2024

2023

2022

2021

2020

2019

2018

2017

2016

2015

2014

2013

2012

2011

2010

2009

Portefølje Naturvitenskap og teknologi ikon

Forskningssystemet

Portefølje Humaniora og samfunnsvitenskap ikon

Banebrytende forskning

Portefølje Samisk ikon

Samisk samfunn og kultur

Portefølje Demokrati, styring og fornyelse ikon

Demokrati og global utvikling

Portefølje Velferd, kultur og samfunn ikon

Velferd og utdanning

Portefølje Helse ikon

Helse

Portefølje Klima- og polarforskning ikon

Klima og miljø

Portefølje Landbasert mat, miljø og bioressurser ikon

Mat og bioressurser

Portefølje Energi, transport og lavutslipp ikon

Energi og transport

Portefølje Muliggjørende teknologier ikon

Muliggjørende teknologier

Portefølje Industri og tjenestenæringer ikon

Innovasjon

LTP2 Klima, miljø og miljøvennlig energi ikon

Klima, miljø og energi

LTP2 Samfunnssikkerhet og samhørighet ikon

Samfunnstryggleik og beredskap

LTP2 Fornyelse i offentlig sektor ikon

Velferdstjenester

Forsidebilde

Marin ikon

Petroleum og mineraler

LTP Hav ikon

Hav og kyst

LTP2 Muliggjørende og industrielle teknologier ikon

Mogleggjerande industrielle teknologiar

Tillit og fellesskap

LTP2 Utvikle fagmiljøer av fremragende kvalitet

Høg kvalitet og tilgjengeleg

LTP2 Styrket konkurransekraft og innovasjonsevne ikon

Sterkare konkurransekraft og innovasjonsevne

LTP3 Helse

Et innovativt næringsliv ikon

Styrket konkurransekraft og innovasjonsevne

Portefolje Petroleum Ikon

Portefølje Hav ikon

Portefølje Utdanning og kompetanse ikon

Portefølje Global utvikling og internasjonale relasjoner ikon

Portefølje Livsvitenskap ikon

Forsidebilde optimalisert

project-bank-technical

Muliggjørende teknologier bakgrunn

Marin bakgrunnsbilde

Statistikk

Prosjektbanken presenterer statistikk og informasjon om prosjekter med finansiering fra Forskningsrådet fra 2004. Statistikken er fordelt på blant annet tema, år, geografi og organisasjon. Prosjektbanken gir også detaljert informasjon om de enkelte prosjektene.

...eller se sammendrag og annen informasjon om prosjektene i utvalget ditt

Alle porteføljestyrer

En god beskrivelse av denne siden for søkemotoroptimalisering

Forside

Hvordan tildelingene fordeler seg på institusjoner, fylker, fagområder o.l....

Her er noen eksempler på søk du kan gjøre i Prosjektbanken

Alle langtidsplanmål

Veiledning: Hvordan bruke Prosjektbanken.no

Om Fritekstsøk

Ingen populærvitenskapelig framstilling tilgjengelig


Prosjektet med prosjektnummer {{project number}} ble ikke funnet

Teknisk beskrivelse

Oisann, her gikk noe galt. Kan du prøve å laste siden på nytt?  Dersom feilen vedvarer, vennligst kontakt oss.         

Se statistikk relatert til dette langtidsplanmålet

Se prosjekter relatert til dette langtidsplanmålet

knyttet til dette LTP-målet har blitt tildelt penger

har blitt tildelt til prosjekter knyttet til dette LTP-målet

har blitt tildelt til prosjekter knyttet til denne porteføljen

knyttet til denne porteføljen har blitt tildelt penger

Om Prosjektbanken

Diverse

Helse- og omsorgsdep

Kunnskapsdepartement

Medisin og helsefag

Vestland

LTP3 Styrket konkurransekraft og innovasjonsevne

LTP3 Innovasjon i stat og kommune

LTP3 Muliggjørende og industrielle teknologier

LTP3 IKT og digital transformasjon

Helseforetak

Portefølje Forskningssystemet

Portefølje Helse

Portefølje Innovasjon

Portefølje Muliggjørende teknologier

Programmer

Kompetanse- og samarbeidsprosjekt

Digitalisering og bruk av IKT

FNs Bærekraftsmål

Fornyelse og innovasjon i offentlig sektor

Internasjonalisering

Politikk- og forvaltningsområder

Anvendt forskning

Delportefølje Internasjonalisering

Tjenesterettet FoU

Hovedmålet med kreftbehandling er å eliminere kreftceller og dette er tradisjonelt oppnådd ved kirurgi, bruk av giftige medikamenter (cellegift) og stråling. En ny og betydningsfull tilnærming til kreftbehandling kalt immunterapi, har derimot fått mye oppmerksomhet det siste tiåret; Her forsøker leger og forskere å utnytte immunsystemet vårt for å målrettet  ødelegge kreftceller. En nøkkelaktør i denne banebrytende tilnærmingen er en gruppe «drapsmenn» i immunsystemet kjent som cytotoxiske T-lymfocytter (CTL-er). Disse cellene har en bemerkelsesverdig evne til å oppdage kreftceller ved å gjenkjenne unormale molekyler på overflaten av kreftcellene - molekyler som friske celler ikke har. Når CTL-er gjenkjenner kreftcellene ødelegger de dem ved å frigjøre giftige molekyler som initierer kreftcellenes selvdestruksjon. 
 
Selv om betydelige innsats har blitt dedikert til å forstå hvordan CTL-er aktiveres og hvordan de gjenkjenner kreftceller, vet vi mindre om de påfølgende hendelsene inne i kreftcellene som fører til deres død. Fra før vet vi at CTL-er kan initiere to forskjellige typer celledød i kreft: den første, kalt apoptose, er en stille og ordnet prosess der kreftcellene krymper og brytes opp uten å varsle immunsystemet; den andre, kalt pyroptose, er en mer dramatisk prosess som involverer dannelse av åpninger i cellemembranen, noe som fører til at cellene svulmer opp og sprekker. Under denne cellebristen blir innholdet inne i cellene frigitt i omgivelsene, og dette kan fungere som 'faretegn' som kan stimulere en sterkere immunrespons mot kreftcellene. Betydningen av denne cellebristen for å forsterke anti-tumorresponsene vil bli undersøkt i dette prosjektet. 
 
Videre er vi fascinert av muligheten for å avdekke ytterligere, ennå ukjente, former for celledød indusert av CTL-er. Utforsking av disse dødsrelaterte prosessene i kreftcellene kan potensielt øke effektiviteten av immunterapi og bidra betydelig i den pågående kampen mot kreft.

The primary goal of most cancer therapies is to induce cancer cell death. Immunotherapy relies on the cytotoxic activity of lymphocytes such as natural killer cells (NKs) and cytotoxic T lymphocytes (CTLs) to achieve this. While a significant amount of research in immunotherapy focuses on the events within cytotoxic lymphocytes or at the interface between cytotoxic lymphocytes and cancer cells, less is known about the molecular mechanisms that orchestrate cancer cell death, particularly in the case of CTL-mediated death.
CTLs are known to induce two types of cell death in cancer: non-inflammatory apoptosis and proinflammatory pyroptosis. Pyroptotic cancer cells release proinflammatory signals that attract immune cells to the tumor site, thereby enhancing the anti-tumor response. Cell lysis is a common outcome of pyroptotic cell death. It is unclear whether lysis can be decoupled from pyroptosis in cancer cells and whether the proinflammatory properties of pyroptotic cancer cell death depend on lysis. Moreover, it remains unknown whether CTLs can induce other forms of cell death in cancer, apart from apoptosis and pyroptosis.
Studying the mechanisms of CTL-mediated cancer cell death is challenging because CTLs selectively target cells expressing specific antigens. However, given the critical role of CTLs in immunotherapy, it is essential to deepen our understanding of CTL-induced cancer cell death.
This project aims to develop novel methodologies to investigate the death mechanisms that are initiated by CTLs. In addition, we will identify new pathways and mediators involved in CTL-induced cancer cell death. Furthermore, we will assess the contribution of proinflammatory cell death and lysis in promoting anti-tumor responses in vivo. Overall, this research will improve our knowledge of the molecular mechanisms of CTL-mediated cancer cell death and potentially reveal novel targets to enhance the efficacy of cancer immunotherapy.

T-cell-mediated proinflammatory cell death and lysis in cancer

En av de vanligste, men minst studerte, utfordringene med å bli eldre er problemer med å kommunisere. Mange eldre sliter spesielt med pragmatiske ferdigheter, som å forstå undertekst, eller tilpasse det de sier til personen de snakker med. 

La oss si at en lege må gi en alvorlig beskjed til en pasient. For å gjøre det litt lettere å takle, bruker legen vagere språk, som "kanskje" i stedet for "sannsynligvis". Mens yngre voksne ofte tar hensyn til høflighetsstrategier i måten de tolker det som blir sagt på, har eldre ofte vanskelig for å forstå når noen snakker indirekte. Mange eldre voksne har vanskelig for å forstå ikke-bokstavelig språk og kan misforstå alvorlighetsgraden av diagnosen. Dette kan påvirke beslutningen deres om behandling, noe som kan føre til utilsiktede konsekvenser. 

Siden god kommunikasjon er viktig både i viktige medisinske samtaler og i hverdagen, er det viktig at vi finner ut hva som gjør at eldre kan ha vansker med å forstå og bli forstått. RESILIENCE skal hjelpe til med denne utfordringen ved å samle data om praktiske, kognitive og språklige ferdigheter hos voksne i alderen 18-90 år over tid. Dette vil gi oss en stor mengde data om pragmatiske, kognitive og språk ferdigheter og gjøre det tilgjengelig for forskning. Med denne dataen som grunnlag har vi følgende mål: 

• Forstå hvordan praktiske evner endrer seg generelt gjennom voksenlivet. 
• Finne ut hvilke mekanismer som påvirker pragmatiske evner på forskjellige tidspunkter i livet.
 • Utvikle en teoretisk modell som forklarer hvordan pragmatiske ferdigheter endrer seg med alderen.
 • Lage algoritmer som kan forutsi hvordan pragmatiske evner vil utvikle seg for enkeltpersoner i årene som kommer. 
• Utvikle og teste et verktøy som kan måle pragmatisk helse (både pragmatiske ferdigheter og deres underliggende mekanismer), noe som kan åpne  for å iverksette tiltak. 

Dette vil gi oss muligheten til å forstå bedre hvordan folk kan utvikle pragmatisk resiliens gjennom livsløpet.

A cornerstone of human communication is our reliance on pragmatic skills to guide linguistic interactions (e.g., reasoning about others' mental states to bridge the gap between what is said and intended in conversation). However these skills are highly sensitive to age-related decline, leading to miscommunication and uninformed decision making in the older adult population. This raises an important question, one which has puzzled linguistics and psychologists for decades: if pragmatic competence is fundamental to communication, why do individuals vary so much in this capacity? 

Traditionally, psychologists have approached pragmatic competence from a cognitive angle, reasoning that individual differences in executive functions (i.e., the cognitive skills associated with goal-directed actions) are what underlie effective pragmatic behavior. In a similar vein, language scientists have taken a linguistic approach, reasoning that one’s language background (e.g., the frequency with which individuals shift between languages) shapes pragmatic skills by enhancing sensitivity to the communicative context. This focus on either cognitive or linguistic influences has resulted in two expansive yet disparate areas of research.

RESILIENCE will unite these disciplines to pursue a longstanding debate on what underlies pragmatic resilience and decline using a large-scale, interdisciplinary and longitudinal approach. By gathering data on adults' (ages 18-90) pragmatic, cognitive and language skills over multiple time points, we will develop a comprehensive theoretical model that explains how cognitive and linguistic systems interact to shape pragmatic competence as we age, and create algorithms that predict the trajectory of an individual’s pragmatic abilities in upcoming years. Based on these results we will design a multidimensional tool that detects the earliest signs of pragmatic deficits, leading to future interventions, allowing us to uncover the paths to pragmatic resilience.

