Vital- und Sensordatenverarbeitung
Die fortschreitende digitale Transformation führt derzeit zu großen Veränderungen in vielen Gesellschaftsbereichen. Im Gesundheitswesen macht sie sich beispielsweise bemerkbar durch den vermehrten Einsatz von Telemedizin und E-Health und im Zuge dessen durch eine stark ansteigende Verbreitung mobiler Systeme / wearables zur Erfassung und Weiterverarbeitung von Vitaldaten. Die in Echtzeit verfügbaren Gesundheitsdaten sowie die Möglichkeit der Auswertung von Trenddaten ermöglichen eine Vielzahl von Anwendungen von permanentem Patientenmonitoring über Unfallprognosen bis zu erweitertem Fitness-Tracking. Herausforderungen für die Entwicklung solcher mobilen Systeme ergeben sich vor allem aus zwei Aspekten: Zum einen ergeben sich Einschränkungen der Verwendbarkeit der Sensordaten aufgrund mangelnder Robustheit des Signals unter Bewegung / körperlicher Aktivität. Zum anderen stehen bei vielen mobilen Systemen nur eingeschränkte Ressourcen zur Verfügung, die zur Korrektur und Weiterverarbeitung der Daten genutzt werden können. Zur Reduktion der Artefakte wie auch zur Weiterverarbeitung der Vitaldaten kommen in den letzten Jahren, neben klassischen Signalverarbeitungstechniken, vermehrt auch Methoden aus dem Bereich des maschinellen Lernens zum Einsatz.
Kontakt
Ausgewählte Projekte
Deep PPG
Ansprechpartner: Prof. Dr. Andreas Breidenassel
Laufzeit: 2021-2023 (3 Jahre)
Förderung: Struktur Impuls
Partner: OSRAM Opto Semiconductors GmbH, Regensburg
Assoziierter Partner: Prof. Dr. O. Amft (FAU Erlangen)
Wissenschaftlicher Mitarbeiter: Maximilian Reiser
Herz-Kreislauf-Erkrankungen sind die häufigste Todesursache in Deutschland. Medizinische Wearables, die in Echtzeit vitale Parameter wie Blutdruck, Herzfrequenz und Sauerstoffgehalt im Blut messen, könnten helfen, diese Krankheiten frühzeitig zu erkennen und präventiv zu behandeln. Im Alltag oder beim Sport erfreuen sich die kleinen, tragbaren Minicomputer in Form von Fitnessarmbändern oder Smartwatches schon großer Beliebtheit. Auch in der Medizin werden sie mittlerweile immer häufiger eingesetzt. Das Problem ist hier allerdings, dass die mobilen Systeme nicht immer frei von Fehlern sind. So werden in den meisten Wearables Vitalparameter mithilfe des sogenannten PPG-Verfahrens (Photoplethysmographie) gemessen. Dabei kann es zu Signalstörungen kommen, wenn beispielsweise die Sensoren bei Bewegungen verrutschen. Die Medizin ist jedoch auf zuverlässige Messungen angewiesen. Genau hier setzt das neue Forschungsprojekt „Deep-PPG“ an der Hochschule Landshut unter Leitung von Prof. Dr. Andreas Breidenassel, an. Sein Ziel ist es, die Störanfälligkeit des PPG-Signals zu reduzieren und damit exaktere Messungen von Wearables in medizinischen Anwendungen zu ermöglichen. Am Projekt beteiligt ist das Unternehmen OSRAM Opto Semiconductors. Das Vorhaben wird gefördert durch das Bayerische Staatsministerium für Wissenschaft und Kunst (mehr).
M. Reiser, A. Breidenassel, O. Amft, Simulation framework for reflective PPG signal analysis depending on sensor placement and wavelength, 2022 IEEE 18th International Conference on Wearable and Implantable Body Sensor Networks (Link)
Edge AI
Klassifizierung von EKG-Daten mittels Deep Learning auf einem Nvidia Jetson Nano System
Projektarbeit im Master Elektroechnik: Leo Hurzlmeier, Christiane Huber
Die häufigste Todesursache weltweit stellen Erkrankungen des Herz-Kreislauf-Systems (HKS) dar. Darunter fallen unter anderem Herzrhythmusstörungen (Arrhythmien), welche mithilfe des EKGs diagnostiziert werden können. Um für die passende Form der Arrhythmie auch die passende Behandlung zu wählen, ist eine exakte Diagnose notwendig. Diese erweist sich als zeitintensiv und ermüdend und soll durch die Verwendung von computer-gestützten Diagnoseprogrammen reduziert werden. Im Wintersemester 2019 hat eine Projektgruppe mit Deep Learning erfolgreich EKG-Daten klassifiziert. Es konnte mit einer Zuverlässigkeit von 98,06% drei verschiedene Krankheitsbilder kategorisiert werden. Zudem wurde Einfluss von Rauschen untersucht und das System auf dem Nvidia Jetson Nano implementiert.
Mole Identifier - Mobile Klassifizierung von Hautläsionen
Projektarbeit im Master Elektrotechnik: Maximilian Reiser, Gabriel Horkovics-Kovats
Das Risiko an Hautkrebs zu erkranken ist seit den 60er Jahren von 0.17% auf 1.00 bis 1.33% gestiegen. Ein entscheidender Faktor, um die Sterblichkeit mit einer Quote von 14.11% (Stand Jahr 2010) zu senken, ist eine frühzeitige Erkennung vor der Metastasierung. In einer Projektarbeit wurde eine Methode zur Klassifizierung von Hautläsionen mittels Depp Learning und Handykamera entwickelt. In der Applikation können unterschiedliche, trainierte Modelle ausgewählt werden. Anschließend kann der Nutzer ein Bild der zu klassifizierenden Hautläsion mit der Handykamera aufnehmen und bewerten lassen. Die segmentierten Hautläsionen konnten mit einer Genauigkeit von 85.11% klassifiziert, das trainierte Netzwerk auf ein Android-Smartphone portiert und mit einer App angesteuert werden.
Embedded Systems
EMG Biofeedback - System
Projektarbeit im Master Elektrotechnik: Michael Hartl, Michael Gröber, Matthias Laber, Lisa-Maria Kirchner (Projektarbeit)
Michael Gröber, Paul Wingert
Projektpartner: Gerald Gradl (Texas Instruments)
Im Rahmen einer Projektarbeit wurde ein mobiles Biofeedback-System entwickelt. Die Patienten sollen mithilfe des Systems bspw. ihr Bewusstsein verstärkt auf die gelähmten Bereiche richten, um diese gezielt zu trainieren. Ebenfalls kann es als Warnsystem z.B. für Personen in angespannter Körperhaltung (Büroarbeiten am Computer) oder auch als Trainingssystem für Sportler angewendet werden. Es wurde ein Signalweg zur Auswertung von Muskelpotential entworfen, anschließend simuliert und anhand eines Probeaufbaus vermessen.
Konzeption und prototypische Umsetzung eines Tonometers
Projektarbeit im Master Elektrotechnik: Witte, Tesik, Eilers
Der Augeninnendruck ist maßgeblich für das Überlebens des Organs. Ist der Augeninnendruck dauerhaft erhöht, kann dies im späteren Verlauf zu Schäden am Sehnerv führen. Die Projektgruppe hat einen mobilen Prototyp eines Tonometers aufgebaut. Neben Steuerungsplatine und Spulensystem wurde ein Powermanagementsystem entwickelt. Als Mikrocontroller wurde ein PIC24 genutzt und das Gehäuse wurde mittels 3D-Druck (Fused Deposition Modeling - FDM) aus Polyactid gefertigt.