Anomalieerkennung mittels Maschinellem Lernen basierend auf einem physikalischen Modell eines Operationstisches

Umfeld

In der Medizintechnikindustrie wird die herstellerübergreifende Kommunikation der Geräte untereinander sowie mit Backend-Services immer wichtiger. Damit erhöht sich auch gleichzeitig die Gefahr des unbefugten Zugriffs von außen, sodass Maßnahmen getroffen werden müssen, um die Sicherheit der Patienten und patientenbezogener Daten zu gewährleisten. Außerdem führen Assistenzsysteme und damit einhergehende Automatisierung zu höheren Anforderungen an die Sicherheit heutiger Medizingeräte.

Daher soll untersucht werden, inwiefern Medizingeräte gegen Manipulationen und Fehlfunktionen mittels maschinellem Lernen zur Anomalieerkennung abgesichert werden können. Hierzu soll ein entsprechender Algorithmus das Normalverhalten des Operationstisches anhand eines physikalischen Modells erlernen.

Die Arbeit ist in enger Abstimmung mit der Getinge AB durchführbar und bietet damit die Möglichkeit zu starkem Praxisbezug. Ebenfalls möglich ist der gelegentliche Aufenthalt im größten Entwicklungszentrum von Getinge in Rastatt.

Ziele

• Konzept zur Absicherung von Kernfunktionen eines Operationstisches im Bezug auf funktionale Sicherheit und Cyber-Security basierend auf Anomalieerkennungs-Systemen
• Realisierung des Konzepts in einem Software-Demonstrator mithilfe der durch ein physikalisches Modell erstellten Simulationsdaten
• Evaluation des erstellten Anomalieerkennungs-Systems für Safety & Security Anwendungen anhand von Real- oder Simulationsdaten

Voraussetzungen

• Motivation und kreative Denkweise
• Grundkenntnisse in Linux wünschenswert
• Grundkenntnisse in Robotik wünschenswert
• Gute Kenntnisse in Programmiersprachen (C/C++, Python oder Ähnliches)
• Grundkenntnisse in Modellierungssprachen wie UML/SysML
• Kenntnisse in der Modellierung von physikalischen Systemen zur Simulation
• Grundkenntnisse  in maschinellem Lernen