Uncovering the paths to pragmatic resilience

Noen av oss tåler stressende livshendelser godt. Andre derimot utvikler vedvarende fysiske og psykiske plager som følger av stress. Hvor godt vi håndterer stress avhenger av et komplekst samspill mellom miljøfaktorer, sosiale forhold, biologisk sårbarhet og indre motstandskraft. Forskning på stressreaksjonene til dyr og pasientgrupper som til vanlig lever under mye stress viser at en gruppe signalstoffer i kroppen som aktiverer det samme hjernesystemet som cannabis – endocannabinoidene – kan begrense styrken på stressreaksjoner og bidra til at man raskere kommer seg til hektene. I dette prosjektet skal vi undersøke hvordan mestring av stress på kort og lang sikt henger sammen med nivåer av endocannabinoider i kroppen for å forstå hvorfor noen personer er mer motstandsdyktige mot stress enn andre. I den ene studien følger vi pasienter som skal gjennomgå en stressende, men veldig vanlig, situasjon: kirurgi. Her måler vi pasientenes opplevelse av stress, samt mentale og fysiske helse, fra tiden før til to år etter operasjonen og undersøker hvordan dette henger sammen med nivåene deres av endocannabinoider og andre stresshormoner. I den andre studien bruker vi data fra et eksperiment hvor deltakerne har blitt utsatt for psykososialt stress til å undersøke om endocannabinoidnivået deres påvirker hvordan de reagerer på stress, og om stresset i seg selv kan påvirke kroppens produksjon av endocannabinoider. Til syvende og sist er målet med studien å vurdere hvorvidt målinger av endocannabinoidnivåer kan brukes til å forebygge helseplager og til å evaluere behovet for økt oppfølging etter alvorlig stressende påkjenninger i livet.

In the face of major life stressors, some individuals cope well whereas others develop ill health and long-term adverse outcomes. Predicting who needs additional support in response to major life stressors is essential for targeted prevention and more efficient allocation of resources. The endocannabinoid system is emerging as a promising target for understanding vulnerability and resilience to stress. This system appears to buffer stress in two ways: by limiting the magnitude of the stress response, and by facilitating recovery after a stressful event. While the early findings are intriguing, they mainly stem from studies in rodents and small clinical groups with high stress burden. What role endocannabinoids have more globally for human resilience, health and well-being remains elusive. 

In this project we address this gap by leveraging comprehensive experimental and clinical data on two potent stress models: psychosocial stress and surgery. Drawing on these unique datasets, which combine experimental control with ecological validity, we will decipher how endocannabinoid levels influence people’s stress response and recovery across minutes, days, weeks and years. The project represents a novel directional shift for endocannabinoid research and will (i) determine the value of endocannabinoid levels as a biomarker to predict outcomes after surgery, (ii) quantify sex differences, (iii) assess endocannabinoid interplay with opioid analgesics, sex hormones and other stress markers (iv) spearhead open and reproducible science practices in endocannabinoid research, and (v) make this fine-grained and novel data available through an interactive web application. 

This project represents an ambitious effort to understand endocannabinoids’ role in stress resilience and will determine the value of endocannabinoids as a predictive biomarker and potential target for individualized treatment.

Deciphering endocannabinoid stress buffering in humans: 
Mechanistic and clinical investigations

WHeelchair Activity Monitoring project (WHAM)

Wheelchair users (WCU) are three to five times more inactive than the general population, leading to a high risk of developing preventable secondary conditions. Although physical activity (PA) guidelines have been specifically developed for WCU, we lack systematic approaches to implement them in practice, as well as valid algorithms to monitor PA change in WCU through sensor-based solutions. Accordingly, the overall scientific aim of the WHeelchair Activity Monitoring project (WHAM) is to advance PA research and practice in WCU by developing valid digital markers for monitoring of and providing feedback on PA, paving the way for implementation and intervention. I will accomplish this through combining the complementary research fields of 1) behavioural intervention studies focusing on increasing PA in WCU (core competence University of British Columbia, UBC; outgoing phase) and 2) sensor-based PA monitoring (core competence Norwegian University of Science and Technology, NTNU; returning phase – consolidated by non-academic placement at Maastricht Instruments, which develop research prototypes including PA monitors). WHAM’s scientific aim is achieved through three objectives: 1) Measure the effect of a pragmatic exercise intervention trial on self-reported physical activity levels and cardio-respiratory fitness, 2) Develop valid algorithms for tracking PA markers in WCU, and 3) Co-create a framework that outlines how PA can be conjointly monitored and provided feedback on in WCU. This fellowship will enable me to become established as an internationally recognized researcher in the field of “physical activity and disability”, while bringing together ongoing national disjointed research activities in this field. Altogether, my overall ambition is to contribute to reducing inequalities in daily-life participation among WCU compared to the rest of the population.

The goal of the Bilingual Experiences, Cognitive Ageing and underlying Mechanisms (BECAME) project is to examine the functional neuroplastic mechanisms underlying mitigatory effects of bilingual experience on age-related cognitive decline. While evidence is available for structural brain changes supporting bilingualism-induced effects on cognitive aging (CA), functional mechanisms underlying such effects are not yet well understood. BECAME aims to fill this gap by investigating the trajectory of bilingualism-induced functional neuroplasticity across the adult lifespan (ages 18-85), crucially adopting an individual differences approach related to measurable degree of bilingual engagement. Importantly, although such benefits are thought to be rooted early in the lifespan, evidence for the timeframe and conditions of their early emergence is scarce. The choice of including the whole adult lifespan allows us to investigate these mechanisms and their emergence more directly from a lifespan perspective. I combine behavioral testing with brain recordings via electroencephalography (EEG). EEG is widely used in cognitive neuroscience to assess brain activity and the degree of communication between brain regions (functional connectivity) in response to stimuli and at rest. Combining behavioral and EEG modalities will allow me to test bilingualism’s effect on functional connectivity, as well as its consequences for functional efficiency, the minimum required neural activation to successfully perform a task. This will enable a detailed, evidence-based account of the protective effects observed in older-aged bilinguals, and how they are built from earlier life stages. By illuminating the relationship between multilingualism and resulting neurocognitive adaptations, BECAME will enable to capitalize on it as a health initiative, with manifold societal implications and the potential to be translated into actionable policies exploiting multilingualism to ameliorate effects of CA.

Bilingual Experiences, Cognitive Ageing and underlying Mechanisms

Per- og polyfluorerte stoffer (PFAS) er en stor gruppe menneskeskapte kjemikalier med høyt fluorinnhold som antas å ha negative helseeffekter. Kilder til PFAS kan være produksjon av vann-, varme- og flekkbestandige produkter og disse kjemikaliene er en del av hverdagen vår. PFAS påvirkning av biologiske systemer er ikke fullstendig forstått. Noen PFAS er antatt å øke risikoen for å utvikling av ikke-alkoholisk fettleversykdom (NAFLD) og øke risikoen for diabetes. 

For å forstå hvordan PFAS påvirker organene våre ønsker vi å bruke små laboratoriedyrkede organmodeller, kalt organoider. Disse miniatyrorganene kan dyrkes fra menneskelige stamceller og tilbyr et kontrollert miljø for å studere hvordan PFAS påvirker f.eks lever og bukspyttkjertelen vår, uten bruk av dyreforsøk.

For å studere helseeffekter må vi kunne måle nivået av biomolekyler som fettstoffer i leveren og hormoner i bukspyttkjertelen. Til dette trenger vi å utvikle analytiske verktøy for å måle effektene. Først vil vi bekrefte at når leverorganoidene eksponeres for enkelte PFAS-forbindelser utvikles det NAFLD-lignende sykdom ved å sammenligne den biokjemiske profilen (proteiner og metabolitter) til organoider av lever med PFAS-eksponerte organoider. Deretter vil vi utvide den analytiske verktøykassen for å undersøke hvilke metabolske veier som påvirkes, og om effekten er den samme i NAFLD-induserte og PFAS-eksponerte organoider. Vi vil også eksponere insulinproduserende bukspyttkjertelorganoider for PFAS for å undersøke effekten av PFAS på hormonproduksjon. Når effektene av PFAS-eksponering på lever- og bukspyttkjertel-organoider er etablert, vil organoidene bli samkultivert i en chip, og effektene av PFAS-eksponering vil bli undersøkt og sammenlignet med individuelle organoider.

Persistent organic pollutants (POPs) are believed to contribute to metabolic diseases, such as non-alcoholic fatty liver disease (NAFLD) and type 1 diabetes. HE-POP aims to investigate the effects of per- and polyfluoroalkyl compounds (PFAS), a type of POPs), on organ function in a controlled environment.

Organoids are multicellular laboratory-grown miniature organs, that are grown from stem cells. HE-POP will use organoids to examine how PFAS affects our organs and develop cutting-edge bioanalytical tools and methodology to measure these effects using liquid chromatography-mass spectrometry. HE-POP hypothesizes that PFAS negatively affects organ function, as evidenced by changes in hormone and lipid levels characteristic of NAFLD and type 1 diabetes. 

Organoids offer a controlled environment to study the effects of PFAS on the liver and pancreas, without the use of animal models. HE-POP aims to gain evidence of the negative effects of PFAS on organ function through controlled experiments on organoids and aid in understanding the biological mechanisms underlying NAFLD and type 1 diabetes.

HE-POP has fundaments in UN sustainable development goals, specifically #3, #12, and #14/15, seeking an understanding of diseases with worldwide prevalence, and understanding how POPs affect our life and surroundings and help enable the right regulatory actions and replacement chemicals.

HE-POP: Studying the Health Effects of Persistent Organic Pollutants, Using Mass Spectrometry, Organoids, and Organ-On-A-Chip

Rundt 7% av norske 4-åringer har så store psykiske vansker at de kvalifiserer for en diagnose, men det tar ofte lang tid fra vanskene oppstår, til de blir oppdaget og barna får rett hjelp. Myndighetene har derfor lagt tydelige føringer for at de som jobber med barn, må vite hva de skal se etter og hvordan de skal gå frem for at barna skal få den hjelpen de trenger. I Norge går over 95% av barna i barnehage hvor pedagogene blir godt kjent med barna over tid i deres naturlige miljø og har utviklingssamtaler med de foresatte 1-2 ganger i året. Barnehagen skulle derfor være en ideell arena for tidlig oppdagelse av psykiske vansker. Det har imidlertid ikke vært tilgjengelig noen tilpasset metode for de arbeidsformene og terminologi som er vanlig i barnehagene. Vi har derfor utviklet metoden Dialogbasert tidlig oppdagelse (DBTO) i nært samarbeid med pedagoger og foreldre i 8 ulike barnehager. Metoden går ut på å bruke utviklingssamtalen mer systematisk ved at både foreldre og barnehagelærer på forhånd fyller ut et spørreskjema om mulige bekymringer de har hatt for barnets utvikling og trivsel de siste månedene. I samtalen kan de så utforske og forsøke å enes om forståelsen av barnet og om det er behov for ytterligere vurdering eller andre tiltak. Tilbakemeldingene under utviklingen og tidlig utprøving tyder på at metoden fungerer godt og oppleves som et nyttig verktøy i foreldresamarbeidet. For å få tydeligere dokumentert kunnskap om hvordan DBTO fungerer i barnehagene, har vi utviklet forskningsprosjektet PRO-DIALOG. Vi ønsker med det å få kunnskap om (1) hvordan DBTO fungerer som et screening-instrument, (2) hvor brukervennlig den er, (3) hvordan den påvirker tidspunkt for igangsetting av tiltak og (4) hvordan den påvirker utviklingen av den psykiske helsen til barna over tid. 12 barnehager er plukket tilfeldig ut til å gjennomføre metoden, mens 11 skal fungere som kontroller. Foresatte til rundt 300 barn som har tre år igjen av barnehagen, vil bli spurt om å delta.

