - Institut für Bioengineering (14)
- Fachbereich Bauingenieurwesen (8)
- Fachbereich Architektur (7)
- Fachbereich Energietechnik (7)
- Fachbereich Luft- und Raumfahrttechnik (7)
- Fachbereich Wirtschaftswissenschaften (6)
- Solar-Institut Jülich (6)
- INB - Institut für Nano- und Biotechnologien (5)
- Fachbereich Chemie und Biotechnologie (3)
- ECSM European Center for Sustainable Mobility (2)
- Fachbereich Maschinenbau und Mechatronik (2)
- MASKOR Institut für Mobile Autonome Systeme und Kognitive Robotik (2)
- Fachbereich Gestaltung (1)
- Sonstiges (1)
- ZHQ - Bereich Hochschuldidaktik und Evaluation (1)
Sleep scoring is a necessary and time-consuming task in sleep studies. In animal models (such as mice) or in humans, automating this tedious process promises to facilitate long-term studies and to promote sleep biology as a data-driven f ield. We introduce a deep neural network model that is able to predict different states of consciousness (Wake, Non-REM, REM) in mice from EEG and EMG recordings with excellent scoring results for out-of-sample data. Predictions are made on epochs of 4 seconds length, and epochs are classified as artifactfree or not. The model architecture draws on recent advances in deep learning and in convolutional neural networks research. In contrast to previous approaches towards automated sleep scoring, our model does not rely on manually defined features of the data but learns predictive features automatically. We expect deep learning models like ours to become widely applied in different fields, automating many repetitive cognitive tasks that were previously difficult to tackle.
Can vascular function be assessed by the interpretation of retinal vascular diameter changes?
(2011)
Im Mai 2012 fand in Hamburg erstmals das „Junge Forum Hochschul- und Mediendidaktik“ statt, im Juni 2013 folgte in Potsdam die zweite Auflage als „Junges Forum Medien und Hochschulentwicklung“. 2014 wurde das dritte „Forum“ in Dresden und 2015 das vierte in Düsseldorf ausgerichtet. Das fünfte Forum wird 2016 an der Technischen Universität Darmstadt stattfinden. Initiiert und organisiert wird die Veranstaltung stets von jungen Praktikerinnen und Praktikern sowie Forscherinnen und Forschern mit dem Ziel, dem ‚Nachwuchs‘ in diesem Bereich ein Austauschforum zu geben. Der vorliegende Artikel stellt die konzeptionellen Überlegungen vor, die hinter diesen Treffen stehen. Er zeigt im Rückgriff auf Netzwerktheorie und aktuelle Diskussionen um Professionalisierung und Third Space, wieso für dieses Format ein aktueller Bedarf besteht, und begründet dann im Rückgriff auf didaktische Konzepte auch die methodische Gestaltung der Veranstaltungen. Unsere These: Das kooperative Lernen in Netzwerken ist ein wichtiger Baustein für die Professionalisierung des hochschul- und mediendidaktischen Nachwuchses.