Blekinge Institute of Technology
Not a member yet
13576 research outputs found
Sort by
Enhancing stroke risk prediction through class balancing and data augmentation with CBDA-ResNet50
No full textAccurate prediction of stroke risk at an early stage is essential for timely intervention and prevention, especially given the serious health consequences and economic burden that strokes can cause. In this study, we proposed a class-balanced and data-augmented (CBDA-ResNet50) deep learning model to improve the prediction accuracy of the well-known ResNet50 architecture for stroke risk. Our approach uses advanced techniques such as class balancing and data augmentation to address common challenges in medical imaging datasets, such as class imbalance and limited training examples. In most cases, these problems lead to biased or less reliable predictions. To address these issues, the proposed model assures that the predictions are still accurate even when some stroke risk factors are absent in the data. The performance of CBDA-ResNet50 improves by using the Adam optimizer and the ReduceLROnPlateau scheduler to adjust the learning rate. The application of weighted cross entropy removes the imbalance between classes and significantly improves the results. It achieves an accuracy of 97.87% and a balanced accuracy of 98.27%, better than many of the previous best models. This shows that we can make more reliable predictions by combining modern deep-learning models with advanced data-processing techniques. CBDA-ResNet50 has the potential to be a model for early stroke prevention, aiming to improve patient outcomes and reduce healthcare costs.
Uncertainty aware domain incremental learning for cross domain depression detection
No full textDeep learning techniques have demonstrated significant promise for detecting Major Depressive Disorder (MDD) from textual data but they still face limitations in real-world scenarios. Specifically, given the limited data availability, some efforts have resorted to aggregating data from different domains to expand the data volume. However, these approaches face critical challenges, including data privacy, domain gaps, class imbalance, and uncertainty arising from both the data and the model. To overcome these challenges, we propose an Uncertainty-Aware Domain Incremental Learning framework for Cross-Domain Depression Detection (UDIL-DD), integrating Uncertainty-guided Adaptive Class Threshold Learning (UACTL) and Data-Free Domain Alignment (DFDA). Specifically, our UACTL module measures the discrepancy between predictions across sequential domains and learns adaptive thresholds tailored to each class, incorporating predictive uncertainty to enhance robustness. Subsequently, the DFDA module leverages domain-similar samples identified by UACTL to approximate historical feature distributions without accessing previous domain data, effectively addressing catastrophic forgetting. To validate the effectiveness of the proposed method, we conduct extensive experiments on four benchmark MDD datasets-CMDC, DIAC-WoZ, MODMA and EATD confirming the effectiveness of our method's potential for reliable depression detection in real-world clinical scenarios
Identifying key AI challenges in make-to-order manufacturing organisations : A multiple case study
No full textArtificial Intelligence can make manufacturing organisations more effective and efficient, but it is not clear which AI tasks hold the greatest potential. Make-to-order manufacturers must constantly adapt to customers’ unique and rapidly changing needs, and therefore have different challenges than make-to-stock manufacturers. Our ambition is to develop an AI-enabled software system to support manufacturing organisations in improving their processes. To this end, we first seek to understand the data and technology requirements for key AI-enabled tasks in a make-to-order setting and determine the level of performance and explainability needed to address them. We perform a multiple case study of five make-to-order packaging manufacturers, interviewing personnel from sales, production, and supply chain to identify and prioritise operational challenges suitable for AI approaches. Demand forecasting emerges as the most important task, followed by predictive maintenance, quality inspection, complex decision risk estimation, and production planning. Participants emphasise the importance of explainable techniques to ensure trust in the systems. The results highlight a need for a greater control of the production process and a better understanding of customer needs. Although most of the tasks could be solved with current techniques, some, such as intermittent demand forecasting and complex decision risk estimation, would require further development. The study clarifies the potential of AI-enabled systems in make-to-order manufacturing and outlines the steps required to realise it