There is an unambiguous call for early interventions at the municipal level for children at risk of developing mental health problems. However, there is a surprisingly absence of socially valid methods for detecting children in need of early support.
        The aim of the project is to establish the properties of such a novel method; Dialogue Based Early Detection (DBED). We will study its properties as a mental health screener, how well it is adapted in an ordinary kindergarten context, and whether it affects activation of interventions for mental health concerns and children’s future mental health.
        The novel aspect of DBED is the systematic assessment of the child’s development and well-being by the kindergarten teacher and his/her parents, and the subsequent dialogue that aims to explore and converge their understanding of the child and conclude whether there is a need for further assessment or supportive actions.
        Parents of approximately 300 children in 23 different kindergartens aged 2-3 years will be invited to participate for the three last years before school start and follow-up the next two years. The kindergartens will be randomized to an implementation group or a control group. Parents’ socio-demographic characteristics and data from parent-teacher meetings, initiated interventions, user satisfaction, parental stress, and child mental health will be collected biannually, as well as tape recordings from interviews about user experiences of parents and teachers.
        The most critical challenges of the project will be participation rate of the invited parents in addition to attrition due to the time pressures in a busy workday in the kindergartens, and willingness of the control parents to complete the repeated questionnaires. Appropriate measures are made to take those risks into account.

Promoting mental health in young children – a sustainable dialogue based approach in kindergartens (PRO-DIALOG)

InterNASH - An intercellular-pathway therapeutic for non-alcoholic steatohepatitis

Demografiske endringer fører til at andelen av befolkningen som er arbeidsfør er fallende. I tillegg til teknologisk utvikling og import av arbeidskraft vil det å beholde unge voksne i arbeidsstyrken i flere tiår være viktig for å kunne opprettholde en sterk velferdsstat. Samtidig viser studier en økende forekomst av psykiske plager blant unge vokse – spesielt depresjon og angst. Denne utviklingen gir grunn til bekymring, både for de unges helsetilstand og deres evne til å stå i arbeidsstyrken over tid.
Det finnes mange ulike forklaringer på økningen i rapporterte psykiske plager blant unge, som for eksempel bruk av sosiale medier, økt skolepress og et mer krevende arbeidsmarked. Samtidig har det blitt hevdet at økningen også kan reflektere et redusert stigma knyttet til psykiske helseproblemer, bedre behandlingstilbud og en økende tilbøyelighet til å søke medisinsk hjelp for psykisk ubehag som tidligere ble ansett som «normalt» , såkalt medikalisering.
YoungPsych-prosjektet vil undersøke om samfunnet har blitt mer eller mindre inkluderende for unge med psykiske helseproblemer, samt om unge voksne med psykiske problemer i dag har større (eller mindre) sannsynlighet for å fullføre utdanning og være aktive i arbeidsstyrken. Videre vil prosjektet belyse i hvilken grad skolepress, stressende arbeidsforhold og bruk av sosiale medier bidrar til økningene i psykiske helseproblemer blant unge. Ikke minst vil prosjektet undersøke i hvilken grad mer åpenhet om psykiske problemer og en økende tilbøyelighet til å søke medisinsk hjelp bidrar til den observerte økning i psykiske diagnoser.
For å besvare disse spørsmålene vil prosjektet benytte seg av norske registerdata og store befolkningsundersøkelser. Resultatene fra prosjektet vil kunne hjelpe beslutningstakere, forskere og den interesserte offentligheten til å bedre forstå de nylige økningene i psykiske helseproblemer hos ungdom og unge voksne, samt i hvilken grad dette kan forventes å påvirke arbeidsmarkedene i fremtiden.

A high rate of labor force participation is an important foundation of the Norwegian welfare state. At the same time, an increasing share of young adults is not participating in the labor market due to mental health problems. Moreover, the share of young adults seeking help for mental health problems is strongly increasing. Together with a demographic shift towards an older population during the next decades, these developments have stirred concerns regarding future cohorts' ability to participate in the workforce. Work force participation is both important for the welfare state and for an individual’s social and economic integration into society. 

Against that background, the YoungPsych-project will provide the best to-date knowledge about (i) the relationship between early-life mental health problems, educational attainment and labor market attachment; (ii) the impact of academic pressure and job characteristics on the likelihood of developing mental health problems; (iii) the extent to which a lower threshold for seeking help and a more widespread use of social media can explain the increase in mental health diagnoses.

With a highly competent interdisciplinary project team, the project will produce new knowledge that is highly likely to move the field forward. The empirical foundation of the project is a uniquely comprehensive register linkage, linked to population wide survey data from the Armed Forces' selection process, and large register-linked longitudinal population-based surveys. These data sources allow for examining changes during the past two decades and to take into account different aspects of mental health, including self-perceived mental health, help-seeking behavior and doctors’ diagnoses. The strength of the project lies in the combination of exceptionally rich longitudinal data, creative research designs, modern data analysis, and important and timely research questions.

Young adults’ mental health and labor market exclusion - causes, consequences, and trends

I denne randomiserte kontrollerte studien har vi som mål å optimalisere behandlingen av pasienter med juvenil idiopatisk artritt (JIA) som er i stabil remisjon. Å finne riktig behandlingsnivå hvor risikoen for sykdomsoppbluss er balansert med byrden av å ta medisiner og deres bivirkninger er svært viktig for pasienter, foreldre og helsepersonell.

JIA er den vanligste kroniske revmatiske sykdommen hos barn og ungdom, og rammer flest jenter. Sykdommen er karakterisert av leddbetennelser, og kan føre til leddskader og funksjonstap. Heldigvis, takket være moderne medisiner og behandlingsstrategier, kan mange JIA-pasienter oppnå "vedvarende remisjon" - uten symptomer på sykdommen.

Men fortsatt vet vi ikke: hvordan bør JIA-pasienter som er i remisjon best behandles? Det finnes ikke kontrollerte studier som veileder oss, og det foreligger ingen anbefalinger om hvorvidt behandlingen bør trappes ned eller avsluttes.

Derfor introduserer vi "MOVE-JIA": en nasjonal studie som vil inkludere JIA-pasienter i vedvarende remisjon behandlet med tumor nekrosefaktor-hemmere (TNFi) og metotreksat. De vil bli tilfeldig delt i tre grupper: A) Gradvis seponering av TNFi, B) Gradvis seponering av metotreksat, eller C) Fortsatt stabil behandling med både TNFi og metotreksat. Studiens hovedmål er å måle hvor mange pasienter i hver gruppe som opplever sykdomsoppbluss i løpet av et år.

MOVE-JIA studien vil bli den første studien som undersøker om å redusere metotreksat fører til færre sykdomsoppbluss sammenlignet med å redusere TNFi hos JIA-pasienter i remisjon. Studien vil også vurdere om behandling med kun TNFi eller kun metotreksat er like effektivt som kombinasjonsbehandling.

MOVE-JIA studien er et nasjonalt samarbeid som inkluderer alle barnerevmatologiske avdelinger i Norge og aktiv deltakelse fra pasientene. Dette sikrer rask overføring av resultater til klinisk praksis. Funnene vil gi etterlengtet kunnskap om hvordan vi best skal håndtere barn og ungdommer med JIA i remisjon.

Juvenile idiopathic arthritis (JIA) is the most common chronic rheumatic disease in children and adolescents and occurs 3-6 times more often in girls. It is characterized by joint inflammation with a potential for joint destruction and disability if not treated. Sustained remission (no sign of active disease) is an achievable goal in JIA after the introduction of biological agents such as inhibitors of tumor necrosis factor (TNFi) and treat-to-target strategies. However, strategies to best treat JIA patients in remission remains unclear. No controlled studies have addressed the effect of tapering strategies for JIA in remission, and there are no current recommendations for stepdown or optimizing maintenance treatment. Given the risks, side effects and costs of JIA medications, treatment withdrawal can give patients and families relief and improve their quality of life. 
The MyJIA-Ahead trial is a national, investigator initiated, multicenter, 36 months, RCT of JIA patients in sustained remission on TNF-inhibitor and methotrexate. 150 JIA patients will be randomized 1:1:1 at baseline to A) Stepwise withdrawal of TNFi, B) Stepwise withdrawal of MTX, or C) Continued stable treatment with TNFi and MTX. The primary endpoint is proportion of patients with disease flare within 12 months. Key secondary endpoints are time to flare and time to regain remission after flare. If a disease flare occurs, the patient will return to the full dose study medication (the treatment the patient was receiving at baseline). Exploration of risk factors for disease flare includes patients reported health status and preferences, clinical characteristics, immunogenicity, molecular signalling (transcriptional, cellular and genetic risk) and ultrasound assessment of synovitis.

While evidence-based advice for starting therapies in active disease is available, The MyJIA-Ahead will provide much needed knowledge about treatment continuation in children and young adults with JIA in remission.

Moving towards evidence-based treatment strategies for children with juvenile idiopathic arthritis in sustained remission: The MOVE-JIAtrial

Midlene fra IS-RWE-Musikksamarbeid Norge-Tyskland fordelt på år

Midlene fra IS-RWE-Musikksamarbeid Norge-Tyskland fordelt på fylker

Midlene fra IS-RWE-Musikksamarbeid Norge-Tyskland fordelt på fagområde

Dingstad, Elisabeth, rwe dea 2007

DeepCA-prosjektet tar sikte på å undersøke en ny kunstig intelligensmetode som får inspirasjon fra naturen, og spesielt cellesystemer. Dette gjør det mulig å koble nettverk av biologiske nevroner (vokst i laboratorium) til et kunstig intelligenssystem, og undersøke potensialene til et hybrid biologisk og kunstig intelligenssystem. Resultatene fra DeepCA-prosjektet har potensialet til å bidra til å bygge kraftigere og effektive datamaskiner (ved å se på hvordan nettverk av biologiske nevroner vokser og kommuniserer) og å identifisere metoder for å koble datamaskiner til biologiske nevroner (med potensielle medisinske applikasjoner for nevrale sykdommer).

The ambitious research goal of the DeepCA project is to create a theoretical and experimental foundation for a novel hybrid deep learning paradigm based on cellular automata and biological neural networks, in order to bridge the gap between neuroscience and deep learning towards self-learning devices that are significantly more efficient than the state-of-the-art. The desired results have the potential for breakthroughs in novel substrates for machine learning (easily transferrable to hardware implementations), as well as direct medical applications. 

Current deep learning implementations are not easily transferrable to hardware devices for widespread adoption, e.g., to sensor devices and Internet of Things, due to the required computing power and complexity of the underlying architectures. Therefore, a different computing paradigm is needed. Investigating biological neural cultures information processing and dynamics could lead to better, more powerful, energy efficient implementations of deep learning systems.

The main hypothesis in DeepCA is that deep architectures of cellular automata reservoir can significantly facilitate the implementation of recurrent neural networks and reservoir dynamics, in order to efficiently interface biological neural networks and implement learning through local interactions.

DeepCA combines Norway's leading experts in cellular automata and unconventional computing at OsloMet and neuroscience/neuro-computation at NTNU, with internationally leading researchers in morphogenetic engineering at Manchester Metropolitan University and hyperdimensional computing at Luleå University of Technology, forming together a very strong multidisciplinary team to complete DeepCA's ambitious research tasks.

The project manager, Dr. Stefano Nichele, is a young researcher with a proven track record and ability to propose, manage and complete research projects. Nichele is 36 years old and currently Associate Professor at Oslo Metropolitan University.

Hybrid Deep Learning Cellular Automata Reservoir

Et hovedmål i prosjektet er å videreutvikle datamaskiners evne til å lytte til og forstå musikk. Vi utvikler banebrytende teknologi som også vil kunne hjelpe menneskelige lyttere til å bedre forstå og verdsette musikk. En viktig anvendelse av denne teknologien vil være å gjøre musikk mer tilgjengelig og engasjerende.

Vi utvikler designet på computerstøttede analytiske verktøy, verktøy som henter ut store mengder informasjon om musikalske elementer som klang, tonehøyder, rytme, tonalitet og form.  For tiden tar vi for oss hardingfelemusikk, og utvikler verktøy for å kunne gjøre automatiske transkripsjoner fra lydopptak til noteskrift, identifisere taktslagene, og gjengi mer subtile aspekter ved den musikalske strukturen.

Avansert musikkanalyse basert på kunstig intelligens kombinert med innsikter fra musikkvitenskap, kan bringe musikkforskere nærmere svarene de leter etter. Nå er vi snart kommet så langt at vi kan lage verktøy som forstår logikken i musikk.

