Górski Łukasz, dr inż.

Lider: Jakubowska Małgorzata

Zakres działania zespołu obejmuje zastosowanie algorytmów uczenia maszynowego oraz głębokiego uczenia maszynowego w rozwiązywaniu problemów z zakresu analityki chemicznej, inżynierii biomedycznej czy materiałowej, w aspekcie aplikacyjnym. Istotny etap modelowania danych polega na projektowaniu i wykorzystaniu procedur przetwarzania sygnałów i obrazów. Nasza aktywność w obszernym zakresie ukierunkowana jest również na implementację oprogramowania elektrochemicznych systemów pomiarowych, w aspekcie sterowania i interpretacji wyników, jak również inteligentnych systemów wieloelektrodowych, a także automatyzacji pomiarów. Zagadnienia z zakresu inżynierii biomedycznej • Uczenie maszynowe i głębokie uczenie maszynowe w rozpoznawaniu obiektów na podstawie koloru. Rozwiązywanie problemów diagnostyki medycznej z wykorzystaniem nowych algorytmów przetwarzania obrazów w przestrzeniach kolorów oraz uczenia maszynowego. • Wykorzystanie uczenia maszynowego, głębokiego uczenia maszynowego oraz algorytmów segmentacji obrazów małych obiektów w inżynierii biomedycznej. • Modelowanie drzewa tętniczego nerki, w kontekście planowania zabiegów oszczędzających. • Wykrywanie Helicobacter pylori w próbkach wody pitnej – badania z wykorzystaniem metod uczenia maszynowego. • Analiza statystyczna i chemometryczna zawartości metali w surowicy krwi oraz w materiale alternatywnym w przypadku raka głowy i szyi. Zagadnienia z zakresu profilowania próbek na podstawie sygnału analitycznego (elektroniczny język) • Projektowanie i implementacja nowych algorytmów przetwarzania sygnałów, nowatorskich strategii modelowania deterministycznego i niedeterministycznego oraz uczenia maszynowego, umożliwiających rozpoznanie złożonych próbek na podstawie ich elektrochemicznego „odcisku palca”. • Głębokie sieci neuronowe w identyfikacji bezpiecznej żywności i suplementów diety na postawie sygnału innowacyjnych wieloelektrodowych sensorów chemicznych. Wykorzystanie systemów wieloelektrodowych w profilowaniu próbek o złożonej matrycy, środowiskowych, biologicznych, spożywczych czy farmaceutycznych, a lokalnych produktów spożywczych. • Wykorzystanie strategii computer vision w badaniu niedozwolonych dodatków do żywności. • Separacja składowych złożonych sygnałów z wykorzystaniem strategii przetwarzania sygnałów, uczenia maszynowego oraz głębokiego uczenia maszynowego. Alternatywne wykorzystanie LLM w przetwarzaniu sygnałów. • Separacja i modelowania składowych faradajowskich i pojemnościowych, rejestrowanych jako sygnał całkowity, metodą dekompozycji tensorów 3D, w celu rozkładu trójwymiarowych zbiorów danych na składniki trójliniowe. • Zastosowanie metod chemometrycznych w ocenie składu osadów dennych z jezior na terenie Tatrzańskiego Parku Narodowego. Zagadnienia z zakresu inżynierii materiałowej • Zastosowanie algorytmów uczenia maszynowego w identyfikacji źródeł pochodzenia, czyli producenta klinkieru cementowego oraz cementu portlandzkiego.