Sensoren zur Gesundheitsprävention in Smart Homes integriert
Die Wissenschaftler*innen des Zukunftslabors Gesundheit integrierten Sensoren in Smart Homes und Smart Cars, um Daten im privaten Umfeld von Patient*innen erheben zu können.
Gesundheitsdaten werden nicht nur von medizinischen Einrichtungen erhoben. Auch im privaten Umfeld können Sensoren viele Daten erzeugen. Zum privaten Umfeld gehört insbesondere die eigene Wohnung, aber auch das Auto zählt dazu. Es gibt bildgebende und körpernahe Sensorik. Die bildgebende Sensorik bezieht sich auf fest installierte Kamerasysteme, die Haltungen und Bewegungen von Patient*innen und von Pflegepersonen erfassen können. Wichtig sind hierbei Systeme, die die Verarbeitung der Bilder zu Koordinatenlisten oder Parametern in Echtzeit vornehmen, damit die eigentlichen Bilddaten nicht gespeichert werden müssen und somit auch niemandem zugänglich sein können. Die körpernahe Sensorik wird an Sitzmöbeln, dem Bett, an der Kleidung oder direkt am Körper angebracht und ermöglicht die Erfassung von Bewegungen und Positionen, aber auch von Vitalparametern wie Herz- oder Pulsschlag, Atmung, Gewicht und Körpertemperatur. Darüber hinaus werden sogenannte Umweltsensoren für die Erfassung von Umgebungsparametern eingesetzt (z. B. Kohlendioxidanteile, Temperatur und Feuchtigkeit der Raumlauft), die den menschlichen Körper belasten können.
Der Einsatz solcher Sensoren soll ein kontinuierliches Monitoring ermöglichen, sowohl über einen kürzeren als auch über einen längeren Zeitraum hinweg. Dadurch sollen Veränderungen des Gesundheitszustandes frühzeitig erkannt und Krankheiten, medizinischen Notfällen oder Unfällen vorgebeugt werden. Geeignete Sensoren müssen über eine entsprechende Messgenauigkeit verfügen, in den privaten Lebensraum der Personen integrierbar sein und Schnittstellen zur Datenübertragung bereitstellen. Die Sensoren sollen so ins private Umfeld eingefügt werden, dass die Menschen ihr Verhalten nicht verändern müssen, die Messungen also unbemerkt stattfinden.
Peter L. Reichertz Institut für Medizinische Informatik der TU Braunschweig und der Medizinischen Hochschule Hannover
Für die Datenübertragung ist eine passende Software notwendig. Daher erstellten die Wissenschaftler*innen einen Katalog von Kriterien, die die Software erfüllen muss. Dazu zählen unter anderem Kriterien wie Open Source, also eine Software, deren Quellcode öffentlich zugänglich ist und die von anderen genutzt und weiterentwickelt werden kann. Unter Berücksichtigung dieses Kriterienkatalogs und der Integrierbarkeit wählten die Wissenschaftler*innen Sensorik mit passender Software aus und fügten sie in ein Forschungs-Smart-Home ein sowie in sechs reale, smarte Wohnungen eines Kooperationspartners. Darüber hinaus integrierten die Wissenschaftler*innen Sensoren im Auto, die den physischen und kognitiven Zustand erfassen. Beispielsweise überprüften die Wissenschaftler*innen die Funktionsfähigkeit von Lenkradsensoren mit einer Studie, an der 54 Proband*innen teilnahmen.
Die Vielzahl der Daten, die über Sensoren erfasst werden, kann nicht manuell ausgewertet werden. Deshalb setzen die Wissenschaftler*innen Machine Learning ein, um Anomalien – also Abweichungen vom Normalzustand – personalisiert zu identifizieren. Eine Herausforderung besteht darin, Messfehler oder Messungenauigkeiten von Anomalien im Gesundheitszustand zu unterscheiden. Ein Beispiel: Bewegungen im EKG-Sessel erzeugen Muster, die den normalen Unregelmäßigkeiten im Herzschlag ähnlich sind. Übermäßig häufig auftretende Unregelmäßigkeiten können aber ein Hinweis auf einen bevorstehenden Schlaganfall sein. Also muss der Algorithmus erkennen, wann der unregelmäßige Herzschlag ein Messfehler ist, wann er normal ist und wann er gefährlich wird. Die Idee der Wissenschaftler*innen ist es, verschiedene Sensoren für die Messung eines physikalischen Wertes einzusetzen. Denn es ist unwahrscheinlich, dass verschiedene Messprinzipien zur selben Zeit Messfehler aufweisen. Daraus ergibt sich aber eine weitere Herausforderung: Wenn mehr und mehr neue Sensoren integriert werden, dann können die alten Messungen nicht mehr für das Machine Learning verwendet werden, weil die Daten nicht übereinstimmen. Demnach muss der Algorithmus mit partiellen Daten trainiert werden.
Darüber hinaus wird es problematisch, wenn Sensoren ausfallen. Es muss ein System geben, dass Sensorausfälle erkennt und signalisiert. Deshalb arbeiten die Wissenschaftler*innen an einem Unified Framework, das Formen und Eigenfrequenzen der beschädigten Sensorstruktur bestimmt. Dieses Framework werden sie im Rahmen der Smart Homes testen.
Für das folgende Forschungsjahr sind Testdurchläufe mit Proband*innen vorgesehen, um die Sensorerfassung der Vitalparameter und die Erkennung des kognitiven Zustands zu prüfen. Außerdem werden die Wissenschaftler*innen für die Verarbeitung der Umweltsensordaten und der körpernahen Sensoren einen standortübergreifenden und dezentralen Datenspeicher entwickeln. Des Weiteren ist geplant, EKG-T-Shirts in das kontinuierliche Monitoring einzubeziehen.
Am Teilprojekt „Sensorik zur patientennahen Unterstützung“ sind folgende Forschende seit Beginn involviert:
- Prof. Dr. Thomas Deserno (Technische Universität Braunschweig, Peter L. Reichertz Institut für Medizinische Informatik)
- Prof. Dr. Frauke Koppelin (Jade Hochschule Wilhelmshaven/Oldenburg/Elsfleth, Abteilung Technik und Gesundheit für Menschen)
- Prof. Dr.-Ing. Andreas Hein (Carl von Ossietzky Universität Oldenburg, Abteilung Assistenzsysteme und Medizintechnik)
- Prof. Dr. Dagmar Krefting (Georg-August-Universität Göttingen, Institut für Medizinische Informatik)
- Prof. Dr. Dr.-Ing. Michael Marschollek (Medizinische Hochschule Hannover, Peter L. Reichertz Institut für Medizinische Informatik)
- Prof. Dr. Wolfgang Nejdl ( Leibniz Universität Hannover, Forschungszentrum L3S)
- Prof. Dr.-Ing. Bodo Rosenhahn (Leibniz Universität Hannover, Institut für Informationsverarbeitung)
- Prof. Dr. Christoph Rußmann (HAWK Hochschule für angewandte Wissenschaft und Kunst, Fakultät Ingenieurwissenschaften und Gesundheit)