Vi trener maskinen til å identifisere toner automatisk. Musikken maskinen skal kunne klare å transkribere, er Nasjonalbibliotekets katalog med folkemusikk. Norsk folkemusikk, og særlig hardingfelemusikk, er vanskelig materie for maskinen. Den store mengden eksempler som trengs, var i utgangspunktet ikke tilgjengelig. Derfor har vi bedt musikere, den profesjonelle felespilleren Olav Luksengård Mjelva og noen studenter fra Norges musikkhøgskole, om å spille for oss, og designet en programvare hvor de kunne se lydene visuelt og plassere notene for oss. Vi bruker nå dette materialet til å lære maskinen hvordan den automatisk kan oppdage tonene hardingfela spiller.  Neste trinn, der vi er nå, handler om å oppdage takt. Den er kompleks i felemusikk.

Prosjektet tar også for seg et stort utvalg musikalske stilarter fra tradisjonsmusikk, klassisk musikk og populærmusikk, akustisk så vel som elektronisk, og fra ulike kulturer. Denne omfattende kartleggingen av musikkelementer ved hjelp av våre dataredskaper, blir også brukt til å utforske lytteres affektive og kroppslige musikk-relaterte opplevelser.

Foruten forskningsfeltene musikkvitenskap, musikkteknologi og musikkognisjon, tar vårt prosjekt også sikte på å utvikle nye teknologier til bruk for allmennheten - som det å kunne generere videofiler fra en hvilken som helst type musikk. En utfordring ved musikklytting, er at den alltid avhenger av lytterens tidligere erfaring. Vi tror at automatisert, maskingenerert, interaktiv visualisering av lyd-data kan hjelpe lytteren til bedre å forstå og nyte den musikken vedkommende liker (eller ennå ikke liker). Dette vil kunne berike musikkopplevelsen og gjøre musikken mer tilgjengelig. Hvis vi kan gi folk verktøy for å forstå musikken bedre, gir vi dem samtidig tilgang til mye ny musikk. Det vil være bra for den enkelte, men også for musikken i seg selv, for mangfoldet i hele det musikalske økosystemet. 

Med appen som vi tar sikte på å utvikle, vil du kunne bla i katalogen av folkemusikk og dra på oppdagelsesreise i musikken. Når du finner en slått eller et stev du liker, kan appen peke deg i retning av noe i samme landskap. En av måtene du kan samhandle med musikken er ved å se den. Ser du et videoklipp, som spiller på flere sanser og setter i sving flere følelser, vil det hjelpe mange å forstå folkemusikken bedre.  Vi jobber med å finne en god balanse mellom det å få nok detaljer til å forstå mer enn ved å kun lytte, og det å få for mange detaljer: noe vi tror vil ta konsentrasjonen bort fra musikken. Det kan til og med være en slags 'gamifisering': en interaktiv app hvor du starter med enkel visualisering, og når du mestrer og forstår hva som skjer, får du etter hvert en mer kompleks versjon.
 
Den samme teknologien som vil bli til en app på smarttelefonen din, kan også brukes på scenen. Da Den danske strykekvartett fremførte Bachs "Die Kunst der Fuge" ved MusicLab-konserten i København i Oktober 2021, ble en video projisert på bakscenen som visualiserte musikken grafisk i sanntid mens den utspilte seg. Da de fire musikerne spilte gjennom temaene, kunne publikum se hvordan de forskjellige stemmene gjentok hvert tema. Hypotesen vår er at særlig utrente lyttere vil forstå mer om de også kan se hva som skjer. Temaene vises etter hverandre på skjermen, så når musikerne begynner en ny gjentakelse, så ser du sammenhengene. Ved en MusicLab-konsert I Oslo i November 2021, ble det vist en video i sanntid  som gjenga den synestetiske opplevelsen til en gitarist som improviserte.

Vi vurderer også å utvikle applikasjoner til bruk innen musikkterapi.

Som en del av prosjektet ble det avholdt et to-dagers nett-basert symposium i Juni 2021 der det ble presentert pågående arbeider og der et større panel av inviterte Europeiske forskere innen komputasjonell musikkanalyse presenterte sine perspektiver.

Videointervju: https://www.youtube.com/watch?v=B4LFjIBLFEI

MIRAGE aims at conceiving a ground-breaking AI system for music analysis that will generate a rich and detailed description of music along a large range of parametric and structural dimensions. 
This will enable musicologists to acquire a systematic and explicit understanding of music in a much deeper level than using traditional methods or previous state of the art in computational musicology. 
The scientific ambitions of MIRAGE is not solely related to the conception of AI and signal processing algorithms able to perform advanced operations of interest for musicology. It is also to establish a detailed and explicit answer to theoretical musicological problems, related to the formalization of music analysis.
The rich description of music will also foster the enrichment of cognitive models predicting listeners’ percepts and reactions to music, for instance for the study of emotion in music.
Moreover, music cognition needs to be understood as a complex system composed of highly interdependent modules. A computational system built on a set of general heuristics that is able to mimic music cognition on a large range of music would offer a valuable blueprint for the establishment of cognitive models.
The software technologies developed in the project will also have a wider transformational impact on how tomorrow’s technologies will be used to understand and appreciate music. We will also apply these technologies for music therapy.
The approach follows a transdisciplinary perspective, articulating traditional musicology, cognitive science, signal processing and artificial intelligence.
This project in collaboration with the National Library of Norway, world leading in digitizing cultural heritage, will help developing further the field of Digital Humanities, which is under-developed in Norway.

MIRAGE: A Comprehensive AI-Based System for Advanced Music Analysis

Konferansen får bidrag og deltagere fra alle universiteter og høgskoler i Norge og vil være organisert i fire parallelle spor bestående av:
-NIK (Norsk informatikkonferanse) som er en nasjonal konferanse innen informatikk arrangert årlig siden 1988. NIK er en felles arena for forskere og studenter som er interessert i å utvikle kunnskap om anvendt og teoretisk informatikk.
- NOKOBIT (Norsk konferanse for organisasjoners bruk av informasjonsteknologi) som er en nasjonal konferanse innen
informasjonssystem og informasjonsvitenskap arrangert årlig siden 1993. Konferansen fokuserer på tema knyttet til utvikling, implementering og bruk av IKT i organisasjoner, og samfunnsmessige problemstillinger ved IKT.
- NISK (Norsk informasjonssikkerhetskonferanse) som er faglig organisert av det norske nettverket for informasjonssikkerhet og dermed tett knyttet til de sterkeste IT-sikkerhetsmiljøene i Norge.
- UDIT (Norske Konferanse for Utdanning og didaktikk i IT-fagene) som ble etablert i 2014 og fikk egen programkomité i 2015. UDIT har til formål å inspirere til diskusjon og erfaringsutveksling om læring innenfor IT-fagene. Dette er spesielt viktig i forhold til utdanning av IT arbeidskraft og rekruttering av IT-forskere.

Den faglige bredden i konferansen betyr at den samlet godt dekker IKTPluss programmet sine prioriterte forskningsområder innen kompleksitet og robusthet, data og tjenester overalt, og et trygt informasjonssamfunn.
Innlegg på konferansene vil bli basert på innsending av artikler som blir fagfellevurdert av de fire programkomiteene. Dette i forhold til å sikre at den faglige kvaliteten på konferansen holder en internasjonal profil og nivå.

Konferansene arrangeres ved ulike lærersteder fra år til år. I 2018 hadde konferansen 30-års jubileum og ble arrangert på Svalbard, arrangør var Universitetet i Oslo. Tidligere arrangører er blant andre Høgskolen i Gjøvik, NTNU, UiA, HiO, HiMolde, HiBU, NHH, HiBO, UiO, UiT, UiS, UiB og HIOF.

Felles Norsk Konferanse for IKT-forskning (NIK/NOKOBIT/NISK/UDIT)

Kreft er en av de største årsakene til sykdom og død over hele verden. Mer enn 33 000 nordmenn får kreft hvert år og 11 000 nordmenn døde av kreft i 2017. En stor del av disse kreftsykdommene kan forebygges. For eksempel har masseundersøkelser av livmorhalskreft, som ble etablert i Norden på° 1960-tallet, redusert antall tilfeller av kreft samt dødelighet med 80 %. Til tross for denne suksessen er det fortsatt en stor utfordring å forbedre screeningsprogrammet for å minimere overhypping screening og underbehandling, og dermed redusere utgiftene i et bredere helseperspektiv. 
Dagens kunnskap om sykdommen kombinert med et vell av tilgjengelig data og moderne teknologi kan tilby langt bedre personlig forebygging ved å estimere personlig optimal oppfølging. Eksisterende automatiske systemer for screening mot livmorhalskreft er imidlertid ekstremt konservative, siden de bare kan identifisere pasienter som er forsinket til rutinemessig screening, uten å gi personlige anbefalinger for oppfølging. 
Gjennom intelligent bruk av eksisterende registre og personlig helsedata, har DeCipher utviklet et data-drevet rammeverk for å gi en personlig kontinuerlig risikovurdering for å utvikle kreft, samt identifisere undergrupper av individer og faktorer som fører til lignende sykdomsprogresjon. Ved å identifisere disse undergruppene forventes det å redusere over- og underbehandling, gi en personlig screeningplan for hver kvinne og redusere kostnadene ved screeningprogrammer. 
DeCipher består av et enestående tverrfaglig forskerteam innen maskinlæring, screeningsprogrammer og epidemiologi. Resultater fra DeCipher vil bli gjort tilgjengelig for klinikere og individer.

Cancer is a major cause of morbidity and mortality worldwide, but a large proportion of the incidents are preventable. For example, mass-screening Nordic programs of cervical cancer have a proven strong effect for preventing cancer at the population level and have produced large amounts of individual and clinical data, centrally organised at nationwide registries. Despite this success, minimising over- and under-treatment, and, thus, reducing expenditure, remains a major challenge.

Existing automatic decision support systems for cervical cancer prevention are, however, extremely conservative as they are mostly limited to identifying patients who are overdue for their next routine screening. Current knowledge about the cancer, together with a wealth of available data and modern technologies, can offer far better personalised prevention.

DeCipher aims to develop a data-driven framework to provide a personalised time-varying risk assessment for cancer initiation and identify subgroups of individuals and biomarkers leading to similar disease progression. By unveiling structure hidden in the data via randomisation and probabilistic tools, we will develop novel theoretically grounded machine learning methods for analysis of temporal, sparse, and multimodal data.

DeCipher consists of an excellent multidisciplinary research team from diverse fields such as machine learning, data mining, screening programs, and epidemiology. Leveraging Nordic screening programs and data, the project will enable better and more accurate cancer screening. Our foundational and algorithmic progress will also enable integration of data-driven techniques into biomedical domain, thus corresponding to the Medium-term Time Horizon objectives.

Available to screening programs, clinicians, and individuals in the population, the DeCipher results will allow for improvement of individual’s preventive cancer healthcare while reducing the cost of screening programs.

Data-driven Framework for Personalised Cancer Screening

Prosessindustrien er en av de største "produsentene" av data, der en typisk prosess genererer tusenvis av datapunkter hvert sekund. Deler av prosessindustrien har brukt sanntidsdata for beslutningstaking i mer enn 50 år og har til nå vært den ledende industrien når det gjelder intelligent bruk av data. Men til tross for mange suksesser, er det fortsatt et stort potensial for ytterligere forbedringer av beslutningsverktøy for å møte fremtidige utfordringer med industri 4.0. Med beslutningsstøtteverktøy mener vi datamaskinbaserte algoritmer som bestemmer hvordan et system skal operereres for å oppnå et ønsket mål, f.eks. å minimere driftskostnader og energiforbruk. Dessuten bruker deler av prosessindustrien fortsatt hovedsakelig manuell styring, og det er behov for å utvikle enklere og billigere tilnærminger som kan brukes i disse bransjene.
De tre hovedutfordringene med å utvikle effektive optimaliseringsverktøy for komplekse cyberfysiske systemer er:
1. Mangel på gode modeller som kan brukes i optimaliseringsalgoritmer (offline modellutvikling)
2. Feil verdi av modellparametere brukt i optimaliseringsproblemet (online modelloppdatering)
3. Håndtering av aktive begrensninger.

