Robots worden steeds slimmer door extra sensoren toe te voegen, maar ironisch genoeg maakt dat ze vaak zwaarder, duurder en minder veilig. In mijn masterproef onderzocht ik hoe we robots juist veiliger kunnen maken door minder hardware en meer slimme software te gebruiken. Samen met technologiebedrijf AILOS testte ik een innovatieve, lichtgewicht tandwielkast die toelaat dat een robotarm "voelt wat er gebeurt" – zonder dat er koppelsensoren nodig zijn. Met een nieuw controlealgoritme kan de robot zo zelf inschatten wanneer hij iets/iemand raakt en zijn beweging onmiddellijk afremmen. Tests toonden aan dat de impactkrachten tot wel 40% lager liggen vergeleken met klassieke besturing. Het resultaat? Robots die niet alleen veiliger, maar ook goedkoper, energiezuiniger en duurzamer zijn – klaar om veilig naast de mens te werken, in de fabriek én in huis.

Deze masterproef ontwikkelt en onderzoekt een nieuw audioverwerkingsalgoritme voor cochleaire implantaten, met als doel de geluidswaarneming dichter bij het normaal gehoor te brengen. Hiervoor werd een gesloten-lusarchitectuur ontworpen waarin een model van een normaalhorend systeem wordt vergeleken met een slechthorend systeem met implantaat. Via deep learning wordt het verschil tussen beide systemen geminimaliseerd, zodat het implantaatmodel geoptimaliseerd kan worden.

Met de groeiende adoptie van cloud computing rijzen vragen over de veiligheid van data en de betrouwbaarheid van cloudproviders. Blind vertrouwen is daarbij riskant, vooral voor gevoelige informatie. Deze scriptie onderzoekt de SVSM-vTPM, een technologie voor onafhankelijke attestatie, en test de toepasbaarheid in publieke clouds zoals AWS, Azure en Google Cloud. Het onderzoek laat zien dat directe inzet nog niet mogelijk is, brengt de beperkingen en fouten van bestaande provideroplossingen in kaart, en ontwikkelt een praktische aanpak voor reproduceerbare attestatie op Azure, zodat organisaties hun data beter kunnen controleren en beschermen.

Image, Archive, and Erasure: Visual Strategies of Italian Identity from Fascism to the Present.
This thesis investigates how photographic and archival practices have shaped the construction of Italian national identity from unification to the present, exposing the continuities between colonial, fascist, and post-fascist visual regimes. Through the case study of Leone Jacovacci — an Italian-Congolese boxer whose 1928 victory was erased from public record — the research examines how archives function as instruments of power that define visibility and belonging. Drawing on the theoretical frameworks of Achille Mbembe, Ariella Azoulay, and Saidiya Hartman, it argues that absence within the archive is never neutral but a form of epistemic violence that structures collective memory.

By tracing the evolution of Italian image culture — from Lombroso’s pseudo-scientific photography to Mussolini’s propagandistic iconography and contemporary media — the study reveals how the aesthetic foundations of whiteness and exclusion persist beneath post-war and neoliberal narratives of modernity. Engaging both institutional and personal archives, the project proposes an alternative methodology grounded in solidarity and speculation: one that re-reads the archive not as a closed repository, but as a site of struggle and potential reactivation. Ultimately, it calls for a re-imagining of visual history as an ethical and political practice, where to look is also to take responsibility for what has been made invisible.

