-
Die vorliegende Erfindung bezieht sich auf eine Vorrichtung und ein Verfahren zur nichtinvasiven Bestimmung eines Organfunktion-abhängigen, medizinischen Gesundheitsparameters, z. B. eines momentanen Blutzuckerwerts, eines Probanden mittels einer Stimmanalyse basierend auf einer Sprechprobe des Probanden. Insbesondere bezieht sich die vorliegende Erfindung auf eine lernende Stimmauswertungsvorrichtung, z. B. einen lernenden berührungslosen Diagnoseautomaten, und auf ein Verfahren zum Betreiben der lernenden Stimmauswertungsvorrichtung für eine lernende berührungslose Ermittlung eines medizinischen Gesundheitsparameters.
-
Zur Selbstkontrolle von medizinischen Gesundheitsparametern, beispielsweise eines Blutzuckerwertes bzw. Glukoseanteils, eines Patienten zu Hause und zur Fremdkontrolle im Labor, Krankenhaus, Pflegeheimen etc., sind eine Vielzahl, den Körper des Menschen berührende und verletzende (invasive) oder bestrahlende Verfahren und Vorrichtungen und auch kombinierte Konzepte bekannt (vgl. z. B.
WO 2011/135562 A1 ,
WO 2014/143452 A1 ).
-
Die bisher erzielte Messgenauigkeit von Kontrollverfahren und Kontrollvorrichtungen ist unterschiedlich und wird überdies von den Herstellern häufig nicht angegeben. Für die an die Erfassung des medizinischen Gesundheitsparameters anschließende und entscheidende diagnostische Interpretation der Messwerte werden üblicherweise unterschiedliche Einstufungen, Klassen bzw. Grenzwerte eingesetzt, die von Zeit zu Zeit angepasst bzw. fortgeschrieben werden.
-
Die meisten Vorrichtungen und Verfahren zur Bestimmung eines medizinischen Gesundheitsparameters, d. h. insbesondere des Blutzuckerwertes, sind technikorientiert und nicht nutzerorientiert und sind körperverletzend (blutig bzw. invasiv). Sie erfordern eine Blutprobe, die durch eine Verletzung, d. h. einen Stich durch eine Spritze oder eine Lanzette, gewonnen wird. Diese Verletzungen sind für den betroffenen Probanden unangenehm und stets mit dem Gesundheitsrisiko einer Infektion verbunden.
-
Mit jeder Blutzuckermessung wird meistens auch hochwertiges Einweg-Material, z. B. ein Messstreifen, verbraucht und als Müll entsorgt. Dar über hinaus ist zu beachten, dass allein der Zeit- und Kostenaufwand für Blutzuckerselbstmessungen erheblich ist und volkswirtschaftlich relevante Dimensionen (selbst ohne Betrachtung der Diabetes-Therapien) in Deutschland bzw. weltweit erreicht.
-
Selbst bekannte, unblutige (nicht-invasive) Verfahren zur Blutzuckerbestimmung erfordern zumindest unangenehme und riskante Körperkontakte oder auch Bestrahlungen mit unbekannten Nebenwirkungen und sind in der Praxis häufig nicht erprobt bzw. etabliert. Darüber hinaus sind die für die Nutzung wichtigen und häufig unvermeidlichen Messungenauigkeiten nur selten explizit angegeben bzw. nicht nachvollziehbar. Die Messwertermittlungen sind darüber hinaus auch nicht individualisiert, d. h. auf den jeweiligen Probanden individuell angepasst.
-
Zusammenfassend lässt sich also feststellen, dass die Messergebnisse bisher bekannter Kontrollverfahren zur Ermittlung eines medizinischen Gesundheitsparameters, z. B. des Blutzuckerwertes, weder persönlich nutzerorientiert noch an den Nutzer angepasst bzw. individualisiert sind.