Siden det meste av den økonomiske fordelen med optimal drift ligger i å regulere de riktige aktive begrensningene, har forskningen i det siste vært fokusert i denne retningen. Vi har foreslått et nytt rammeverk der optimal drift oppnås direkte ved å bruke sanntids prosessmålinger, som vi kaller "primal-dual feedback optimizing control".
I tillegg studerer vi den alternative metoden med "region-based control", hvor den enkleste tilnærmingen er å bruke enkle PID-kontrollere og velgere. Dette er den foretrukne tilnærmingen for enklere problemer. Et mer generelt alternativ er å innlemme begrensningsningene i modellprediktiv kontroll (MPC).

Når det gjelder maskinlæring er det fokus på hvordan man kan kombinere forsterkningslæring ("reinforcement learning") med modellprediktiv kontroll (MPC), det vil si å bruke de ulike parameterne i MPC som hyperparametre for maskinlæring.

This project aims to address the main challenges related to developing optimization tools for the process industries, which are:
1.	Lack of good models that can be used in optimization algorithms (offline model development)
2.	Wrong value of model parameters used in the optimization problem (online model update)
3.	Numerical robustness including computational issues

By leveraging big data and machine-learning algorithms, we can develop decision-support tools for complex cyber-physical systems that can be a part of the industrial internet-of-things. 

In this project, we will utilize process data to develop machine-learning based models (also known as digital-twins), that can be used for developing optimization tools. This will enable us to address the challenges with respect to developing models for optimization. Reinforcement learning approaches will also be used to operate the processes in new operating conditions other than the conditions used to train the model. 

To address the computational robustness issues of solving optimization problems, we also aim to approximate computationally intensive optimization problems using machine-learning algorithms. Instead of developing surrogate models that will be used in the optimizer, we plan to build surrogate optimizers or AI optimizers that approximate the numerical optimization solvers.

This project aims to restructure existing process industries by utilizing data more efficiently and  it will also open new industrial applications that could benefit from data-driven decision-support tools.  At the same time, this project will also develop novel algorithms for machine-learning-based optimization and thus move the research front and develop new subject areas in the field of online process optimization and autonomous decision-making. Therefore, this project will address challenges in the short to medium time horizon.

Intelligent use of data to build optimization tools for cyber-physical systems in the process industry

Prosjektet "Improved Pathology Detection in Wireless Capsule Endoscopy Images through Artificial Intelligence and 3D Reconstruction" har som mål å på en effektiv måte forbedre nøyaktigheten for deteksjon av tarmsykdommer gjennom bruk av kapselendoskopi. Dette vil føre til bedre behandling. Nøyaktige og effektive verktøy for å stille diagnose er essensielt  for tilrettelegging av masseundersøkelser  og oppfølging for store deler av befolkningen. Ved å stille  diagnose(r) tidlig i sykdomsforløpet minsker man sannsynligheten for alvorlig sykdomsforløp.
 
Prosjektet vil fokusere på to metoder: den første er å utvikle mer nøyaktige og effektive automatiske patologi deteksjon algoritmer  gjennom bruk av kunstig intelligens, hvor man fokuserer på bruk av semi-veiledet og ikke-veiledet læring. Arbeid har allerede blitt publisert hvor man har sett på selv-veiledet læring. Den andre er å lage 3D modeller av tarmen som vil forenkle gjenkjenning av patologier i kapselendoskopi bilder, dette er basert på struktur fra bevegelse. Vi har mot slutten av prosjektet vil vi se på kombinasjonen av 3d modeller og kunstig intelligens.
 
Prosjektet har fire partnere; Sykehuset Innlandet (Norge), University of Thessaly (Hellas), Sheffield Teaching Hospitals (England) and Max Planck Institute for Informatics (Tyskland), alle er anerkjente på sine felt og bringer komplementære ferdigheter til prosjektet. Dette samarbeidet øker verdiskapningen  gjennom bruk av forskningen i praksis. Det fører også til at forskningsresultater blir satt ut i praksis raskere.

As indicated by its title: "Improved Pathology Detection in Wireless Capsule Endoscopy Images through artificial Intelligence and 3D Reconstruction", the core concept of the project is to facilitate more accurate and efficient detection of intestinal diseases through capsule endoscopy, leading to better healthcare. The project is highly relevant and of great benefit to society. Accurate and efficient tools for diagnosis are essential in order to facilitate intestinal screening and monitoring programs for large parts of the population that seek to  detect diseases at an early stage and thereby prevent severe  diseases from developing. 

The project is divided into three work packages. The first focuses on developing more accurate and efficient automatic pathology detection algorithms than state-of-the art methods. These will also be compared to the performance of trained gastroenterologists.   The second work package focuses on constructing 3D models based on wireless capsule endoscopy images that will help gastroenterologists more easily detect pathologies in the intestinal wall.   The third work package is dedicated to the combination of automatic pathology detection and 3D reconstruction. The goal is twofold: i) automatically construct 3D model based on pathology detection algorithms predictions for enhanced viewing by gastroenterologists.  ii) Improve automatic pathology detection using 3D data as input. 

The project includes one national (Innlandet Hospital) and three international partners (University of Thessaly, Sheffield Teaching Hospitals and Max Planck Institute for Informatics), whom of each is renowned in their field and highly capable of bringing complementary skills. This collaboration facilitates and enhances the value creation through the utilization of the research results in practice. It also ensures that the results are brought into practice faster and thereby benefit society.

Improved Pathology Detection in Wireless Capsule Endoscopy Images through Artificial Intelligence and 3D Reconstruction

De ekstracellulære vesiklene deltar i intercellulær signalering og er svært relevante enheter for både fysiologiske- og patologiske prosesser. Nye medikamentleveringssystemer har blitt foreslått ved å bruke ekstracellulære vesikler som bærere av aktive biomolekyler mot målcellene. CIRCLE-prosjektet er utformet rundt en beregningsmetodikk som teoretisk kvantifiserer og analyserer transporten av ekstracellulære vesikler i hjertevevet for å studere distribusjon av terapeutiske midler. De første modellene dekker aspektene ved den ekstracellulære frigjøringen fra celler, både ikke-stimulert og stimulert, transport gjennom de kardiovaskulære nettverkene og den ekstracellulære hjertematrisen, og opptak i mottakerceller. Vi har studert frigjøring av ekstracellulære vesikler fra pluripotente stamcelleavledede atrie- og ventrikulære kardiomyocytter. Våre utviklede modeller bidrar til forståelsen av den ekstracellulære vesikkeldynamikken, blant annet tiden som trengs for sekresjon og frigjøring, samt de kritiske komponentene i biosystemet som påvirker vellykket transport av de ekstracellulære vesiklene. Resultatene våre avslører at diffusivitetskonstanten, volumfraksjonen og tortuositeten til matrisen i stor grad påvirker transporten. Et viktig funn er at ligand-reseptor-interaksjoner ved målcellene kan føre til flere internaliserte ekstracellulære vesikler sammenlignet med andre internaliseringsmekanismer, for eksempel clathrin-mediert endocytose, til tross for den langsomme internaliseringsprosessen ved målceller. Forskningen utført så langt i CIRLCE har ført til ny kunnskap ettersom nye forskningsretninger dukker opp. Våre neste skritt går mot utviklingen av en avansert datamodell for optimalisering og evaluering av myokardreparasjonsterapi basert på ekstracellulære vesikler. Spesifikt vil vi se nærmere på den mikroRNA-baserte terapien for behandling av akutt hjerteinfarkt hos utvalgte pasienter og evaluere dennes effektivitet.. Den nye datamodellen vil bruke synergi fra fysiologibasert modellering med eksperimentelle data og kunstig intelligens-teknikker. Primære eksperimenter vil bli utført i svinemodeller og disse studiene vil bli brukt i utformingen av en tidlig studie ved bruk av pasientdata.

Intra-body wireless sensor and actuator communication networks are necessary to provide solutions for implantable micro-devices to enable diagnostics, monitoring, and therapy. Current technology has significant drawbacks since presently available deep, bio-compatible implantation systems with life long operation are too poor and slow  to support comprehensive diagnosis and therapies. Synthetic biology is an emerging scientific field with major disruptive potentials, and can manipulate cells using nanoscale devices thereby directly obtaining information from individual cells. However, present solutions have no external communication capabilities impairing practical use.  This project will design and engineer biological cells that can transmit information to neighboring cells and cells placed far away enabling nanoscale electronic devices thereby creating macro-structures or synthetic tissues. Our vision and overall goal is to enable "cells to wirelessly connect to the Internet".  
	
Towards this vision we have established a transdisciplinary team of researchers with international stature and expertise in synthetic and stem cell biology, communications engineering, and clinical medicine to develop cellular communication and control systems and test their performance. This project will design and develop a wireless sensor and actuator network of engineered cells that can sense and communication information for monitoring and deliver therapy.  The developed engineered cells will be tested in cell and organoid cultures with imaging tools. The developed theories on information transfer between cells and control techniques for remote stimulation for therapy delivery will be simulated in a custom developed computer simulator and verified with the in-vitro experimental data.  The project will recruit and train 1 PhD student and 2 Postdocs and has drawn up a comprehensive, multifaceted plan to disseminate, communicate and exploit the project results.

Communication Theoretical Foundation of Wireless Nanonetworks

Search-Based Software Engineering (SBSE) is a field of research that applies search algorithms (a sub-field in Artificial Intelligence) in software engineering. The SBSE field has grown significantly recently and the field has become matured to achieve real-world results. The Symposium on Search-Based Software Engineering (SSBSE) is a symposium of international profile and takes place every year. Every year, researchers and practitioners from Software Engineering and Evolutionary Computation domains, from all over the world participate in the symposium. The first edition of SSBSE symposium took place in 2009 in Windsor, United Kingdom. This year, i.e, 2018 will be the 10th anniversary of the symposium. Simula Research Laboratory is the host of 2019's edition of the Symposium (i.e., 11th edition). Given that SSBSE is a  specialized conference having an intersection with a sub-field of AI and Software Engineering, it is always co-located with bigger Software engineering conferences. Thus, SSBSE 2019 will be collocated with the 27th ACM Joint European Software Engineering Conference and Symposium on the Foundations of Software Engineering (ESEC/FSE conference). SSBSE will take place in Tallinn Estonia, 31 Aug - 2 Sep 2019 at Original Sokos Hotel Viru.
A draft of the website of the conference can be found here:
http://ssbse19.mines-albi.fr/

11th Symposium on Search-Based Software Engineering (SSBSE 2019)

Den eksponentielle økningen av datamaskinytelse over de siste fire tiårene har vært et resultat av kontinuerlig forbedring av produksjonsteknologi. Dennardskalering, som beskriver hvordan spenningene og dimensjonene på transistorene kan endres slik at man får mindre transistorer som bruker mindre strøm, har vært kritisk for å få til denne ytelsesforbedringen. Med Dennardskalering kan man doble antallet transistorer på en brikke mellom hver teknologigenerasjon mens effektforbruket holdes konstant. Dermed danner Dennardskalering grunnlaget for den mer kjente ytelsestrenden Moores lov.

I moderne produksjonsprosesser fører Dennardskalering til økt effektforbruk fordi reduksjon av transistorenes terskelspenning medfører eksponentielt økende statisk effektforbruk. Samtidig har vi nådd grensen for det effektforbruket et praktisk realiserbart kjølesystem kan håndtere. Dette medfører at dagens høyytelsesdatamaskiner primært er begrenset av effektforbruket. Dermed blir teknikker som utnytter parallellitet, som for eksempel energieffektive akselleratorer, nødvendige for videre forbedring av ytelse -- en nødvendighet i viktige domener som klimamodellering, persontilpasset medisin, materialforskning, kjemi og nanoteknologi.

I BAMPAM vil vi redusere effektforbruket til tett koblede rekonfigurerbare akseleratorer gjennom å formulere analytiske modeller som gjør det mulig å automatisk generere akseleratorinstanser med balansert minneytelse og beregningsytelse. En balansert akselerator aktiverer kun de beregningsenhetene som minnesystemet kan støtte -- for å maksimere ytelse -- og skrur av de resterende enhetene -- for å redusere effektforbruket.

