Wearable-Sensorik-Analyse für eine Salzburger Health-Studie
Übersicht
Worum es bei diesem Projekt geht.
Du erhältst anonymisierte Sensorzeitreihen von 40 Teilnehmer:innen über 2 Wochen, Stress-Diary-Einträge im 30-Minuten-Raster und eine Daten-Validierungs-Checkliste. Implementiere in Python: (1) Daten-Reinigung und Resampling auf einheitliche Frequenz, (2) Feature-Extraktion (HRV-Metriken, EDA-Peaks, Aktivitäts-Level), (3) ein leichtgewichtiges Modell (Random Forest oder Gradient Boosting), das Stress-Episoden klassifiziert, (4) eine Auswertung gegen Diary-Einträge mit Precision, Recall und Cohen's Kappa. Bewerte zusätzlich, wo das Modell systematisch versagt. Liefere ein Notebook, einen 7-seitigen Studienbericht, eine 1-seitige Ethik-Reflexion und ein 20-minütiges Forschungs-Walkthrough.
Das Briefing
Was Du tust und was Du zeigst.
Wie verlässlich kann ein leichtgewichtiges Modell aus Wearable-Sensordaten Stress-Episoden bei Pflegekräften detektieren, und wo versagt es systematisch?
Earning criteria — what you'll demonstrate
- Wearable-Sensordaten reinigen und resamplen
- Domänenspezifische Features (HRV, EDA) entwickeln und begründen
- Klassifikations-Metriken mit Inter-Rater-Maßen (Cohen's Kappa) ergänzen
- Limitierungen und ethische Fragen einer Health-Studie strukturiert reflektieren
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
Fähigkeiten
Fähigkeiten, die Du unter Beweis stellst.
Jede taucht auf Deinem verifizierten Zertifikat auf.
Karrieren
Berufe, auf die dies Dich vorbereitet.
Echte Berufsbezeichnungen. Echte Skill-Brücken. Wähle die, die Deinem Werdegang am nächsten kommt.
Karrierewege, die das aufbaut
Kanonische RollenSoftware Engineer
Software Engineers in Digital-Health-Teams müssen Sensordaten verarbeiten können. Diese Challenge übt End-to-End-Pipeline-Disziplin auf einer realen Studienlage.
Dieses Projekt schärft
- health-informatics
- time-series-analysis
- python
Noch eine Sache