-
Ausgehend von dem vorliegenden Stand der Technik besteht die der vorliegenden Erfindung zugrundeliegende Aufgabe darin, ein verbessertes Konzept zur Bestimmung eines medizinischen Gesundheitsparameters eines Probanden zu schaffen, das sowohl eine ausreichend hohe Messgenauigkeit für den einzelnen Probanden liefert als auch möglichst nutzerfreundlich ausgelegt ist.
-
Diese Aufgabe wird durch die unabhängigen Patentansprüche mit dem Verfahrensanspruch 1, den Vorrichtungsansprüchen 23 und 26 und den Computerprogramm-Anspruch 28 gelöst.
-
Erfindungsgemäße Weiterbildungen sind in den zugeordneten Unteransprüchen definiert.
-
Ein Verfahren zur Bestimmung eines Gesundheitsparameters eines Probanden mittels Stimmauswertung umfasst folgende Schritte: Bereitstellen einer digitalisierten Sprechprobe des Probanden und Auswerten der digitalisierten Sprechprobe basierend auf individuellen Modellparametern, die einen funktionalen Zusammenhang zwischen der Sprechprobe selbst oder von der Sprechprobe abgeleiteten Sprechmerkmalen und einem zugeordneten, momentanen Gesundheitsparameter angeben, um eine Messinformation zu erhalten, die innerhalb eines Toleranzbereichs auf einem Momentanwert des Gesundheitsparameters des Probanden basiert.
-
Eine Vorrichtung zur Bestimmung eines Gesundheitsparameters eines Probanden mittels Stimmauswertung umfasst eine Verarbeitungseinrichtung, die ausgebildet ist, um eine digitalisierte Sprechprobe des Probanden basierend auf individuellen Modellparametern auszuwerten, um eine Messinformation zu erhalten, die innerhalb eines Toleranzbereichs auf einem Momentanwert des Gesundheitsparameters des Probanden basiert, wobei die individuellen Modellparameter einen funktionalen Zusammenhang zwischen der Sprechprobe oder von der Sprechprobe abgeleiteten Sprechmerkmalen und einem zugeordneten, momentanen Gesundheitsparameter angeben.
-
Ein mobiles Gerät umfasst eine Spracherfassungseinrichtung zum Erfassen einer Sprechprobe eines Probanden, die Vorrichtung zur Bestimmung eines Gesundheitsparameters eines Probanden mittels Stimmauswertung umfasst eine Verarbeitungseinrichtung, die ausgebildet ist, um eine digitalisierte Sprechprobe des Probanden basierend auf individuellen Modellparametern auszuwerten, um eine Messinformation zu erhalten, die innerhalb eines Toleranzbereichs auf einem Momentanwert des Gesundheitsparameters des Probanden basiert, wobei die individuellen Modellparameter einen funktionalen Zusammenhang zwischen der Sprechprobe oder von der Sprechprobe abgeleiteten Sprechmerkmalen und einem zugeordneten, momentanen Gesundheitsparameter angeben, und eine Anzeigeeinrichtung zum Anzeigen eines von der Messinformation abhängigen optischen, haptischen und/oder akustischen Signals.
-
Der Kerngedanke der vorliegenden Erfindung besteht nun darin, eine nicht-invasive, für den jeweiligen Probanden individuelle Ermittlung eines medizinischen Gesundheitsparameters, wie z. B. des momentanen Blutzuckerwertes oder der momentanen Blutzuckerklasse, bereitzustellen, wobei die individuelle Ermittlung des Gesundheitsparameters auf einer Stimmanalyse einer Sprechprobe des Probanden basiert. Bei der Stimmanalyse werden aus der Sprechprobe relevante, darin enthaltene Stimmmerkmale des Probanden ermittelt, wobei die ermittelten Stimmmerkmale dann als Ausgangspunkt dienen, um mittels individueller, auf den jeweiligen Probanden bezogener Modelle oder Modellparameter die Auswertung mittels einer „intelligenten” Signalverarbeitung durchzuführen.