Omsorgsfull förtätning av småhusområden : En studie om hur detaljplaner kan utformas för att motverka utglesning och bostadsbristen
No full text2024 rapporterade 51 procent av Sveriges kommuner att de upplevde bostadsbrist, något en majoritet förväntade skulle förvärras de kommande tre åren. Vid tillgodoseendet av denna efterfrågan finns dock en risk för utglesning vilket medför att värdefull natur- och jordbruksmark tas i anspråk. Utglesningen beror på att mycket av efterfrågan är i form av småhus, en bostadsform som kräver stora markarealer. Ett sätt att ta sig an problematiken med utglesning är förtätning, alltså en mer effektiv markanvändning. Befintlig kunskap om förtätning är dock övervägande fokuserad på den täta staden snarare än småhusområden, en kunskapslucka detta arbete angriper genom att undersöka hur småhusområden kan förtätas. Utifrån arbetets kunskapsöversikt har ett teoretiskt ramverk som syftar till att uppnå en omsorgsfull förtätning. Omsorgsfull förtätning innebär att balansera flexibilitet med småhusområdes karaktär, något som låg till grund för arbetets undersökningar och analys. Arbetet undersökte tolv detaljplaner i småhusområden, utspridda över Sverige, för att identifiera hur de möjliggjorde och förhindrade omsorgsfull förtätning. Resultatet visade på att detaljplaner i småhusområden till hög grad hindrar förtätning genom oflexibla regleringar. I syfte att hantera dessa brister utfördes sedan en undersökning där två detaljplaner omformades och gestaltades. Resultatet visade på att detaljplaner i småhusområden, med mindre justeringar, kan uppdateras för att möjliggöra en omsorgsfull förtätning och därmed motverka utglesning och bostadsbristen
Multivariate Resource Usage Forecasting and Temporal Accuracy in Private Cloud Systems
No full textBackground: Accurate resource forecasting is crucial for optimizing performance,cost, and energy in private clouds. However, predicting dynamic workloads like CPUusage and quantifying forecast uncertainty remain challenging.Objectives: This thesis compares diverse forecasting models (classical, ensemble,deep learning) for private cloud CPU prediction. It assesses the value of multivariateinputs (CPU and memory data), analyzes accuracy degradation over forecast horizons, and evaluates non-Bayesian uncertainty quantification (UQ) methods (QuantileRegression - QR, Conformal Prediction - CP, Conformalized QR - CQR).Methods: Using historical private cloud hypervisor data and engineered temporal features, a naïve persistence baseline (predicting the next value equals the lastobserved value) and six advanced models (ARIMA, LR, RF, XGB, MLP, Transformer) were evaluated via chronological splits. Experiments compared univariatevs. multivariate inputs, examined performance across horizons (1-20 steps) usingdirect forecasting, and assessed 80% nominal prediction intervals from QR, CP, andCQR based on empirical coverage and width.Results: All advanced forecasting models significantly outperformed the naïve persistence baseline, demonstrating their utility. CPU history was the dominant predictor; tree ensembles (RF, XGB) performed slightly better than other ML models.Adding memory data offered marginal accuracy gains but slightly reduced underprediction risk (MUE/MCU). Point accuracy remained relatively stable across horizons with direct forecasting. Standard CP yielded conservative intervals (often >90%coverage), while QR/CQR achieved empirical coverage closer to the 80% target withcompetitive widths.Conclusions: For private cloud CPU forecasting, resource history is key, and treeensembles are effective, offering substantial improvements over simple baselines. Direct forecasting manages medium-term horizon errors well. Reliable uncertaintyquantification is vital; QR/CQR offer a practical alternative to potentially overconservative standard CP, presenting a trade-off between theoretical guarantees andempirical interval tightnessBakgrund: Korrekt prognostisering av resursförbrukning är avgörande för att optimera prestanda, kostnader och energiförbrukning i privata molnsystem. Att förutsäga dynamiska CPU-belastningar och kvantifiera prognososäkerhet utgör dock betydande utmaningar.Syfte: Denna avhandling jämför prognosmodeller (klassiska, ensemble, djupinlärning) för CPU-prediktering i privata moln. Studien utvärderar multivariata indata(CPU/minne), analyserar försämring av noggrannhet över tidshorisonter samt undersöker icke-Bayesianska metoder för osäkerhetskvantifiering: kvantilregression (QR),konform prediktion (CP) och konformiserad QR (CQR).Metod: Med historiska hypervisordata och konstruerade temporala egenskaper utvärderades en naiv persistensbaslinje samt sex avancerade modeller (ARIMA, LR, RF,XGB, MLP, Transformer) via kronologiska datadelningar. Experimenten jämfördeunivariata och multivariata indata, undersökte prestanda över 1–20 stegs horisontermed direktprognostisering och utvärderade 80%-prediktionsintervall från QR, CPoch CQR baserat på empirisk täckning och intervallbredd.Resultat: Alla