BAMPAM will improve the power-efficiency of tightly integrated reconfigurable accelerators by formulating analytical performance models that enable automatically generating accelerator instances with balanced compute and memory performance. Current high-performance computers are power-limited, and leveraging parallelism, for instance in the form of power-efficient accelerators, is necessary to further improve their performance -- a critical requirement across important domains such as climate modeling, personalized medicine, materials science, chemistry, nanotechnology, automotive and energy.

In BAMPAM, we focus on processors with tightly coupled reconfigurable accelerators. These accelerators consist of a grid of compute units that can be configured to create specialized hardware for performance-critical application code regions. Accelerator imbalance is caused by activating more compute units than the system's memory configuration can support and results in poor power-efficiency because compute units needlessly dissipate power while waiting for memory. A balanced accelerator activates exactly the number of compute units the memory configuration can support - to ensure high performance - while disabling remaining units - to save power.

The key research challenge is to devise approaches that automatically determine the number of compute units that achieve balance for different applications. We propose to overcome this challenge by formulating and validating analytical performance models that enable identifying the point of balance based on key application characteristics. These models will enable us to investigate model-based approaches for automatically generating balanced application-specific accelerator instances and thereby discover novel accelerator architectures or novel accelerator generation algorithms.

Balancing Compute and Memory Performance in Reconfigurable Accelerators with Analytical Modeling

Å bevise eller motbevise matematiske setninger ved hjelp av automatiserte prosedyrer har vært en appellerende idé i minst et århundre. Likevel, selv om forskingsfeltet om automatiserte resonnement har nådd viktige milepæler de siste tiårene, er det fortsatt uavklart hvorvidt datamaskiner i vesentlig grad kan øke hastigheten på prosessen med beviskonstruksjon.

Målet med dette prosjektet er å identifisere en rekke numeriske parametere som vanligvis er små i menneskelig produserte bevis. Intuitivt er disse parametrene ment å gi en numerisk kvantifisering av kompleksiteten til et bevis. Ved å bruke informasjon om disse parameterne, vil vi utvikle nye algoritmer som vil kunne enten finne et bevis med en gitt forutbestemt kompleksitet, eller å fastslå at det ikke finnes noe slikt bevis.

Som et biprodukt forventer vi at resultatene våre vil kunne forbedre automasjonskapasiteten til en rekke verktøy, for eksempel bevisassistenter, programvareverifikasjonsverktøy og lignende.

The idea of proving or disproving mathematical statements using automated procedures has been contemplated for at least one century. Nevertheless, even though the field of automated reasoning has reached important milestones during the past few decades, the question of whether computers can significantly speed up the process of proof construction remains elusive. 

The goal of this project is to identify a series of numerical parameters that are typically small in humanly produced proofs. Intuitively these parameters are intended to provide a numerical quantification of the complexity of a proof. Using information about these parameters, we will develop new algorithms that will be able to either find a proof of a given predetermined complexity or to determine that no such proof exists. 

As a byproduct, we expect that our results will have the potential to improve significantly the automation capabilities of a variety of tools, such as proof assistants, software verification tools, specialist systems, etc.

Automated Theorem Proving from the Mindset of Parameterized Complexity Theory

«Individuell fargesynsbasert bildeoptimalisering» (ICVIO) er et tverrfaglig prosjekt som bidrar med et avgjørende fremskritt i metoder for å reprodusere og forutsi individuell menneskelig fargeoppfattelse av bilder. Det muliggjør perseptuelt meningsfull fargebildeoptimalisering samt prediksjon av perseptuelt fargeinnhold i bilder for personer med ulikt fargesyn, herunder normalt, anomalt eller avvikende.

Bildeoptimalisering utføres på digitale bilder. Målet er å kontrollere fargegjengivelse, få god bildereproduksjon eller kompensere for endringer i visningsforhold, observatør, etc.

Dagens metoder er basert på bildeuavhengighet og standardiserte observatører og visningsforhold. Følgelig vil bildereproduksjonsmetoder for et gitt bilde få den individuelle observatør til å betrakte det samme bildet. Men da de visuelle systemene og visningsforholdene varierer, oppfatter de ikke nødvendigvis det samme bildet. Vi introduserer individuell bildebehandling, slik at de ikke nødvendigvis betrakter det samme bildet, men heller oppfatter det samme bildet.

I ICVIO er nøkkelen å forbinde individuell fargerespons (retinal sensitivitet) med dens tilhørende fargepersepsjon. Sensitiviteten estimeres ved et begrenset antall in situ-fargediskrimineringseksperimenter. Forbindelsen er en unik transformasjon basert på en ny fargemetrikk (geometri), hvori perseptuelle terskler inngår og hvorav grunnleggende fargeoppfattelser kan avledes konsekvent. Estimering av sensitiviteten baseres på metrikken.

Den moderne bildebehandlingsteknologi utvides i ICVIO til å anvende den grunnleggende, men hittil lite utnyttede, vitenskapen om farge- og bildepersepsjon. Den bygger bro mellom fargesyn, fargevitenskap og digital bildebehandling med avbildningsmetoder som har potensial for forskning og industri.

Nytteperspetivet i ICVIO favner bredt: kunst, kulturarv, medisinsk bildebehandling, robotikk, overvåkning, virtuell og utvidet virkelighet.

The project 'Individual Colour Vision based Image Optimisation' (ICVIO) aims at providing a step change in the ability to recover and predict quantities of individual human colour perception. The goal is to provide digital optimisation methods that are uniquely linked to individual colour perception of colour images. This will enable perceptually meaningful colour image optimisation and facilitate prediction of perceptual colour content in images between individuals with different colour vision. The key is to uniquely link individual cone fundamentals of human vision with a colour metric, in which said individuals' perceptual discrimination thresholds and fundamental colour perceptions can be characterised with high accuracy. We will propose novel methods of recovering individual cone fundamentals from a minimum of in situ colour matching and discrimination experiments. The colour metric will be based on a mathematical model whose geometry comprehensively describes the perceptual dimensions and thresholds for individuals, at a level which is beyond the capability of state-of-the-art methods. The individualisation of image optimisation will generate a need to advance existing image manipulation methods along with the opportunity to create new. It will encompass deficient, anomalous and normal colour vision. This multidisciplinary project links human vision, computational colour science, computer vision and digital imaging and provides imaging methods with a significant potential of industrial application.

Individual Colour Vision based Image Optimisation

I filmproduksjon og digitale effekter er generering av realistiske digitale ansikter et viktig problem, for eksempel for å skape en skuespillers «digitale dobbeltgjenger». I tillegg til å nøyaktig registrere ansiktets geometri, så er en realistisk generering av hudens utseende et meget viktig element. 
Det er kjent at vi mennesker ofte vil føle en sterk avsky mot ting som virker nesten menneskelig, men ikke helt. Dette fenomenet kalles «uncanny valley» som kan oversettes som den uhyggelige dalen.
Menneskeskehud har en kompleks struktur, med flere lag som inneholder blodkar, bindevev, fett og hårfollikler. Imidlertid er hudfargen hovedsakelig avhengig av konsentrasjonen av enkelte molekyler (kromoforer), som melanin og hemoglobin. Denne siste finnes i to forskjellige varianter, og deres relative forhold har forskjellige effekter på hudens farge. En ytterligere komplikasjon er at deres konsentrasjon endres med tiden, og avhenger av emosjonell tilstand. Derfor er hudfargen og ansiktets utseende i kontinuerlig endring.
Vårt prosjekt, i samarbeid med eksperter i datagrafikk ved Imperial College London, vil utvide kunnskaps- og teknologifronten innen både analyse og gjengivelse av ansiktsutseende og menneskelig hud, både under statiske og dynamiske forhold.
Vi vil bruke ny bildebasert spektral måleteknologi tilgjengelig på NTNU og på Imperial College for å måle sentrale hudegenskaper, som brukes til å lage en ny modell for hudutseende for datagrafikkapplikasjoner, og dermed øke realismen til digitale ansikter i filmer og videospill.
Videre vil nye teknikker for å estimere hudens kromoforer fra bilder bli utarbeidet. Potensielt vil dette ha flere bruksområder innen kosmetikk, for eksempel for valg av passende farger for å tilpasse sminke eller valg av den mest passende solkremen. Og kanskje enda viktigere, den forbedrete estimeringen av hudens kromoforer vil kunne finne medisinske anvendelser, spesielt for hudkreft.
Spectraskin-prosjektet startet i April 2019. Colourlab sin nettside (http://www.colourlab.no) gir de siste oppdateringene og
detaljer om aktivitetene i prosjektet, mens forskningen publisert til nå kan følges på Cristin
(https://app.cristin.no/projects/show.jsf?id=678057).

A longstanding goal of computer graphics is the creation of realistic digital faces. The difficulties behind this task partly lie in human perception, which creates a strong revulsion toward things that appear almost human (the uncanny-valley). Moreover, the complex structure of the skin, and the dependency of facial appearance on both the physical and emotional state, cause continuous changes in the color of facial skin.
Skin color is mostly determined by the concentrations of the chromophores melanin and hemoglobin, each of them present in two different forms. Previous work focused on the estimation of some of these parameters, generally from a patch of skin in static conditions, used to synthesize the skin for the whole face.
Our project will extend the state of the art on both acquisition and rendering, thanks also to the collaboration with a world-leading scholar in computer graphics, Prof. Ghosh at Imperial College London.
We will use the hyper-spectral acquisition devices available at NTNU and the new multispectral light stage for facial appearance capture at Imperial College, in order to estimate skin reflectance properties and skin chromophores concentration maps, including the ratio between eumelanin and pheomelanin. The latter causes important differences in the skin appearance, and plays a role in both ultraviolet-radiation dependent and independent skin cancer.
The novel image-based skin chromophores estimation method will be used along with the light stage to capture the entire face of subjects, recording also changes from static static to dynamic conditions. Furthermore, a new
skin model will be derived. Overall, our work will help increasing the photo realism of digital faces in movies and video games, and could have important application also in medicine, dermatology and cosmetology.

Spectral Skin Modelling and Rendering for Realistic Digital Faces

Helsedata har meget stor vitenskapelig, samfunnsmessig og kommersiell verdi, noe som stimulerer til cyberangrep og til at helsedata blir målrettet brukt og solgt på svarte markeder. Deling og bruk av helsedata er i tillegg under lov-, etikk/personvern- og teknologi-områder, noe som kan sette begrensning på benyttelsesgraden av disse dataene.  
Det foreligger en strukturell mangel i dagens helsedatainfrastrukturen både når det gjelder mulighet for sikker deling av data og grad av tillit.  Dette prosjektet ser på disse utfordringene fra et nytt ståsted. Vi skal skape en prototype av et demokratisk økosystem for deling av helserelatert data. Økosystemet vil bli basert på en beregningsplattform som vil stimulere ulike parter i systemet til å definere, forhandle og administrere sine respektive rettigheter, forpliktelser, krav og ønsker i forbindelse med helsedataene, på en pålitelig og effektiv måte. Økosystemet skal legge til rette for at alle parter skal bruke et felles sett av tekniske og prosedyremessige protokoller for delingen av data. Partene vil kunne selge eller kjøpe helsedata, forpliktelser og rettigheter på lik linje. 
Prosjektet 'Health Democratization' er koordinert av NTNU Institutt for informasjonssikkerhet og kommunikasjonsteknologi. Prosjektet har nasjonale (SINTEF Security, Norsk Regnesentral, Direktoratet for eHelse, Sykehuset Innlandet, og Nasjonalt senter for e-helseforskning) og internasjonale partnere(Maastricht universitet, KU Leuven, Chinese Academy of Science) partnere, samt underleverandører (TicSalut, Tecnalia, Lynkeus, og Kallistech) fra akademia og industri. 
Prosjektets budsjett er ca 27 millioner kroner som vil finansiere 5 PhD- og postdoktor-forskere, i tillegg til NTNU og partnre sine permanent ansatte forskere. Prosjektet vil bidra til utvikling av den nasjonale helsedata-infrastrukturen, gjennom samarbeidet med det nasjonale prosjektet 'Helseanalyseplattformen'. Prosjektet samarbeider også med EU Horisont 2020-prosjektet 'My Health Data'.
Fra september 2021 er prosjektets teknologiske arkitektur og brukstilfeller / scenarier (registrert i den første leveransen) blitt definert, og forskere jobber for sikker forhandling av helsedata og datadelingsplattformens spesifikasjon og teknologiske design.
Innen november 2022 har prosjektets teknologiske plattformdesign den første versjonen. 
Innen november 2023 har prosjektets teknisk demonstrasjonsdesign den første versjonen.