-
Zunächst können während einer sog. Lernphase Basiswerte für die Modelle bzw. Modellparameter zur Stimmmerkmalsauswertung ermittelt, woraufhin die Modelle bzw. Modellparameter zur Stimmmerkmalsauswertung während der Nutzung des erfindungsgemäßen Verfahrens bzw. der Vorrichtung in der Messphase (Kernphase) angewendet werden. Während einer Adaptionsphase, die auch parallel zu der Nutzung des erfindungsgemäßen Verfahrens bzw. der Vorrichtung stattfinden kann, können dann kontinuierlich die Modelle bzw. Modellparameter zur Stimmmerkmalsauswertung individuell adaptiert werden, woraufhin dann die neuen Modelle jeweils als individuell adaptierte Modelle für die weiteren Messungen herangezogen werden können.
-
Einige Organfunktion-abhängige, medizinische Gesundheitsparameter, wie z. B. der momentane Blutzuckerwert eines Probanden, wirken sich beispielsweise auch auf unterschiedliche Organe des Menschen aus. So wird Blutzucker für im Wesentlichen alle Lebensfunktionen benötigt und wirkt sich somit auch auf diese aus, wie z. B. auf das steuernde Gehirn und insbesondere auch auf die schallerzeugenden und schallbeeinflussenden Organe des Menschen. Damit können bestimmte Stimmmerkmale (beispielsweise auch nach einer speziellen Aufbereitung derselben), die mittels einer z. B. vorgegebenen und reproduzierbaren Sprechprobe eines Probanden erhalten werden, mit dem momentanen medizinischen Gesundheitsparameter, d. h. mit dem momentanen Blutzuckerwert bzw. der momentanen Blutzuckerklasse, aufgrund deren Korrelation in einen funktionalen Zusammenhang gebracht werden. Dazu werden individuelle Modelle (Modellparameter) bereitgestellt, die für jeden einzelnen Probanden (individuell) ermittelt werden und individuell adaptierbar sind. Die Modelle weisen nun einen funktionalen Zusammenhang zwischen der Sprechprobe selbst oder von der Sprechprobe abgeleiteten Sprachmerkmalen und dem momentanen medizinischen Gesundheitsparameter (z. B. Blutzuckerwert oder Blutzuckerklasse) auf. Die Modelle bzw. Modellparameter dienen also als Basis zur Auswertung der Stimmprobe mittels einer „intelligenten” Signalverarbeitung.
-
Im Folgenden werden (in einer nicht als abschließend anzusehenden Auflistung) einige Beispiele für gut korrelierende Sprachmerkmale für die Stimmanalyse zur Ermittlung des momentan Blutzuckerwerts angegeben. Die Merkmale sind aus der dritten Kategorie (statistische und abgeleitete Merkmale):
- 1. Spectral roll-off point 0.75, smoothed, 3. LPC coeff.
- 2. RASTA-PLP filtered spectrum, smoothed, delta, spectral centroid
- 3. F0-freq., smoothed, spectral centroid
- 4. F0-freq., smoothed, lin. regression slope
- 5. Spectral roll-off point 0.75, smoothed, 4. LPC coeff.
- 6. RASTA-PLP filtered spectrum, smoothed, channel 7, standard derivation of peak distance
- 7. Spectral roll-off point 0.50, smoothed, 3. LPC coeff.
- 8. Spectral roll-off point 0.75, smoothed, 2. LPC coeff.
- 9. F0-freq., smoothed, 2. quadratic regression coeff.
- 10. F0-freq., smoothed, 1. quadratic regression coeff.
