Bij reële biomedische gegevens is vaak sprake van een groot aantal dimensies. Dergelijke multidimensionale data worden bij de huidige oplossingen voor signaalverwerking kunstmatig in kortere een- of tweedimensionale arrays gesegmenteerd. Dit veroorzaakt informatieverlies, omdat correlaties tussen de gegevens verloren gaan. Tegelijkertijd leidt de vooruitgang op het gebied van biomedische sensor- en beeldvormingstechnologie – zoals een aanzienlijk langere opnameduur bij draagbare sensortechnologie en de ongekende toename van de ruimtelijke en temporele resolutie in de nieuwste neurobeeldvormingstechnieken – tot steeds grotere datasets. Om het volledige potentieel van deze gegevens binnen redelijke tijd te benutten, gebruikt men in AI-onderzoek bij voorkeur tensoren (multidimensionale arrays) als datastructuur.

In het DeTAIL Lab werken we aan zowel de ontwikkeling als de toepassing van nieuwe methoden voor biomedische signaalverwerking met tensoren van lage rang, zodat AI-modellen sneller en zonder verlies van nauwkeurigheid vanuit grote datasets kunnen worden getraind.

We gaan een tot nu toe ongebruikte eigenschap van reële gegevens benutten: het feit dat verschillende gegevensmodi gecorreleerd kunnen zijn. Deze correlaties kunnen we met behulp van tensorontbindingen vinden en de gegevens comprimeren, waardoor de berekeningen aanzienlijk worden versneld.

Onze resultaten kunnen bijvoorbeeld worden gebruikt om een gebeurtenis zoals een epileptische aanval te detecteren. Dit wordt gedaan door meerkanaals-tijdreeksgegevens op basis van gelabelde trainingsgegevens te classificeren. Ook streven we ernaar om in neurobeeldvormingsgegevens verborgen structuren aan het licht te brengen, zoals functionele netwerken.

We zullen een interfacultair keuzevak ontwikkelen over AI-tensormethoden. Zo kunnen we tegemoetkomen aan de steeds groter wordende vraag naar dergelijke kennis. Omdat biomedische innovatie een vlaggenschip is van de TU Delft, zal het vak illustreren hoe AI-tensormethoden te gebruiken bij het oplossen van toegepast biomedische problemen.