Tensorbasierte Signalverarbeitung
TU Ilmenau-Forscherin für weltweit beste Doktorarbeit ausgezeichnet

Ilmenau, 02.09.2026 (PresseBox) - Dr. Liana Khamidullina, PostDoc an der Technischen Universität Ilmenau, ist mit dem Best Ph.D. Award der European Association for Signal Processing (EURASIP) ausgezeichnet worden. In ihrer prämierten Doktorarbeit entwickelte sie neue Verfahren zur Verarbeitung und Analyse mehrdimensionaler Signaldaten für interdisziplinäre Anwendungen, unter anderem in der drahtlosen Kommunikation, der Radartechnik und der Biomedizin. Die Auszeichnung wurde ihr heute (1. September 2026) im Rahmen der Eröffnungs- und Preisverleihungszeremonie der internationalen Konferenz EUSIPCO 2026 in Brügge, Belgien, überreicht.

Die 2023 abgeschlossene Arbeit mit dem Titel „Tensor Decompositions and Algorithms for Efficient Multidimensional Signal Processing“ entstand am Fachgebiet Nachrichtentechnik der TU Ilmenau unter der Leitung von Prof. Martin Haardt. Im Mittelpunkt stehen so genannte tensorbasierte Signalverarbeitungsverfahren. Sie ermöglichen es, die besondere Struktur komplexer Daten zu berücksichtigen, die gleichzeitig Informationen aus mehreren Dimensionen enthalten – beispielsweise aus Raum, Zeit und Frequenz.

Komplexe Daten besser verstehen

Viele moderne Mess- und Kommunikationssysteme erzeugen Daten nicht nur in einer oder zwei Dimensionen. Bei einer medizinischen Messung können beispielsweise gleichzeitig Informationen von vielen Sensoren, zu unterschiedlichen Zeitpunkten und bei verschiedenen Frequenzen anfallen. Solche Daten lassen sich als mehrdimensionale Strukturen beschreiben.

Hier setzt die Dissertation von Liana Khamidullina an. In ihrer an der TU Ilmenau verfassten Doktorarbeit entwickelt und analysiert sie Verfahren, die solche mehrdimensionalen Daten mithilfe sogenannter Tensoren verarbeiten.

Diese Darstellung besitzt einen entscheidenden Vorteil: Die charakteristische Struktur mehrdimensionaler Daten bleibt bei der Verarbeitung erhalten. Dadurch können Informationen präziser geschätzt, unterschiedliche Signalquellen besser voneinander getrennt und komplexe Datenmodelle eindeutiger identifiziert werden – ein Vorteil, der sich für viele interdisziplinäre Anwendungen nutzen lässt, etwa bei der Gesichtserkennung, Bildkomprimierung und Rauschunterdrückung hyperspektraler Bilder sowie im Data Mining, der Analyse sozialer Netzwerke, im maschinellen Lernen, der Mustererkennung, Array-Signalverarbeitung, drahtlosen Kommunikation und biomedizinischen Signalverarbeitung.

Wie vielseitig solche Verfahren eingesetzt werden können, zeigt Liana Khamidullina in ihrer Dissertation anhand von drei Anwendungen.

Neuartige Tensorzerlegungen erweitern etablierte mathematische Verfahren

„Besonders beeindruckend ist ihre Herleitung der Multilinear Generalized Singular Value Decomposition (ML-GSVD) als einer neuen Tensorzerlegung, die die bekannte Generalized Singular Value Decomposition (verallgemeinerte Singulärwertzerlegung - GSVD) – ein wichtiges mathematisches Werkzeug der Signalverarbeitung – von zwei auf mehr als zwei Matrizen erweitert“, so Prof. Martin Haardt. „Vereinfacht gesagt helfen sie dabei, komplexe Daten in charakteristische Bestandteile zu zerlegen und die darin enthaltenen Strukturen herauszuarbeiten. Im Gegensatz zu anderen Erweiterungen der GSVD, die schon aus der Literatur bekannt sind, bewahrt die ML-GSVD die wesentlichen Eigenschaften der GSVD wie die Orthogonalität der Faktormatrizen im ersten Mode.“

Ihre praktische Bedeutung zeigt die Wissenschaftlerin unter anderem anhand von drei unterschiedlichen Anwendungen der ML-GSVD in drahtlosen MIMO-Kommunikationssystemen. MIMO steht für „Multiple Input, Multiple Output“ und bezeichnet Kommunikationssysteme, bei denen mehrere Sende- und Empfangsantennen gleichzeitig eingesetzt werden. Statt nur einen Signalweg zu betrachten, können dadurch mehrere Signale gleichzeitig verarbeitet werden. Die tensorbasierte Auswertung ermöglicht es, die in den verschiedenen Signalwegen enthaltene Struktur gezielt zu nutzen.

