Werkstudent (all genders) - Interpretierbare Machine-Learning-Methoden für EEG-basierte Klassifizierung

Das ist der Job

Kurzbeschreibung In dem Forschungsprojekt EXACT-EEG entwickeln wir ein interpretierbares Machine-Learning-System zur automatischen Klassifizierung von Elektroenzephalographie (EEG)-Daten.

Als XITASO treiben wir diese Forschung voran, indem wir neue Modellvarianten entwerfen und evaluieren, die die duale Zeit-Frequenz-SESM-Architektur erweitern, systematische Architektur-Evaluationen auf einem SLURM-Cluster durchführen, Experimente analysieren und in reproduzierbare Evaluationsprotokolle überführen sowie die Erklärbarkeit der Modellentscheidungen durch verbesserte aufmerksamkeitsbasierte Konzeptdarstellungen weiterentwickeln.

Diese Aufgaben interessieren Dich Weiterentwicklung bestehender Modellvarianten und Trainingspipelines in der EXACT-EEG-Codebasis.

Das brauchst du

Du hast Erfahrung im Umgang mit Python und PyTorch . Kenntnisse in PyTorch Lightning, Hydra, MNE oder SLURM sind ein Plus, aber nicht erforderlich. Du hast grundlegende Kenntnisse in maschinellem Lernen ; Erfahrungen mit Deep Learning für Zeitreihen, erklärbarer KI oder biomedizinischen Signalen sind willkommen.

Du bist neugierig , hast Lust in einem technologisch hochmodernen Umfeld mitzuwirken und suchst nach einer Möglichkeit, dein Wissen aus dem Studium umzusetzen und zu vertiefen. Deine Sprachkenntnisse machen es Dir möglich, deine Rolle auf Englisch (mind. Deutschkenntnisse sind wünschenswert, aber nicht zwingend erforderlich.

Darum lohnt es sich

Entwicklung von Analyse-Tools , Visualisierungen und Notebooks zur Bewertung der Konzeptqualität und Modellinterpretierbarkeit.

Gehaltsinformationen Innerhalb unseres einheitlichen und transparenten Gehaltsframeworks liegt die Vergütung für diese Position zwischen 15,50 € und 19,50 € pro Stunde und orientiert sich an verschiedenen Faktoren, wie Qualifikation und Erfahrung.

Unser Ziel ist es, neurologische Diagnostik durch interpretierbare KI-Methoden zu erleichtern, zu beschleunigen und Muster sichtbar zu machen, die mit herkömmlichen Verfahren bisher nicht erkennbar waren.

Dafür bauen wir auf einer Self-Explaining Selective Model (SESM)-Architektur auf, die aus rohen EEG-Signalen kompakte, klassenspezifische Konzepte lernt. Diese Konzepte dienen direkt als Erklärungen für die Vorhersage und zeigen, welche Zeit- und Frequenzmerkmale für die Klassifikation ausschlaggebend waren.

Implementierung und Evaluation neuer Architekturideen für interpretierbare EEG-Klassifikation (z.B. Mehr-Kanal-Analyse, kanalübergreifende Generalisierung). Systematisches Experimentieren auf einem SLURM-verwalteten GPU-Cluster sowie Analyse von Ergebnissen über Architektur- und Hyperparameter-Gridsearches.

Das zeichnet Dich aus Du absolvierst einen Studiengang im Bereich (Medizin-)Informatik, Data Science, Mathematik oder einer vergleichbaren Fachrichtung an einer Universität oder Hochschule. Du magst offene und ehrliche Kommunikation mit Kolleg*innen und Forschungspartnern, gibst konstruktive Kritik und nimmst Feedback an. C1-Niveau) auszuüben.

Deine Ansprechpartnerin Daniela +49 821 885882-0 work@xitaso.com