Auf dieser Seite finden Sie öffentlich zugängliche Softwarewerkzeuge und Datensätze, die vom IES Lab entwickelt wurden. Diese Ressourcen unterstützen Forschungsarbeiten in den Bereichen Eingebettete Systeme, Künstliche Intelligenz, intelligente Sensorsysteme und Neural Engineering und werden bereitgestellt, um Transparenz, Reproduzierbarkeit und wissenschaftliche Zusammenarbeit zu fördern.

elasticAI.explorer

Der elasticAI.explorer ist ein Framework für die hardwarebewusste Suche nach neuronalen Netzwerkarchitekturen (Hardware-Aware Neural Architecture Search, HW-NAS), die automatisierte Optimierung von KI-Modellen sowie deren hardwareangepasste Bereitstellung. Er ermöglicht Forschenden, KI-Modelle für heterogene eingebettete Zielplattformen effizient zu entwickeln, zu optimieren und zu evaluieren.
Ressourcen: GitHub

elasticAI.creator

Der elasticAI.creator ist ein Open-Source-Framework zur Entwicklung, zum Training und zur Übersetzung neuronaler Netze für FPGA-basierte Hardwarebeschleunigung. Er ermöglicht die automatische Umwandlung trainierter KI-Modelle in Hardwarebeschreibungen (z. B. VHDL) und vereinfacht so die Entwicklung effizienter KI-Beschleuniger für eingebettete Systeme.
Ressourcen: GitHub

elasticAI.hardware

elasticAI.hardware stellt offene Hardwaredesigns und unterstützende Komponenten für die Entwicklung intelligenter eingebetteter Systeme innerhalb des elasticAI-Ökosystems bereit. Es bildet die Hardwarebasis für die Bereitstellung und Evaluation von KI-Anwendungen auf ressourcenbeschränkten Plattformen.
Ressourcen: GitHub

elasticAI.runtime

Die elasticAI.runtime stellt die Laufzeitinfrastruktur für verteilte KI-Anwendungen in Embedded-, Edge- und Cloud-Umgebungen bereit. Sie übernimmt Aufgaben wie Kommunikation, Ressourcenverwaltung, Bereitstellung und Überwachung intelligenter Systeme und ermöglicht so adaptive und skalierbare KI-Anwendungen.
Ressourcen: GitHub

denspp.offline

denspp.offline ist ein Open-Source-Python-Framework zur durchgängigen Verarbeitung transienter Messdaten. Es unterstützt den gesamten Workflow von der Verarbeitung der Rohdaten und Signalvorverarbeitung bis hin zum Training und zur Evaluation neuronaler Netze mit besonderem Fokus auf reproduzierbare Forschung im Bereich Embedded AI.
Ressourcen: GitHub

Detaillierte Informationen zu den einzelnen Komponenten, wissenschaftlichen Publikationen und der Dokumentation finden Sie auf der Seite des elasticAI.ecosystem. Der Quellcode sowie weitere Forschungssoftware sind über unsere GitHub-Organisation öffentlich verfügbar.

Dataset zur Gestenerkennung anhand von Oberflächenvibrationen

Dieser Datensatz wurde für die Entwicklung und Evaluation vibrationsbasierter Gestenerkennung auf alltäglichen Oberflächen erstellt. Er enthält Aufzeichnungen von vier piezoelektrischen Sensoren, die an der Unterseite eines Standard-Schreibtisches angebracht wurden, und umfasst sechs Gestenklassen, darunter Wisch-, Tipp- und Klopfgesten. Der Datensatz beinhaltet Messungen von 15 Versuchspersonen mit insgesamt 9.000 annotierten Gestenereignissen und eignet sich für Forschungsarbeiten in den Bereichen Signalverarbeitung, Embedded Machine Learning und Mensch-Maschine-Interaktion.
Ressourcen: Dataset | Publikation

Dataset zur Impedanzcharakterisierung von Mikroelektrodenarrays

Dieser Datensatz unterstützt Forschungsarbeiten zur Impedanzschätzung und adaptiven Stimulation in neuronalen Schnittstellen auf Basis von Mikroelektrodenarrays (MEAs). Er umfasst elektrochemische Impedanzspektroskopie-Messungen, transiente Stimulationsaufzeichnungen, numerische Finite-Elemente-Simulationen sowie den zugehörigen Auswertecode. Der Datensatz wurde entwickelt, um zu untersuchen, ob Impedanzeigenschaften während der elektrischen Stimulation zuverlässig bestimmt werden können, und ermöglicht reproduzierbare Forschung im Bereich Neural Engineering und bioelektronischer Systeme.
Ressourcen: Dataset | Publikation