In this project we aim at architecting and engineer a democratic data transaction model. The idea is to insert a trust and incentive augmented layer on top of the existing data infrastructure, which performs the same protocol of device / data provenance, beneficiary rights and benefit negotiation, and operation rights configuration between any two / multiple parties involved in a data transaction. 
The following research questions will be answered through research efforts in this project. 
RQ1: What are the common elements that can be abstracted from diverse data transaction scenarios, and how to model them into functions and protocols applicable to all parties?      
RQ2: What benefit can be brought by modelling data sharing in a trading perspective and what are its impact on the social, ethical, and economic aspects?   
RQ3:  How to model the risk and incentive for data mobility in an open environment with multiple parties of conflicting interests in rights negotiation? 
RQ4: How to automate the configuration and validation of policies and rights across parties?    
RQ5: How to technically engineer and evaluate the democratic health data infrastructure?  
The project will take advantage of emerging theories (conflicting incentive models, multilateral security policy, token economy, etc.) and technologies (blockchain, computational negotiation, privacy preserving methods, etc.) , and research on new theories and innovative technologies towards the data democratization goal.

Reinforcing the Health Data Infrastructure in Mobility and Assurance through Data Democratization

Formålet med Intelli3D var å ta frem en serie nye innovasjoner både på produkt og tjenestesiden som vil muliggjøre en automatiseringsrevolusjon for SMBer og netthandelsmarkedet. Ved å utnytte de siste forskningsresultatene innen kamerateknologi og maskinlæring, har Zivid i samarbeid med SINTEF utviklet produkter og tjenester ideelt egnet for industrier preget av mindre struktur og raske omstillinger. 
De mest sentrale FoU-utfordringene i prosjektet var innen utvikling av metodikk knyttet til bruk av maskinlæring og skybaserte tjenester for å utvikle nye enkle og robuste 3D-kameraløsninger. Utgangspunktet for prosjektet var Zivids 3D kameraer Zivid One+ og det nylig lanserte Zivid Two. Dette er et 3D-fargekameraer spesielt egnet for robotikk og automatisering, og er vel mottatt og anerkjent i markedet med en rekke industri og design priser. Intelli3D har vært et viktig prosjekt for å videreutvikle Zivids grunnteknologi og gi flere tjenester som kommer Zivids kunder til gode.  
Potensialet for anvendelsen er et marked i betydelig vekst. Robotikk vokste som marked i 2016-2017 med 31% i antall solgte roboter, hvorav 75% fortsatt går til "tradisjonelle" industrier. Det ligger derfor et betydelig markedspotensial innenfor "nye" industrier, og Intelli3D har gjordt det mulig for Zivid å ta betydelige markedsandeler innen et marked som forventes å vokse til over 400MEUR i løpet av 7 år.
I prosjektet har vi forbedret Zivid kameraenes evne til å ta gode og mer nøyaktige bilder av et bredere spekter av deler, som muliggjør mer avansert og robust griping. Det er utviklet funksjonalitet for automatisk innstilling av kamera for best mulig billedtagning, ny projeksjonsfunksjonalitet for bedre data på vanskelige deler, samt mer nøyaktig kalibreringsmetodikk både for bruk i produksjon og i felt. Resultatene har så langt blitt svært godt mottatt i markedet og har gitt Zivid mye positiv oppmerksomhet og kundeinteresse.

Formålet med Intelli3D er å ta frem en serie nye innovasjoner både på produkt og tjenestesiden som vil muliggjøre en automatiseringsrevolusjon for SMB’er og netthandelsmarkedet. Ved å utnytte de siste forskningsresultatene innen kamerateknologi og maskinlæring, vil Zivid i samarbeid med SINTEF utvikle produkter og tjenester ideelt egnet for industrier preget av mindre struktur og raske omstillinger. 

De mest sentrale FoU-utfordringene vi regner med å møte er utvikling av metodikk knyttet til bruk av maskinlæring og skybaserte tjenester til å utvikle nye 3D-kameraløsninger for komplekse problemstillinger. Utgangspunktet for prosjektet er Zivid One, et 3D fargekamera som er spesielt egnet for robotikk og automatisering. Til tross for en god mottagelse i markedet, er det er et betydelig uforløst potensiale i denne teknologien som Intelli3D vil muliggjøre. Intelli3D vil dermed kunne ta Zivid fra en spennende nykommer til en etablert og viktig markedsaktør.  

Potensialet for anvendelsen er et marked i betydelig vekst. Robotikk vokste som marked i 2016-2017 med 31% i antall solgte roboter, hvorav 75% fortsatt går til "tradisjonelle" industrier. Det ligger derfor et betydelig markedspotensial innenfor "nye" industrier, og Intelli3D vil gjøre det mulig for Zivid å ta betydelige markedsandeler innen et marked som forventes å vokse til over 400 M€ i løpet av 7 år.

Brukervennlig, smart og robust 3D kamera med skybaserte tjenester

The SoS-Agile project will organise a workshop on Software Security in DevOps and Agile Development (SecSE 2019) as part of the Cyber Security conference, and we would like to implement several measures to increase industry participation in our workshop and the other Cyber Science events:
1.	Invite a high-profile speaker;
2.	Sponsor some of our partner companies (Fara, Signicat, Visma ...) with free workshop participation;
3.	Introduce the concept of short "ignite talks" for industry experience sharing and engagement;

Since the workshop is organised as part of Cyber Science, there are no direct costs for venue etc., but Cyber Science conference fee must be paid for each participant. To strengthen the community element, we also want to invite the workshop participants to a post-workshop dinner.  We are therefore applying for extra funds.

2019 International Workshop on Secure Software Engineering in DevOps and Agile Development

IOF 2019 vil samle nasjonale og internasjonale initiativer innenfor ontologi-støttet digitalisering:
- Norsk olje og gass-industri, som er ledende innenfor bruk av ontologier innen industrielle produksjonssystemer. De sentrale aktørene er partnere i SIRIUS SFI
- Et ledende internasjonalt forskernettverk innenfor ontologi-baserte metoder, organisert gjennom International Ontology Foundry (IOF). 
- Det norske forskningsmiljøet innen semantisk teknologi, koordinert gjennom SIRIUS SFI
- Nøkkelpersoner i norsk industri engasjert i digitaliseringsprogrammer
- Internasjonale grupperinger som arbeider med ontologi-baserte tilnærminger innenfor ISO-standardisering. IOF 2019 er et sjeldent eksempel på at aktører fra hele verden, og på tvers av sektorer, kommer sammen. Arrangementet bidrar til å gjøre Norge til ledende deltager i utviklingen av digitaliserte standarder. 
Konferansen er non-profit og vil gå over 4 dager. De første to dager er industri-fokusert og blir holdt på DNV GL sitt hovedkontor på Høvik. De to første dagene vil ha bred oppslutning fra både norsk og internasjonal industri og standardiseringsarbeid. 
De to siste dagene arrangeres på Universitetet i Oslo i regi av SIRIUS SFI. Her blir det et bredt spekter av fokuserte faggrupper med høyt faglig innhold. Disse to dagene er en unik anledning for norske forskere og spesialiser i norsk IT-industri til å utvide sitt internasjonale nettverk og få direkte kjennskap til hvor forskningsfronten står.
IOF arrangerer to workshop i året ambulerende mellom USA og Europa. IOF 2019 ble, i konkurranse med andre, lagt til Norge fordi vi har et unikt samabeid mellom industri og forskningsmiljøer innenfor ontologi-støttet digitalisering.

International Industrial Ontologies Workshops 2019

Northern Lights Deep Learning (NLDL) Workshop, Tromsø 9-10 January 2019 

The workshop is non-profit and will be organized at UiT The Arctic University of Norway. Robert Jenssen, the head of the Machine Learning Group at UiT, will be the General Chair, with Michael Kampffmeyer (UiT) and Arnt-Børre Salberg (Norwegian Computing Center) as the co-chairs. Jenssen has previously been the General Chair for SCIA 2017 and NLDL 2018 which also received IKTPLUSS funding and were a large success. The group has several projects
ongoing related to ICT and funded over IKTPLUSS, and this workshop will hugely 
benefit those projects.

The workshop program will consist of presentations and poster sessions, where participants can present recent work. Participants that would like to present their work will be asked to submit a one-page abstract. Additionally, there will be a panel discussion, where issues and recent developments in the field will be discussed. 

We have invited 5 high-profile keynote speakers. This will contribute to the quality and also increase the visibility of the workshop. However, this also leads to expenses, such as plane journeys and hotels, that need to be covered. We estimate these costs to be 80 000 NOK. 

In addition to this, we will use the conference organizing company Xtenso AS, who will provide help with setting up registration (e.g. credit card payment, budgets). Overall, we estimate a total of 40 participants, which would result in an overall direct cost of 190 KNOK (see budget below). 

To cover these costs, UiT The Arctic University of Norway contributes with 22KNOK (20 hours at an hourly rate of 1100,- NOK) of Jenssen's salary. Additionally, 100 KNOK will be used that are allocated in the FRIPRO project no. 239844 to organize a workshop in 2018. Budgeting for 40 participants, this means that we estimate a deficit of 90 KNOK and we hope that with help of 90 KNOK from IKTPLUSS we will be able to roughly break-even.

Northern Lights Deep Learning Workshop 2019

The ICDE Lillehammer Learning Summit in 2019 is an international meeting place where education meets work for development of lifelong learning for the future. Lifelong Learning is highly relevant, with the new Sustainable Development Goal "Education 2030: Ensure inclusive and quality education for all and promote lifelong learning".
The future is flexible and digital, addressing widespread challenges in the areas of education. 

The conference program is organized within the following three levels of learning:
1.Macro learning: Policy and society
-Sustainable Development Goals, emphasizing inclusion, equality, empowerment and employment
-Policies for new competences needs and employment adjustment
-The digital transformation and automation of business and society
-Quality assurance in lifelong learning
-Funding and regulations

2. Meso learning: Collaboration between working life and education
-Enabling meeting places
-How to facilitate for training and continuing education
-Learning and sustainable organisations
-The relationship between needs, demands and offers

3. Micro learning: Educational approaches
-Individual strategies for acquirement of knowledge throughout (working) life
-Learning arenas- formal and informal learning in different contexts
-Flexible learning forms, self-regulated learning and learning network
-Open access learning resources, course portals and MOOCs
-Technology, including AI and VR, in learning
-Pedagogical methods and models

The conference will be organized in variety of formats. In addition to plenary sessions, more then 100 presentations from 35 countries will be held in parallel sessions by researchers and professionals in lifelong learning and ICT in education. They will exchange and share their research and knowledge with representatives from the industry, employers' organisations and trade unions.

The conference will be held in Lillehammer, February 11th - 13th 2019.

ICDE Lillehammer Lifelong Learning Summit 2019
-where education meets work to shape the future of lifelong learning.

Vi er på randen av det neste store skiftet i IKT-revolusjonen med bruk av Tingenes internett (IoT) og femte generasjon (5G) mobilkommunikasjon. Disse vil bringe med seg en stor endring i tilkoblingen av den digitale verden, og med det en stor utfordring for sikkerhet og personvern. Spesielt er det et presserende behov for kryptografiske primitiver og protokoller som er effektive nok til å brukes i de scenarier med begrenset beregning i forbindelse med IoT og mobile enheter. For å illustrere at dette haster, nevner vi den nylige oppfordringen til innsending av lette kryptografiske forslag for autentisert kryptering og hashfunksjoner som er utsendt av NIST.