-
Die personenbezogenen Modelle bzw. Modellparameter werden für den Probanden in der Lernphase ermittelt und können fortlaufend während der Adaptierungsphase individuell adaptiert werden, um eine möglichst hohe resultierende Messgenauigkeit zu erhalten. Während der Lernphase erfolgt ein überwachtes Lernen mit Referenzinformationen, wobei die initiale Gewinnung der Modellparameter mit Hilfe von Maschinenlernverfahren aus einer großen Datenbasis von Sprachproben vieler Patienten mit zugeordneten invasiv gemessenen Blutzuckerwerten durchgeführt wird. Hier können aber auch bereits von dem Probanden individuell ermittelte Sprachproben mit zugeordneten invasiv gemessenen Blutzuckerwerten einfließen.
-
Ferner kann die Adaptierung, die zur Verbesserung und individuellen Anpassung der Modellparameter, mit Hilfe von Maschinenlernverfahren erfolgen, indem aus weiteren (wenigen) Sprachproben des jeweiligen Probanden (Patienten) mit zugeordneten invasiv gemessenen Blutzuckerwerten modifizierte Modellparameter (Modelle) ermittelt werden. Solche modifizierten oder adaptierten Modellparameter ersetzen dann die jeweils momentan vorliegenden Modellparameter für die weiteren Messungen bzw. Untersuchungen.
-
Die vorliegende Erfindung ermöglicht somit eine nicht-invasive, äußerst benutzerorientierte und individualisierte Erfassung von Organfunktion-abhängigen, medizinischen Gesundheitsparametern, wie z. B. der momentanen Blutzuckerklasse oder des momentanen Blutzuckerwerts, mittels der Auswertung einer Sprechprobe des Probanden. Da die zugrunde gelegten Modellparameter individuell adaptierbar (lernfähig) sind, lässt sich die durch das erfindungsgemäße Konzept erreichte Messgenauigkeit und Messzuverlässigkeit für den jeweiligen Probanden immer weiter erhöhen.
-
Bevorzugte Ausführungsbeispiele der vorliegenden Erfindung werden nachfolgend unter Bezugnahme auf die beiliegenden Zeichnungen näher erläutert. Hinsichtlich der dargestellten Figuren wird darauf hingewiesen, dass die dargestellten Funktionsblöcke sowohl als Elemente oder Merkmale der erfindungsgemäßen Vorrichtung als auch als entsprechenden Verfahrensschritte des erfindungsgemäßen Verfahrens zu verstehen sind. Es zeigt:
-
1a ein Flussdiagramm des erfindungsgemäßen Verfahrens gemäß einem Ausführungsbeispiel;
-
1b ein Block- bzw. Ablaufdiagramm des erfindungsgemäßen Konzepts gemäß einem Ausführungsbeispiel;
-
2a ein Flussdiagramm der Signalverarbeitung mit Regressionsanalyse gemäß einem Ausführungsbeispiel;
-
2b ein Block- bzw. Ablaufdiagramm der (intelligenten) Signalverarbeitung mit Regressionsanalyse gemäß einem Ausführungsbeispiel;
-
3a ein Flussdiagramm der Signalverarbeitung mit statistischer Klassifikation gemäß einem Ausführungsbeispiel;
-
3b ein Block- bzw. Ablaufdiagramm der (intelligenten) Signalverarbeitung mit statistischer Klassifikation gemäß einem Ausführungsbeispiel;
-
4a ein Flussdiagramm der Signalverarbeitung mit Linearklassifikation gemäß einem Ausführungsbeispiel;
-
4b ein Block- bzw. Ablaufdiagramm der (intelligenten) Signalverarbeitung mit Linearklassifikation gemäß einem Ausführungsbeispiel;
-
5a ein Flussdiagramm der Signalverarbeitung mit einem künstlichen neuronalen Netz gemäß einem Ausführungsbeispiel;
-
5b ein Block- bzw. Ablaufdiagramm der (intelligenten) Signalverarbeitung mit einem künstlichen neuronalen Netz gemäß einem Ausführungsbeispiel;
-
6 ein Block- bzw. Ablaufdiagramm des erfindungsgemäßen Konzepts während einer Lernphase zur anfänglichen Ermittlung von Modellparametern gemäß einem Ausführungsbeispiel;
-
7 ein Block- bzw. Ablaufdiagramm des erfindungsgemäßen Konzepts während einer Adaptierungsphase zum Adaptieren der individuellen Modellparameter gemäß einem Ausführungsbeispiel.