avancerade modeller överträffade signifikant persistensbaslinjen. CPUhistorik var den dominerande prediktorn; trädbaserade ensemblemodeller (RF, XGB)presterade bäst. Minnesdata gav marginella noggrannhetsvinster men minskaderisken för underskattning. Noggrannheten i punktprognoser förblev relativt stabilöver horisonter med direktprognostisering. Standard-CP gav konservativa intervall(>90% täckning), medan QR/CQR uppnådde närmare 80%-målet med konkurrenskraftig intervallbredd.Slutsatser: För CPU-prognostisering i privata moln är historiska data avgörande,och trädbaserade ensemblemodeller erbjuder betydande förbättringar jämfört medenkla baslinjer. Direktprognostisering hanterar fel över medellånga horisonter väl.Tillförlitlig osäkerhetskvantifiering är essentiell; QR och CQR utgör praktiska alternativ till den överkonservativa standard-CP genom att balansera teoretiska garantiermot snävare empiriska intervall
Monte Carlo Simulation Based NOMA-VLC Sensor Network With Imperfect SIC
No full textThis thesis investigates the application of Non-Orthogonal Multiple Access (NOMA) in a Visible Light Communication (VLC) system designed for Sensor Nodes (SN). The study simulates a realistic indoor environment using MATLAB, with a central LED transmitter and two spatially distributed photodiode-based sensor receivers. On-Off Keying (OOK) modulation is employed for data transmission, enabling the use of simple yet effective intensity modulation and direct detection. A key objective is to evaluate the performance of NOMA under imperfect Successive Interference Cancellation (SIC), which more accurately reflects practical decoding capabilities at the receiver side. A Monte Carlo-based approach is used to explore power allocation strategies that minimize bit error rate (BER) while ensuring successful message decoding for both sensors. In addition, Forward Error Correction (FEC) is introduced to further improve system robustness, enabling reliable decoding even under residual interference from imperfect SIC. The system’s performance is evaluated across a range of signal-to-noise ratio (SNR) levels by analyzing bit error rate (BER), achievable data rate, and the accuracy of received messages. The far user, benefiting from higher power allocation and simpler threshold-based detection, consistently achieves reliable performance, while the near user experiences more decoding errors due to residual interference from imperfect SIC. Visual outputs of channel impulse responses, superimposed signals, and decoding flows further illustrate system behavior. The simulation results confirm the feasibility of integrating NOMA into VLC-based sensor systems and offer insight into practical design trade-offs. Challenges such as decoding complexity, power allocation sensitivity, and error propagation are discussed, and future directions are proposed, including improvements in energy efficiency, decoding robustness, and potential hardware implementation
Medborgardialog med Augmented Reality portaler : Hur AR och AI kan bidrag till Medborgarmedverkan i Karlskrona
No full textUndersökningen handlar om hur AR (Augmented Reality) och AI (Artificial Intelligence) kan användas för att skapa medborgardialog i Karlskrona. Syftet med artikeln är att främja medborgardialog genom att samla in invånares förslag och idéer med avsikt att bidra till samhällsutveckling. Undersökningen utfördes i samband med TAB (Tech, Art, Business) projektet där ändamålet är att skapa innovation mellan olika sektioner inom industrierna. Kvalitativa tester genomfördes för att undersöka olika aspekter på hur applikationen upplevdes av användare samt var prototyper skapade för att utforska de tekniska möjligheter som finns med medierna. Resultatet är en AR baserad mobilapplikation som representerar Karlskronas konst och kultur med portaler till olika tidsepoker. Inom AR portalerna finns det interaktiva element där användarna har möjligheten att dela med sig av sina åsikter och förslag kopplat till samhällsutvecklingen av staden. Informationen samlas in för att sedan tas vidare till exempelvis kommunen och organisationer. Med hjälp av intrycken från användartesterna kunde det konstateras att AR har möjligheten att vara ett omfattande medium för att dela med sig av digitala utrymmen på en hanterbar skala och att AI verktyg kan vara effektiva hjälpmedel för att samla in invånarnas idéer och förslag genom att göra det mer interaktivt och engagerande.The focus of this study was to research how AR (Augmented Reality) and AI (Artificial Intelligence) could be used to create citizen dialogue in Karlskrona. The purpose of the article is to promote citizen dialogue by collecting the citizens’ suggestions and ideas with the aim of contributing to societal developments. The project was carried out in relation to the TAB (Tech, Art, Business) project where their goal is to create innovation between different sectors within the industries. Qualitative tests were conducted to