Kontakt

Department für Psychologie  (» Postanschrift)

Masterarbeitsthemen

Lehre

Motivierte Studierende haben die Möglichkeit in der Arbeitsgruppe ihre Masterarbeit zu schreiben. Eine Auswahl an möglichen Projekten findet sich nachfolgend.

Geräuschwahrnehmung von Alltagsgeräuschen mittels mobilem EEG

 

Dieses Projekt untersucht individuelle Unterschiede in der Lärmempfindlichkeit und deren Einfluss auf die Wahrnehmung komplexer akustischer Umgebungen. Basierend auf Dunns Modell der sensorischen Verarbeitung (Dunn’s model of sensory processing) erforschen wir, wie Menschen sich in ihren neurologischen Schwellen für sensorische Reize und in ihren Bewältigungsstrategien gegenüber Lärm unterscheiden.

Aufbauend auf den Erkenntnissen aus Silvia Kortes Studie   (From Beeps to Streets: Unveiling Sensory Input and Relevance Across Auditory),(From Beeps to Streets: Unveiling Sensory Input and Relevance Across Auditory Contexts) verwenden wir dieselben auditiven Stimuli – Aufnahmen von städtischen Straßenszenen – während die Teilnehmenden einer alltäglichen Bürotätigkeit nachgehen.

Ziele des Projekts:

  • Untersuchung, wie Individuen relevante vs. irrelevante auditive Informationen wahrnehmen.
  • Analyse, wie Persönlichkeitsmerkmale der Lärmempfindlichkeit die neuronale Verarbeitung beeinflussen.

Dieses Projekt trägt dazu bei, die Beziehung zwischen auditiver Wahrnehmung, Störanfälligkeit und affektiven Störungen besser zu verstehen.

Fähigkeiten & Werkzeuge, die Sie nutzen und erlernen werden:

  • EEG & Signalverarbeitung: Arbeiten mit EEGLAB, Vorverarbeitung von EEG-Daten und Analyse ereigniskorrelierter Potentiale (ERPs).
  • Datenmanagement: Verwendung von BIDS (Brain Imaging Data Structure) zur Organisation von EEG-Daten.
  • Versionskontrolle & Zusammenarbeit: Nutzung von GitLab/GitHub für Code- und Datenmanagement.
  • Mobile EEG-Techniken: Praktische Erfahrung in der EEG-Datenerhebung außerhalb des Labors.

Dieses Projekt eignet sich ideal für Studierende mit einem Hintergrund in kognitiver Neurowissenschaft, Psychologie, Biomedizintechnik oder einem verwandten Fachbereich, die sich für EEG-Forschung und Datenanalyse interessieren.

 

 

Contact: martin.bleichner@uol.de

 

Differenzierung von Essverhalten durch videobasierte Mundbewegungserkennung

Diese Masterarbeit beschäftigt sich mit der Erkennung und Unterscheidung von Essverhalten anhand von Videoaufnahmen. Aufbauend auf bestehenden Methoden zur Mundbewegungserkennung, die ursprünglich für die Spracherkennung entwickelt wurden, soll untersucht werden, wie sich unterschiedliche Nahrungsaufnahmen automatisiert erkennen lassen.

Ziele der Arbeit:

  • Anpassung bestehender Modelle zur Erkennung von Mundbewegungen, um zwischen Essen und Trinken zu unterscheiden.
  • Klassifizierung von Lebensmitteltexturen, beispielsweise weiche und harte Nahrung, durch Analyse der Mundbewegungen.
  • Schätzung der aufgenommenen Nahrungs- oder Flüssigkeitsmenge anhand visueller Merkmale wie Kaubewegungen oder Mundöffnung.
  • Implementierung auf einem Raspberry Pi, um eine portable Lösung für die Echtzeiterfassung von Essverhalten zu entwickeln.

Anforderungen:

  • Interesse an Computer Vision, maschinellem Lernen und Gesundheitsforschung.
  • Grundkenntnisse in Python sind hilfreich, aber keine Voraussetzung.
  • Erfahrung mit OpenCV oder Deep-Learning-Frameworks wie TensorFlow oder PyTorch wäre von Vorteil, kann aber im Rahmen der Arbeit erlernt werden.
  • Interesse an der Arbeit mit einem Raspberry Pi zur praktischen Umsetzung des Modells.

Betreuung und Unterstützung:

Die Arbeit wird von einem interdisziplinären Team betreut, das regelmäßige Unterstützung in den Bereichen maschinelles Lernen, Computer Vision und Gesundheitsforschung bietet. Es besteht die Möglichkeit, eigene Forschungsansätze zu entwickeln und in einem praxisnahen Projekt Erfahrungen zu sammeln.

Interessierte Studierende können sich mit einem kurzen Motivationsschreiben und einem Lebenslauf bewerben (martin.bleichner@uol.de)

Webmaster (Stand: 05.03.2025)  Kurz-URL:Shortlink: https://uol.de/p74739
Zum Seitananfang scrollen Scroll to the top of the page