Herzschlag mit Radardaten und neuronalem Netz bestimmen

Anbieter zum Thema

Governikus GmbH & Co. KG

Insider Research

Entwicklern in der Medizintechnik ist es gelungen, mit Methoden des Deep Learning und mithilfe von Radardaten kontinuierlich den Herzschlag zu bestimmen. Dazu haben sie ein neuronales Netz entwickelt, um die Signale der einzelnen Herzschläge zu detektieren.

Bei Projekten in der Automobil- und Medizintechnik setzt das Kasseler Unternehmen Trout verschiedene Methoden des Maschinellen Lernens und der Künstlichen Intelligenz (KI) ein und hat dabei beträchtliche Erfahrung in der biometrischen Datenverarbeitung gesammelt. Erwähnenswert sind z.B. die Projekte VitaB „Erfassung von Vitalitätsparametern und Klassifizierung des kognitiven Zustands durch maschinelles Lernen“ und NivaB „Non-invasive Bestimmung des Blutzuckers mittels Impedanzspektroskopie und Anwendung neuronaler Netze“.

In einem aktuellen Projekt verwendet Trout einen Deep-Learning-Ansatz, um Herzschläge zu detektieren. Dabei wird elektromagnetische Strahlung im energetisch niedrigen Radarspektrum auf den menschlichen Brustkorb gerichtet. Das Signal wird reflektiert, worüber sich der Abstand von Strahlungsquelle und Brustkorb, und demnach die Atemfrequenz eines Menschen eindeutig bestimmen lässt. Dem von der Atmung generierten Signal sind die Signale überlagert, die zu den einzelnen Herzschlägen gehören.

Herzschläge mit Radarsignal detektieren

Mit Hilfe eines eigens entwickelten neuronalen Netzes sind die Entwickler in der Lage, die Signale der einzelnen Herzschläge im reflektierten Radarsignal zu detektieren. Daraus ergeben sich zahlreiche neue Möglichkeiten, wie beispielsweise eine kontaktfreie Erkennung der Herzratenvariabilität, die ein wichtiger Parameter im Gesundheitswesen ist. Unter anderem hilft die Technik, den Gesundheitszustand von Menschen in Stresssituationen einzuschätzen und Maßnahmen zu seiner Verbesserung zu triggern.

Als am besten geeignet erwies sich der Einsatz von Long-Short-Term-Memory- (LSTM-)Zellen, die aufgrund ihrer rückkoppelnden Architektur im Gegensatz zu herkömmlichen, auf Multilayer Perceptrons (MLP) basierenden neuronalen Netzen, eine Auswertung von Zeitreihen und nicht nur von einzelnen Zeitpunkten ermöglichen. Der konzeptionelle Vorteil besteht darin, vergangene Ereignisse für den Entscheidungsprozess in der Gegenwart zu berücksichtigen und damit auf Erfahrung basierende Einschätzungen zu treffen.

Radardaten als Trainingssatz

Wird das Radarsignal mit einem EKG-Signal überlagert, lassen sich einzelne Herzschläge über die sogenannten R-Peaks in den Radardaten kennzeichnen (labeln). Der Datensatz wird in Trainings-, Validierungs- und Testdaten unterteilt. Dabei werden die Radardaten im Trainingsdatensatz als Input für das auf LSTM-Zellen basierende neuronale Netzwerkmodell verwendet und über eine Loss-Funktion mit dem EKG-Signal verglichen.

Während des Trainingsprozesses werden die Gewichtungen innerhalb des neuronalen Netzes innerhalb jeder Iteration des Trainingsdatensatz (Epoche) angepasst. Dieser Vorgang wird wiederholt, bis der Loss-Wert auf dem Validierungsdatensatz ein Minimum erreicht. Mit dem trainierten neuronalen Netz wird nun das EKG-Signal im bis dato unbekannten Test Datensatz errechnet. Mit fortschreitender Datenerfassung soll nun das Modell um die Vorhersage zusätzlicher Merkmale einer EKG-Kurve (Q- und S-Peak) erweitert werden und so weiterreichende Analysen befeuern.

Dieser Beitrag stammt von unserem Portal Elektronikpraxis

(ID:46637725)