investigate the different aspects of how the application was experienced by users and prototypes were made to explore the technological possibilities available to the digital mediums. The result of the study is an AR-based mobile application that represents Karlskrona’s art and culture with portals to different times in history. Within the AR portals, there are interactive elements where the users have the opportunity to share their opinions and suggestions related to societal developments of the city. The information then gets collected to be shared with, for example, the municipality and organizations. With the assistance of the impressions from the user tests, it could be concluded that AR has the opportunity to be an encompassing medium to share digital spaces on a manageable scale and that AI systems can effectively aid in the collection of citizens’ ideas and suggestions by making it more interactive and engaging
Kodäventyret : Att introducera programmering för barn genom interaktiva berättelser
No full textDetta projekt undersöker hur berättelsebaserat lärande kan användas för att introducera barn i låg- och mellanstadiet till grundläggande programmeringskoncept såsom sekvenser, loopar och villkor. Genom att använda verktyget Twine har en interaktiv berättelse utformats, där designval som färg, typografi och språk anpassats för att vara tillgängliga och engagerande för yngre elever. Arbetet bygger på aktuell forskning om lärande, barns kognitiva behov samt läroplanens mål för digital kompetens. Under utvecklingsprocessen testades olika berättelsekoncept, där ett skifte från en futuristisk robotberättelse till en vardagsnära tårtbakarberättelse visade sig öka den pedagogiska tydligheten. Resultaten visar att berättelsebaserad programmering i Twine kan fungera som ett effektivt verktyg för att visualisera och konkretisera programmeringslogik. Projektet föreslår även att framtida undervisning kan inkludera moment där elever själva skapar berättelser, för att ytterligare fördjupa förståelsen för programmering genom kreativt och meningsfullt lärande
Handtalk : En digital applikation för att främja kommunikation mellan döva och hörande vuxna
No full textSyftet med denna studie var att undersöka behovet och potentialen av en digital applikation, HandTalk som ska underlätta kommunikationen mellan döva och hörselskadade vuxna. Studien bygger på en kvantitativ enkätundersökning där deltagarna svarade på frågor om kommunikationsbarriärer i deras dagliga liv och deras åsikter om tekniska lösningar och förbättring. Resultaten visar ett tydligt intresse och efterfrågan på applikationer som kan översättas mellan tal, text och teckenspråk. Vår studie är annorlunda genom att den tar hänsyn till både döva och hörande individer, vilket ger ett flerdimensionellt perspektiv på kommunikationsfrågor. Samtidigt är vårt upplägg relativt okomplicerat och liknar tidigare användarundersökningar, vilket gör det något unikt. Slutsatsen är att applikationer som HandTalk kan främja inkludering, tillgänglighet och ökat socialt deltagande. Ytterligare forskning rekommenderas för att utveckla en prototyp och genomföra användartester
HEAT : Hierarchical-constrained Encoder-Assisted Time series clustering for fault detection in district heating substations
No full textFault detection in district heating (DH) substations is crucial for maintaining energy efficiency. However, existing methods often fall short and rely on labelled data or global analysis that may miss subtle anomalies. We introduce HEAT, a Hierarchical-constrained Encoder-Assisted Time series clustering method designed to enhance fault detection in DH substations. HEAT operates in a two-phase approach: first, it approximates a relative network topology using a constraint hierarchical clustering algorithm on supply temperature profiles. HEAT incorporates a Convolutional AutoEncoder (CAE) for dimensionality reduction of the time series data and uses adaptive soft constraints in the linkage function, enabling both minimum and maximum cluster size constraints while supporting domain knowledge, e.g., must-link and cannot-link constraints, using a constraint matrix. Second, we use the topology approximation to perform intra-cluster analysis using Mean Absolute Deviation (MAD) z-scores, with neighbouring substations serving as a validation mechanism, allowing for robust analysis without requiring labelled data. Experimental results demonstrate that HEAT outperforms conventional clustering methods while achieving 74.1% sensitivity and 95.5% specificity in fault detection, significantly improving over typical global analysis. HEAT not only identified major faults (e.g., sensor issues, valve failures) but also detected subtle anomalies (e.g., secondary leakages) while minimising false positives. This unsupervised method offers a viable and flexible solution for DH networks, improving operational efficiency and energy sustainability without disclosing sensitive information