-
Bevor nachfolgend Ausführungsbeispiele der vorliegenden Erfindung im Detail anhand der Zeichnungen näher erläutert werden, wird darauf hingewiesen, dass identische, funktionsgleiche oder gleichwirkende Elemente, Objekte, Funktionsblöcke und/oder Verfahrensschritte in den unterschiedlichen Figuren mit den gleichen Bezugszeichen versehen sind, so dass die in unterschiedlichen Ausführungsbeispielen dargestellte Beschreibung dieser Elemente, Objekte, Funktionsblöcke und/oder Verfahrensschritte untereinander austauschbar ist bzw. aufeinander angewendet werden kann.
-
1a zeigt ein Flussdiagramm des erfindungsgemäßen Verfahrens 100 zur Bestimmung eines Gesundheitsparameters eines Probanden mittels Stimmmerkmalsauswertung. 1b zeigt ein prinzipielles Block- bzw. Ablaufdiagramm des erfindungsgemäßen Konzepts (Verfahren und Vorrichtung) zur Bestimmung eines Gesundheitsparameters eines Probanden mittels einer Stimmanalyse.
-
Bezugnehmend auf das Verfahren 100 von 1a, wird zunächst in einem (ersten) Schritt 102 eine z. B. digitalisierte Sprechprobe (auch Sprachprobe oder Stimmprobe) des Probanden bereitgestellt. Die Sprechprobe kann z. B. von einer Stimmaufnahmeeinrichtung, aus einem Speicher, etc. bereitgestellt werden.
-
In einem nachfolgenden Schritt 104 wird die digitalisierte Sprechprobe basierend auf individuellen Modellparametern ausgewertet bzw. analysiert. Die individuellen Modellparameter, die dem Probanden individuell (personenbezogen) zugeordnet sind, geben einen funktionalen Zusammenhang zwischen der Sprechprobe selbst oder von der Sprechprobe abgeleiteten Sprachmerkmalen und einem zugeordneten momentanen Gesundheitsparameter wieder. Der Gesundheitsparameter des Probanden ist beispielsweise ein von einer Organfunktion-abhängiger, medizinischer Gesundheitsparameter, wie z. B. ein Blutzuckerwert des Probanden oder eine dem Blutzuckerwert zugeordnete Blutzuckerklasse.
-
Als Ergebnis der Auswertung 104 der digitalen Sprechprobe wird eine Messinformation, z. B. ein Momentanwert oder eine Klasse des Gesundheitsparameters, erhalten und für eine Anzeige bereitgestellt. Die Messinformation basiert auf dem Momentanwert des Gesundheitsparameters des Probanden bzw. gibt diesen Momentanwert des Gesundheitsparameters innerhalb eines Toleranzbereichs an.
-
Als Toleranzbereich (auch Konfidenz oder Konfidenzintervall) wird ein Intervall aus der Statistik bezeichnet, das die Präzision der Lageschätzung eines Parameters, z. B. des momentanen Gesundheitsparameters des Probanden, angibt. Das Konfidenzintervall ist somit der Bereich, der bei einer (theoretischen) unendlichen Wiederholung der Ermittlung der Messinformation mit einer gewissen Häufigkeit (dem Konfidenzniveau) die wahre Lage des Parameters, d. h. des medizinischen Gesundheitsparameters des Probanden, einschließt. Ein verwendetes Konfidenzniveau kann beispielsweise 95% betragen, so dass in diesem Fall (mindestens) 95% aller auf Grundlage von gemessenen Daten, d. h. ausgewerteten digitalisierten Sprechproben, berechneten Konfidenzintervalle den wahren Wert der zu untersuchenden Population beinhalten.