CryptNet-prosjektet utvikler, analyserer og evaluerer de lette kryptografiske mekanismene som er nødvendige for å sikre den neste generasjonen av infrastruktur for kommunikasjon mot digitale sårbarheter. Prosjektet tar opp fire grunnleggende sikkerhetsutfordringer. Utfordring 1 er å designe algoritmer for datakryptering og autentisering som er mye mer effektive enn de standardene som brukes i dag. Videre må disse algoritmene kombineres for å danne meget effektiv autentisering og nøkkeladministrasjonsprotokoller. Utfordring 2 er å finne ut hvordan du etablerer tillit til miljøer der enheter kan mangle en permanent forbindelse til Internett, og kan være plassert på steder som ikke kontrolleres av noen vi stoler på. Utfordring 3 er hvordan man kan opprettholde sikkerhet for enheter som kan distribueres på langt sikt på eksterne steder uten fysisk tilgang og i møte med nye databehandlingskapasiteter. Til slutt er utfordring 4 hvordan man kan oppnå personvern for enheter som trenger å autentisere via usikre noder.

Prosjektet utvikler og anvender ny kryptografisk kunnskap. Prosjektets resultater så langt har gjort  betydelige fremskritt i alle disse fire utfordringene. En ny hash-funksjon og relatert krypteringsskjema ble sendt til NIST Lightweight Cryptography-standardiseringsprosessen; en ny sikkerhetsprotokoll for 5G-sikkerhet har blitt publisert; forbedrede nøkkelutvekslingsprotokoller egnet for å etablere nøkler for IoT-enheter på et høyt sikkerhetsnivå ble utviklet; forståelse av hvordan man kan designe forbedrede symmetriske lette primitiver har blitt betydelig forbedret; nye effektive nøkkelutvekslingsprotokoller egnet for begrensede scenarier er designet og formelt analysert; et lovende nytt beregningsproblem har blitt oppdaget som fører til en ny klasse av effektive offentlige nøkkelalgoritmer som bruker "entropoids"; en modulær metode for å designe nøkkelutvekslingsprotokoller som er sikre mot kvantedatamaskiner har blitt designet; en dynamisk nøkkelhåndteringsprotokoll velegnet for lette klienter har blitt designet og analysert.

Two major advances in networking infrastructure are the emergence of the Internet of Things (IoT) and the development of the fifth generation of mobile networks (5G). These advances are intimately connected, as 5G will play a major role in the mobile IoT, connecting mobile devices at unprecedented rates and scale. Due to the use of IoT for applications transmitting personal data and for control of critical physical infrastructure, security is a critical factor in these new networks. Security in IoT and 5G must be integrated so that devices in the mobile IoT can move seamlessly between use of a variety of networking technologies. Moreover, security solutions must be lightweight so that they can be run on devices with the smallest amount of computing power. Altogether this presents a major security challenge.

This project will develop lightweight cryptographic primitives and protocols suitable for practical use in protecting the mobile IoT against the most significant threats. The cryptography team at the Norwegian University of Science and Technology will build upon a wealth of existing knowledge and experience to design new protocols for authentication and key management, together with cryptographic primitives for cryptographic processing of data. Innovations including new incremental cryptography primitives,  blockchain-based key management and private identification protocols, will play an important role in this research. Collaboration with European colleagues will ensure that the research maintains broad applicability. We will apply modern analysis methods to obtain theoretical assurance through computational proofs and ensure real-world significance through practical experimentation.

Lightweight Cryptography for Future Smart Networks

Subsea DigiGRID er en nøkkelkomponent for å digitalisere ett prosesskontrollsystem for prosessutstyr plassert på havbunnen. Typiske prosesskomponenter som finnes på havbunnen er vannrenseanlegg, separasjonssystem, pumper, kompressorer og høyspent distribusjon til enheter på havbunnen. Alle disse komponentene krever et effektivt kontroll- og tilstandsovervåkningssystem. Subsea DigiGRID er "state of the art" løsningen på dette. Løsningen lener seg tungt på Siemens sine erfaringer og produkter brukt i industriell automasjonssammenheng over mange år. Kunnskap fra tidligere leveranser av prosessutstyr montert på havbunnen og ett pågående samarbeid mellom Siemens og flere operatører om Subsea Power Grid er også brukt som grunnlag for Subsea DigiGRID. 

Subsea DigiGRID er ett åpent system, basert på åpne standarder som gjør det mulig for andre å koble til sitt utstyr. Alle grensesnitt som er valgt er basert på åpne standarder både når det gjelder elektriske nivåer og kommunikasjonsstandarder. Valgte standarder er hentet fra internasjonale standarder i industriell automasjon og subsea prosess automasjon. Ved å bruke åpne standarder og plassere grensesnittene på havets bunn og en prosessingsenhet over havoverflaten, enten på en plattform eller på land så har vi ett prosesskontroll system med en åpen arkitektur og muligheter for flere å koble seg til og bruke.

Bruk av åpne standarder gir gode digitaliseringsmuligheter på kontrollsystem for prosessering hvor store deler av utstyret er plassert på havbunnen. Prosesskontrolldelen krever vanligvis ikke store datamengder, men det kreves meget god respons (sanntidsegenskaper). For digitalisering kreves det store datamengder fra mange kilder med god oppløsning i tidsplanet. Data brukt for digitalisering krever at alle datakilder opererer med en synkronisert klokke og tidsstempler data i henhold til denne klokken. Digitaliseringsdata kan i denne konteksten brukes til etablering av digitale tvillinger for utstyret på havbunnen. Disse digitale tvillingene kan igjen benyttes til å oppnå gunstigere drift og vedlikehold av utstyret plassert på havbunnen. For å sikre optimal tilkobling for prosessdata og digitaliseringsdata benyttes flere forskjellige åpne kommunikasjonsprotokoller mellom grensesnittene plassert på havets bunn og prosess- og digitaliseringsdelen plassert over vannflaten.

Gjennom prosjektet har Siemens DigiGRID gjennomgått omfattende analyser og testing in henhold til API 17F og TR1233. Systemet har oppnådd kvalifiseringsstatus TRL 4 i henhold til API 17Q og er klart for en første bruker.

Next Generation Subsea Control System - Subsea DigiGRID Demonstrator

Vi ser på datadrevet kunstig intelligens hvor data er organisert i lange sekvenser. Data fra anvendelser er ofte sekvensielle, for eksempel tekst, tale, musikk, tidsserier, DNA-sekvenser og hendelsesforløp.  Konvensjonelle datavitenskapsmetoder kan imidlertid kun behandle korte sekvenser med opptil noen få tusen trinn. I dette prosjektet utvikler vi en skalerbar metode som muliggjør effektiv og nøyaktig behandling av svært lange sekvenser. Slike sekvenser har opp til millioner eller til og med milliarder trinn. Ved prosjektets slutt vil vi levere teoretiske gjennombrudd i form av nye modeller med garantier, samt praktiske resultater som dataprogramvare og visualiseringsverktøy. Våre forskningsresultater vil bli demonstrert på to fokusområder: 1) mikrobiologi og infeksjonssykdomsepidemiologi og 2) mønstergjenkjenning for fjernåling.  Dessuten, fordi lange sekvensielle data er ofte tilgjengelige på mange fagområder, kan vår metode brukes som en kritisk komponent i et bredt spekter av oppgaver, inkludert vitenskapelig forskning, medisin og helsevesen, analyse av naturlig språk, finansiell dataanalyse, markedsundersøkelser, mv.

Se engelsk versjon for fremdrift i 01.12.2022 - 17.9.2023.

In the past decade Machine Learning (ML), especially deep learning, has brought us many successful data-driven AI applications. Many real-world data are intrinsically sequential, for example, text, speech, music, time series, DNA sequences and unfolding of events. However, conventional deep learning methods can process only short sequences up to a few thousand steps. The existing approaches often face challenges like slow inference, vanishing (and exploding) gradients and difficulties in capturing long-term dependencies. In this project we develop a scalable machine learning method which enables efficient and accurate inference for very long sequences up to millions or even billions of steps. At the end of the project, we will deliver a versatile ML framework based on deep neural networks, as well as its efficient optimization algorithms, computer software, and visualization tools. Our research findings will be applied to two focus areas: 1) microbiology and infectious disease epidemiology and 2) remote sensing pattern recognition. Moreover, because long sequential data are commonly available in many areas, our method can be applied as a critical component in a wide range of tasks including scientific research, next-generation DNA sequence analysis, natural language processing, financial data analysis, market studies, etc.

ShuttleNet: Scalable Neural Models for Long Sequential Data

Store mengder helsedata er lagret i forskjellige helseregistre i Norge og det finnes strategiske initiativer for deling av disse data med helseforskere og mellom forskjellige registre i Norge. Dette skaper utmerkede muligheter for helseforskning i verdensklasse fordi det finnes veldig få land i verden som har en infrastruktur av slik høy kvalitet. Samtidig utgjør dette en høy risiko for brudd på personvern i tilfelle av utilstrekkelig sikkerhet.

Publiserte hendelser av uautorisert tilgang til helsedata peker på at det finnes en stor utfordring for digital tillit.  Lagring og deling av sensitive data fra pasienter må være i samsvar med lover og regler, mens samtidig må disse data være tilgjengelige for leger og helsepersonel. Brudd på EUs GDPR og andre nye myndigheters lover kan føre til alvorlige juridiske eller finansielle konsekvenser for eierene av helseregistre.

Vår tilnærmelsesmåte har vært å fremme løsninger for helseregistre gjennom bruk av smarte kontrakter og blokkjeder. SmartMed var foreslått i samarbeid med det norske Kreftregistret som tilrettelegger validering av forskningsresultatene våre. I dag har Kreftregistret helseinformasjon for over 1.4 million kreftpasienter. Trygg oppbevaring og sikker bruk av data i helseforskning spiller en sentral rolle. Prosjektet har siktet på å gi brukerne bedre innsyn og kontroll over personvern, noe som igjen kommer til å styrke tilliten til bruk av kreftregistrets data for livsviktig forskning på forebyggende medisin.

SmartMed har undersøkt fordelene og utfordringene ved å anvende blokkjedeteknologi og smarte kontrakter innen helsedatalagring gjennom en rekke komparative studier og analyser. Resultatene er publisert i ledende tidsskrifter med høy impact factor. Vi har utviklet teknikker for å håndtere spesifikke personvern- og sikkerhetsrisikoer gjennom bruk av blockchain-teknologien. I denne sammenheng har vi utviklet et system for blockchain-assistert samtykkebehandling i samsvar med databeskyttelsesregler og -forskrifter, som GDPR og HIPAA. Den etablerte prototypen er i bruk ved Kreftregisteret. I tillegg har vi undersøkt programvaredesign ved blokkjedebaserte løsninger og sett på teknikker for identitetshåndtering som har innvirkning på helsevesenet.

Increasing amounts of health data are recorded in health registries, with the strategic initiatives of data sharing and fusion across different registries in Norway. This forms an excellent opportunity for world-class medical research as few countries have such a high-quality infrastructure. However, it also constitutes a very high privacy risk should a security breach occur.

Publicized incidents of leaked medical records pose a major challenge for the digital trust in eHealth where storing, accessing and exchanging sensitive patient-related data must comply with several regulations, while remaining accessible to authorized health practitioners. Governmental legislations regarding data privacy, such as the EU's GDPR, present an additional source of concern for healthcare registries which are now faced with severe legal and financial consequences in case data confidentiality is breached.

Our principal approach is to facilitate solutions for health registries by using Smart Contracts and the emerging Blockchain Paradigm. From the data safety, authenticity, and nonrepudiation standpoint, blockchain is a perfect fit for sharing medical records since it provides an easily accessible, immutable, and transparent history of all contract-related data, adequate for building applications with trust and accountability. Use of smart contracts brings a number of additional advantages for sharing medical data by healthcare registries: consent management, fine-grain privacy control, transparency, and reduced bureaucracy and expenses.

SmartMed is proposed in cooperation with the Cancer Registry of Norway (CRN), which will validate technological advances. CRN presently contains health information on over 1,4 million cancer patients. Managing and using the data for medical research in a secure way as to minimize any privacy concerns is paramount. Improving privacy control and transparency will bolster public's trust in the use of CRN data for vital research on preventive medicine.

IS-RWE-Musikksamarbeid Norge-Tyskland

Dingstad, Elisabeth, rwe dea 2007

Tildelt: kr 39 999

Budsjettformål:

IS-RWE-Musikksamarbeid Norge-Tyskland

Finansieringskilder

Temaer og emner