Die frühzeitige Erkennung von Symptomen ist von größter Bedeutung, um Krankheiten in einem früheren Stadium zu erkennen. Die Integration einer kontinuierlichen Gesundheitsüberwachung in private Räume, beispielsweise in Fahrzeuge, birgt großes Potenzial, Krankheiten früher zu erkennen. Dies wiederum ermöglicht bessere Behandlungsmöglichkeiten. Wenn man bedenkt, dass der durchschnittliche Mensch etwa 43 Minuten pro Tag in einem Fahrzeug verbringt, stellt die Implementierung eines fahrzeuginternen Sensorsystems eine einzigartige Gelegenheit dar, medizinische Untersuchungen nahtlos in unsere tägliche Mobilität zu integrieren. Ziel dieses Projekts ist es herauszufinden wie viel Prozent der Fahrzeit für eine zuverlässige Herzfrequenzanalyse geeignet sind. Dadurch kann festgestellt werden, ob es möglich ist, die Fahrzeit für eine genaue Herzfrequenzanalyse zu nutzen.
Das Ziel ist es, ein passives Gesundheitsüberwachungssystem in ein Auto zu integrieren und dabei mehrere Sensoren zur Messung des Elektrokardiogramms (EKG), des Photoplethysmogramms (PPG) und des Remote-PPG (rPPG) zu nutzen. Darüber hinaus wird das Sensorsystem in das bestehende CAN-BUS-System integriert und Einbausensoren berücksichtigt. Die aufgenommenen Daten werden über einen Sensordatenfusionsansatz unter Verwendung eines neuronalen Netzwerks kombiniert, die Daten analysiert und die Referenzherzfrequenz mit der berechneten Herzfrequenz vergleichen. Ziel ist es, die nutzbare Aufnahmezeit für die Analyse zu ermitteln und die verwendeten Algorithmen zur Artefaktserkennung und Sensordatenfusion zu optimieren.
TU Braunschweig:
Deutsche Forschungsgemeinschaft
2023 - 2026