Präzise Lokalisierung mit mehreren Radarantennen

Für die Verarbeitung von Radardaten entwickelte Liana Khamidullina ebenfalls neue robuste Verfahren zur so genannten Block-Term-Decomposition (BTD) und erweiterte diese zu einer gekoppelten BTD, mit der mehrere miteinander verbundene Datensätze gemeinsam ausgewertet werden können.

„Besonders hervorzuheben ist der von Frau Dr. Khamidullina entwickelte COBRAS-Algorithmus, kurz für coupled block-term decomposition for multi-static radar systems“, so Prof. Haardt. Er ermöglicht die hochauflösende dreidimensionale Lokalisierung von Zielen in multistatischen MIMO-Radarsystemen. Mehrere Empfangsarrays erfassen dabei dieselben ausgesendeten Signale an unterschiedlichen Orten. COBRAS nutzt diese gemeinsam gewonnenen Informationen und berücksichtigt ein exaktes Wellenfrontmodell für den Nahbereich. Dadurch können neben der Richtung auch Entfernungen präzise bestimmt werden. Der Ansatz ist auf beliebige Array-Geometrien anwendbar.

EEG- und MEG-Daten gemeinsam auswerten

Schließlich untersuchte Liana Khamidullina in Zusammenarbeit mit dem Universitätsklinikum Jena EEG- und MEG-Daten. Während ein EEG die elektrische Aktivität des Gehirns über Elektroden auf der Kopfhaut misst, erfasst ein MEG die dabei entstehenden Magnetfelder. Beide Verfahren liefern unterschiedliche, sich ergänzende Informationen.

Für die Untersuchung wurden bei acht gesunden Freiwilligen elektrische Reize am Medianusnerv ausgelöst, der vom Oberarm bis in die Hand verläuft und unter anderem an Beuge- und Greifbewegungen beteiligt ist. Die dadurch hervorgerufenen Hirnreaktionen wurden mit EEG und MEG aufgezeichnet.

Mit ihren entwickelten Verfahren gelang es Khamidullina, die Daten aus vier Messsystemen gemeinsam auszuwerten und daraus zeitliche, spektrale und räumliche Signaturen der Hirnaktivität zu extrahieren. Damit schafft ihre Arbeit eine Grundlage für neue Einblicke in die Funktionsweise des Gehirns.

Prof. Martin Haardt resümiert: „Die Ergebnisse der Dissertation liefern bedeutende Beiträge zur Mehrantennensignalverarbeitung und zur Entwicklung effizienter multidimensionaler Algorithmen für die Verarbeitung mehrkanaliger Daten. Durch ihr breites interdisziplinäres Anwendungsspektrum eröffnen sie zudem neue Forschungsrichtungen.“

Internationales Auswahlverfahren

Der Best Ph.D. Award wird von der European Association for Signal Processing (EURASIP) vergeben. Jährlich wählen von EURASIP beauftragte Expertinnen und Experten bis zu drei herausragende Dissertationen aus unterschiedlichen Bereichen der Signalverarbeitung aus. Für die diesjährige Auswahl wurden Dissertationen aus den Abschlussjahrgängen 2021 bis 2023 betrachtet.

In die Bewertung fließen unter anderem die wissenschaftliche Bedeutung der Dissertation, daraus hervorgegangene Veröffentlichungen in internationalen Fachzeitschriften und auf Konferenzen, die Zahl der Zitationen sowie Bewertungen internationaler unabhängiger Gutachterinnen und Gutachter ein. Auch die Downloadzahlen der Dissertationen aus der EURASIP-Datenbank werden berücksichtigt.

Anhand dieser Kriterien wurden in diesem Jahr außer Dr. Liana Khamidullina auch Dr. Ricardo Augusto Borsoi von der Université Côte d'Azur, Frankreich, und der Federal University of Santa Catarina, Brasilien, sowie Dr. Samuel Rey Escudero, von der Universidad Rey Juan Carlos, Madrid, Spanien, als Preisträger ausgewählt.

Dr. Liana Khamidullina arbeitet derzeit als PostDoc am Fachgebiet Nachrichtentechnik. Dort setzt sie ihre wegweisenden Forschungsarbeiten auf dem Gebiet der tensorbasierten Signalverarbeitung fort.