Diepgaand leren heeft het visueel waarnemingsvermogen bij autonoom rijden aanzienlijk verbeterd, maar conventionele camera's blijven beperkt door bewegingsonscherpte, een beperkt dynamisch bereik en hoge latentie. Gebeurteniscamera's, geïnspireerd door biologische visie, overwinnen deze beperkingen door asynchroon veranderingen in pixelhelderheid te detecteren. Dit mechanisme levert datastromen die schaars, temporeel nauwkeurig en zeer efficiënt zijn voor embedded toepassingen. De inherente schaarste en het gebrek aan intensiteitsinformatie in gebeurtenisgegevens bemoeilijken echter het extraheren van onderscheidende kenmerken en vormen uitdagingen voor de training van neurale netwerken. Daarnaast lijden gangbare datasets zoals CIFAR10-DVS aan een niet-uniforme verdeling van gebeurtenissen door het gebruik van lineaire of polygonaal gevormde bewegingstrajecten tijdens de opname, wat leidt tot periodieke artefacten.
Om deze beperkingen te overwinnen, evalueert dit proefschrift systematisch gebeurtenisrepresentaties—waaronder gestapelde afbeeldingen, voxelrasters en tijdoppervlakken—met standaard CNNs om optimale architecturen voor embedded implementatie te identificeren. Door gebruik te maken van transfer learning met vooraf getrainde ImageNet-modellen wordt de nauwkeurigheid onder beperkte dataomstandigheden aanzienlijk verbeterd. Experimentele resultaten tonen aan dat volledige fine-tuning van het hele netwerk noodzakelijk is om zich aan te passen aan de unieke eigenschappen van gebeurtenisgebaseerde gegevens. Het voorgestelde model integreert dropout, L2-regularisatie en een meerfasig leersnelheidsschema om de trainingsstabiliteit en generalisatie te bevorderen. Met deze co-designbenadering behaalt EfficientNetB0 een nauwkeurigheid van 81,05% op CIFAR10-DVS bij verwerking van gebeurtenissen binnen één temporeel venster.
Voor implementatie identificeert inspectie met het Xilinx Vitis Al-platform TensorFlow's MobileNetV2 als de optimale keuze dankzij volledige compatibiliteit met DPU-hardwareversnellers. Hoewel post-training pruning op basis van globale kanaalrangschikking is onderzocht, is de effectiviteit beperkt door het inherent gebrek aan redundantie in het model. Daarentegen compenseert quantization-aware training (QAT) succesvol het nauwkeurigheidsverlies tijdens INT8-kwantisatie, waarmee real-time prestaties (2,8 ms/frame) bij een ultralaag energieverbruik (1,77 mW) worden bereikt op het KV260 embedded platform.
Gemotiveerd door de beperkingen van bestaande datasets wordt een nieuw acquisitieplatform voorgesteld, waarbij gebruik wordt gemaakt van een Dobot-robotarm voor continue cirkelvormige beweging geïnspireerd op biologische oogbewegingen. Deze methode genereert uniforme gebeurtenisverdelingen en elimineert periodieke artefacten die aanwezig waren in eerdere datasets, wat robuustere training en evaluatie van neurale netwerken op gebeurtenisgegevens ondersteunt.

Mijn masterproef onderzoekt of gendergelijkheid kan fungeren als buffer tegen de negatieve economische gevolgen van vergrijzing. Uit een analyse van data van 85 landen (2006-2024) blijkt dat gendergelijkheid de impact van vergrijzing kan verzachten, maar dat het effect sterk afhankelijk is van de context.

Verbetering opvolging en therapie bij patiënten met hartfalen, onder andere door gebruik van urinaire zoutmetingen.
Dit werd zowel getest bij patiënten opgenomen in het ziekenhuis met hartfalen en thuis. Gebruik van een urinair geleid zoutschema in het ziekenhuis laat het toe om sneller de juiste dosis plasmedicatie voor de juiste patiënt te vinden; waardoor patiënten sneller klachtenvrij het ziekenhuis kunnen verlaten.
Daarnaast is er tevens een rol voor patiënten thuis. Een eenmalige meting laat een betere inschatting van de prognose bepaling van de patiënt toe. Daarnaast kan het helpen om de plaspil thuis beter te doseren en daarmee ook onnodige ongemakken te voorkomen. De patiënt staat hierbij centraal waarbij hij mee controle krijgt over zijn ziekte.

