Heutzutage werden immer mehr private und öffentliche Informationen erfasst. Viele dieser Informationen können für medizinische Empfehlungen genutzt werden. Asthmatische Symptome z. B. hängen von vielen Umwelteinflüssen und persönlichen Faktoren ab. Räumlich-zeitliche Sensornetzwerke sind ein geeignetes Mittel zur Erfassung, Verarbeitung und Bereitstellung von räumlichen Umweltinformationen und persönlichen Daten. Unterschiedliche Sensoren aus verschiedenen Messkonzepten liefern heterogene Daten, was die Herausforderung der Datenintegration mit sich bringt. Dies kann durch Standardisierungsprozesse adressiert werden, welche Standards des Open Geospatial Consortiums (OGC) verwenden. Die Forschung fokussiert hierbei die Integration und Verknüpfung der heterogenen Sensordaten sowie die Datenanalyse. Als Ergebnis werden Teile eines prototypischen Systems vorgestellt, welches die Sensordaten sammelt, in standardisierter Form bereitstellt und über einen nutzerbezogenen Datensatz personalisierte Muster und Regeln ermittelt. Diese Regeln können dann über aktuelle Informationen persönliche Empfehlungen hinsichtlich drohender Asthmaattacken o. Ä. geben. Damit zeigt dieser Anwendungsfall das Potenzial von personalisierten Empfehlungen auf Basis unterschiedlicher Sensorinformationen.
Schlüsselwörter:Sensornetzwerke, Sensorintegration, Data Fusion, Data Mining, Human Sensors, Location-based Services, e-Health, Umweltinformationen