Gesunder und guter Schlaf ist eine Vorrausetzung für einen ausgeruhten Geist und Körper. Beides bildet die Grundlage für körperliche und seelische Gesundheit. Einem gesunden Schlaf stehen Schlafstörungen entgegen, deren medizinisch diagnostizierte Häufigkeit ab eine einem Alter von 40 Jahren stark ansteigt. Ziel des Projekts ist die kontinuierliche Überwachung von Vitaldaten im Schlaf im häuslichen Umfeld eines Patienten über lange Zeiträume durch den Einsatz von ausschließlich nichtinvasiven Technologien. Das System bietet eine Chance zur Steigerung der Lebensqualität einer alternden Gesellschaft, indem die Erfassung der Schlafdaten ins Zentrum der Analyse gestellt und eine Bereitstellung der Daten für medizinische Auswertungen möglich wird.
Ziel des Projekts ist die Monitorisierung der Vitaldaten im Schlaf über lange Zeiträume und im häuslichen Umfeld eines Patienten durch den ausschließlichen Einsatz von nichtinvasiven Technologien. Im vorgeschlagenen Projekt soll ein System für die automatische Sammlung von schlafrelevanten Daten entwickelt werden, das sowohl die Software als auch die Hardware bereitstellt. Das System soll Empfehlungen (z.B. KVT-I basiert ) aussprechen und die Einhaltung überprüfen. Kontinuierlich gemessene Werte (z.B. Schlaf/Wach-Zustand, Atmung oder
Herzrate während des Schlafens) werden mit den Empfehlungen verglichen und ggf. neu angepasst. Somit entsteht die Möglichkeit, (F1) die Schlafqualität älterer Menschen von durchschnittlichen Annahmen abzugrenzen. Dabei wird der Einsatz regelbasierter Systeme oder maschinelles Lernen als Instrument der Personalisierung untersucht. Unter der Prämisse eines nicht-invasiven Ansatzes muss die Fragestellung einer geeigneten Unterstützungstechnologie zur Schlaftherapie untersucht werden (F2), da so nur ein reduzierter Vitalparametersatz gemessen werden kann. Die erforderliche Technologie, bestehend aus Hardund Software, muss entwickelt werden, um beispielsweise die Isolation der Atmung aus einem Signaldatenstrom herauszufiltern (F3). Aus medizinischer Sicht ergibt sich eine erweiterte Fragestellung nach potentiellen geschlechterbedingten Unterschieden und daher womöglich
unterschiedlichen Therapieansätzen bei älteren Frauen und Männern (F4).
Die Forschungsfragen (F1)-(F4) sind in diesem Umfang und unter Beachtung der gegebenen Randbedingungen noch nicht untersucht worden. Das Potenzial der wissenschaftlichen Fragestellung bzw. Ziele kann nur durch ein geeignetes System untersucht werden, das es in dieser Konstellation bisher nicht gibt. Für die Erfassung und Auswertung wird dedizierte Hard- und Software benötigt, die die gegebenen Randbedingungen berücksichtigt und so über die Möglichkeiten anderer Ansätze deutlich hinausgeht. Die Personalisierung erfolgt durch ein Expertensystem, das in nachvollziehbarer Weise individuelle Empfehlungen bereitstellt und damit Arzt und Patient unterstützt. Im Zentrum der Entwicklung steht die Morpheus-Box.
Die Entwicklung kann konzeptionell in fünf Komponenten unterteilt werden: Der MoBo-Core bietet als Kernkomponente die Grundfunktionalität eines eingebetteten Computers und implementiert die Schnittstellen zu den anderen Komponenten. Der MoBo-Algorithmus nimmt den Signaldatenstrom der MoBo-HW entgegen und verarbeitet diesen durch spezifische Auswertalgorithmen. Es werden unterschiedliche intelligente Techniken eingesetzt, die die Schlafqualität und relevante Vitaldaten (z.B. Atmung oder Apnoevorfälle) personalisiert verarbeiten. Die MoBo-HW ist ein nicht-invasives Netzwerk von Sensoren, die Vitaldaten der Patienten erfasst, vorverarbeitet und an einen nachgelagerten regelbasierten bzw. lernenden Algorithmus weitergibt. Die MoBo-API stellt eine offene Schnittstelle des Systems an externe Plattformenbereit, so dass es an Krankenhaus- oder Praxisinformationssysteme angebunden werden kann. Die MoBo-App wird die Daten in geeigneter Weise für die Zielgruppen (Patient, Arzt etc.) bereitstellen und visualisieren, wie z.B. über ein Smartphone. Im Berichtszweitraum 2022 wurde eine Marktanalyse durchgeführt, da eine Hardware-Plattform mit ausreichend viel RAM benötigt wird. In ersten Messung wurde die Messstellen (Mitte der oberen Seite des Bettes und unter dem Bettrahmen) bestätigt. Zur qualifizierten Auswahl der kontaktlosen Technologie wurde ein systematisches Review registriert, aktuell werden knapp 3600 Veröffentlichungen ausgewertet.