Deze thesis onderzoekt de groeiende spanning tussen de ambitieuze duurzaamheidsagenda van de EU en het afnemende concurrentievermogen van haar kernindustrieën. De centrale vaststelling is dat niet de duurzaamheidsdoelen zelf, maar de diepgewortelde beleidsonzekerheid—veroorzaakt door inconsistente regels, hoge energiekosten en een gebrek aan een gelijk speelveld—de voornaamste rem op investeringen en concurrentiekracht is. Aan de hand van diepte-interviews met sleutelfiguren uit de industrie (ArcelorMittal), de politiek en de academische wereld, analyseert het onderzoek de concrete impact op strategische sectoren zoals staal, energie en kritieke grondstoffen. De conclusie is dat een succesvolle industriële heropleving enkel mogelijk is als de EU een proactief en voorspelbaar beleid voert dat een eerlijk speelveld garandeert, waardoor haar duurzaamheidsagenda een motor voor innovatie wordt in plaats van een bron van onzekerheid.

Onze scriptie vertrekt uit een bezoek aan Lisjak tijdens onze uitwisseling aan de universiteit van Koper (Slovenië), waar de vraag rees hoe reststromen als olijfpomace en -bladeren circulair te valoriseren.
IC rapport ultimate final count…
Onder begeleiding van olijfoliesommelier Wim Renneboog werkten we via designsprints een oplossing uit die olijfpomace ter plaatse omzet in hoogwaardige maatwerkcompost, afgestemd op blad- en bodemanalyse. Het model draait niet alleen in het oogstseizoen: buiten die periode verwerken we andere organische reststromen met lokale partners, zodat productie en impact jaarrond blijven. Zo koppelt de aanpak bodemherstel en weerbaardere olijfbomen aan een sluitende businesscase voor telers en perserijen.

This thesis evaluates the credibility of a multi-constituent microstructurally-informed finite element model of arterial tissue. Understanding the link between arterial microstructure and mechanical function is essential for defining cardiovascular diseases like atherosclerosis and aneurysms. Representative volume element (RVE) models are increasingly used to explore this link by efficiently connecting microstructure to mechanics. However, many existing RVEs lack experimental calibration using tissue with selectively modified constituents, systematic validation across loading conditions, and biofidelic microstructural networks. Furthermore, there is limited understanding of how uncertainties in input parameters affect model predictions. Therefore, this study aims to assess and improve the credibility of an RVE model by addressing these gaps through detailed characterisation. The model is evaluated against experimental data from both native and enzymatically-treated tissue, and parameter sensitivity analyses are conducted.

To achieve this, uniaxial tensile tests were performed on native porcine aortic samples. Crucially, to isolate the mechanical roles of key constituents, samples were treated with the enzymes collagenase or elastase to deplete collagen or elastin, respectively. The resulting data calibrated and validated the RVE model, focusing on the collagen and elastin networks and the model’s anisotropic predictive capacity. Subsequently, a surrogate model based on an artificial neural network emulated the RVE’s mechanical response, enabling efficient Sobol' sensitivity analysis of six key microstructural, mechanical, and model parameters.

Enzymatic depletion confirmed distinct constituent roles: collagen-deficient tissue exhibited a linearised response with slight stiffening at high strains, whereas elastase-digested samples demonstrated increased compliance but lost structural integrity. RVE model validation emphasised the importance of accurately representing the anisotropic architecture. Furthermore, the sensitivity analysis revealed that uncertainties in six key input parameters substantially influence RVE output variance, with elastin properties predominantly governing low-strain behaviour and collagen-related parameters dictating high-strain responses.

The calibrated and validated microstructurally-informed RVE model can reliably predict aortic mechanics if tissue anisotropy is adequately accounted for. The sensitivity analysis provided crucial insights into which parameters most significantly impact model output variance. This will guide future efforts in model refinement and highlight parameters that require precise experimental characterisation to reduce predictive uncertainty. Furthermore, it will strengthen the RVE's potential as a credible tool in arterial biomechanics research by establishing a more robust, uncertainty-aware modelling framework.