@phdthesis{01JXM8NBW3Q6WX6C70S00YYKBG,
  abstract     = {{Door de opmars van draagbare sensoren zoals smartwatches, worden er nieuwe mogelijkheden geopend voor langdurige en niet-invasieve monitoring van gedrag en gezondheid in het dagelijks leven. Deze toestellen genereren enorme hoeveelheden tijdreeksdata — vaak complex, ruisvol en onvolledig — wat grote uitdagingen met zich meebrengt op vlak van verwerking, interpretatie en betrouwbaarheid.

Dit doctoraatsonderzoek bevindt zich op het snijvlak van datavisualisatie, machine learning en medische monitoring, met een specifieke focus op de analyse van wearables. Het werk introduceert schaalbare open-source visualisatietools, onderzoekt de rol van klassieke machine-learning technieken voor activiteitsherkenning, en ontwikkelt methodes om datakwaliteit te evalueren in alledaagse monitoring omgevingen. Zo wordt onder meer een nieuwe aggregatieheuristiek voorgesteld om visualisaties performanter te maken, en toont een case-study bij patiënten met primaire hoofdpijn aan hoe visualisatie gerichte analyses met beperkte data hoeveelheden kunnen leiden tot relevante inzichten.

Dit onderzoek illustreert hoe een combinatie van visualisatie, klassieke algoritmes en kritische datakwaliteitscontrole kan leiden tot robuuste en interpreteerbare resultaten. In een wereld waar data steeds sneller groeit, blijft dergelijke zorgvuldige en schaalbare aanpakken essentieel om technologische beloftes te vertalen naar maatschappelijke impact.}},
  author       = {{Van Der Donckt, Jonas}},
  isbn         = {{9789463559997}},
  language     = {{eng}},
  pages        = {{XXIV, 265}},
  publisher    = {{Ghent University. Faculty of Engineering and Architecture}},
  school       = {{Ghent University}},
  title        = {{From visualization to machine learning : advancing time series analytics on wearable sensor data}},
  year         = {{2025}},
}