Die Definition des Mopheus-Kerns mit der Cloud wurde begonnen. An diesem Punkt haben wir einen bedeutenden Fortschritt erzielt, indem wir eine formale Dokumentation der Datenmodelle und eine Testversion des Codes haben, der den MoBo-Core ausführen wird. Obwohl die Art der Sensoren in Studien unterschiedlich ist, unterstützen die ersten Ergebnisse einander hinsichtlich der interessierenden Regionen und der beitragenden Sensoren. Die vorläufige Datenverarbeitung zeigt, dass die Thorax- und Abdomensensoren ganz am Ende des Alignments mehr beitragen als die anderen Sensoren. Für die Signalverarbeitung wurden zwei Pipelines entwickelt, die Schätzungen der Herzfrequenz und der Atmung auf der Grundlage der diskreten Wavelet-Transformation und des Bandpassfilters liefern. Während die diskrete Wavelet-Transformation mit einem Glättungsgrad von 4 bei der Schätzung der Herzfrequenz besser abschneidet, liefert der Bandpassfilter bessere Ergebnisse für die Atemfrequenz.
i) Im Rahmen des ERASMUS+-Erfahrungsaustauschprogramms (an der Università Politecnica delle Marche,Ancona, Italien) wurde ein Überblick über den Beschleunigungssensor verschafft und seine Anwendung im Einklang mit den Projektzielen (berührungslose Messung physiologischer Signale) erforscht;
ii) Auf der Grundlage der ermittelten Vor- und Nachteile der Verwendung eines Beschleunigungssensors für physiologische Messungen wurde ein Sensorhalterungsmodell für die Messung von Atem- und Herzsignalen entwickelt und angewendet;
iii) erste Studien und Messungen wurden durchgeführt, um die optimale Position des Sensors im Verhältnis zum Probanden für die Messung der Herz- und Atemfrequenz zu bestimmen;
iv) Während der Evaluierung der Anwendung dieser Technologie für physiologische Messungen wurde eine zusätzliche Anwendung für den resistiven Drucksensor gefunden (für Langzeitpflege und aktive Frühmobilisierung im Rehabilitationsprozess durch Gamification).
Wir haben eine Leiterplatte (PCB) in zwei Schichten entworfen. Vom Entwurf bis zur Implementierung und Prüfung haben wir den Schaltungsentwurf, den Schaltplan und die Simulation in LTspice durchlaufen und die Leistung der Schaltung, die Verbesserung, das PCB-Design, die 3D-Generierung, den Druck, die Montage, die Prüfung und die Validierung bewertet. Für den Sensortest wurden folgende Schritte durchgeführt: Die Daten wurden gesammelt und werden derzeit verarbeitet. Wir sind dabei, die Versuchspläne zu erweitern und auf der Grundlage der erhaltenen Ergebnisse zu untersuchen. Darüber hinaus haben wir zusätzliche Sensoren und die Struktur der Sensoren und zusätzliche Komponenten identifiziert, um das Signal zu verstärken.
Das Projekt wird gefördert durch : Carl-Zeiss-Stiftung
Prof. Dr. Ralf Seepold
Ansprechperson der Fakultät Informatik für den Studiengang Automobil- und Informationstechnik bzw. seit WS 2022/23 für Intelligente Mobilitätssysteme
Raum F 125
+49 7531 206-633
ralf.seepold@htwg-konstanz.deSprechzeiten
nach Vereinbarung