-
Die Messinformation kann dann optional bei einem weiteren Schritt 106 an einer Anzeigeeinrichtung als ein optisches, akustisches und/oder haptisches Ausgangssignal wiedergegeben werden.
-
Die Ausgabe der Messinformation an den Probanden bzw. Patienten kann beispielsweise eine Blutzuckerklasse mit Zuverlässigkeitsangabe (Konfidenz bzw. Konfidenzintervall) aufweisen oder kann einen aus der Sprechprobe abgeleiteten (geschätzten), momentanen Blutzuckerwert in mmol/l (mmol·18 = mg/dl) mit Toleranzangabe aufweisen. Als Kategorien von Blutzuckerwerten können beispielsweise folgende fünf Blutzuckerklassen „viel zu niedrig”, „zu niedrig”, „normal”, „zu hoch” und „viel zu hoch” für die Anzeige gewählt werden.
-
Die obigen Beispiele für eine mögliche Anzeige der Messinformation an einer Anzeigeeinrichtung sind lediglich beispielhaft, wobei im Wesentlichen beliebige Klassen- und Bereichseinteilungen für die Anzeige des momentanen Blutzuckerwerts getroffen werden können.
-
Im Folgenden wird nun auf eine sogenannte „Lernphase” zur Ermittlung von Basiswerten für die Modellparameter und auf eine „Adaptionsphase” zur kontinuierlichen Adaption der individuellen Modellparameter eingegangen, wobei die Lernphase und Adaptionsphase optionale Verfahrensschritte für die erfindungsgemäße Vorgehensweise 100 zur Bestimmung eines Gesundheitsparameters eines Probanden mittels Stimmmauswertung darstellen.
-
Während einer (möglichen) Lernphase wird vor dem Schritt 104 des Auswertens der digitalisierten Sprechprobe ein Schritt 108 des Ermittelns von Basismodellparametern basierend auf einer Vielzahl von Sprechproben, z. B. von unterschiedlichen Probanden aus einer großen Datenbasis, mit zugeordneten, invasiv gemessenen (medizinischen) Gesundheitsparametern unter Verwendung eines Maschinenlernverfahrens durchgeführt. Diese ermittelten Basismodellparameter werden nun beispielsweise als die Modellparameter für den Schritt 104 des Auswertens der digitalen Sprechprobe des Probanden verwendet (Schritt 110).
-
Während der Lernphase kann ein „überwachtes Lernen” mit Referenzinformationen durchgeführt werden, um initiale Modellparameter (Basismodellparameter) mit Hilfe eines Maschinenlernverfahrens aus einer großen Datenbasis von Sprechproben einer Vielzahl von Patienten bzw. Probanden mit zugeordneten, invasiv gemessenen Blutzuckerwerten mit Toleranzangabe zu erhalten.
-
Als „überwachtes Lernen” wird beispielsweise angesehen, wenn ein Algorithmus eine Funktion bzw. einen funktionellen Zusammenhang aus gegebenen Paaren von Eingangs- und Ausgangswerten lernt. Dabei wird während des Lernens der korrekte Funktionswert zu einem Eingangswert bereitgestellt. Ziel beim überwachten Lernen ist, dass der „intelligenten Signalverarbeitungseinrichtung” nach mehreren Rechengängen mit unterschiedlichen Eingaben und Ausgaben die Fähigkeit antrainiert wird, Assoziationen herzustellen. Ein Teilgebiet des überwachten Lernens ist dabei die automatische Klassifizierung.
-
Im Rahmen der vorliegenden Beschreibung werden Maschinenlernverfahren von der „intelligenten Signalverarbeitungseinrichtung” eingesetzt, um automatisch Modellparameter (individuelle Modellparameter) zu gewinnen. Die nachfolgende Auflistung stellt beispielhafte automatische Verfahren zur Gewinnung der Modellparameter dar:
| Maschinenlernverfahren: | automatisches Verfahren |
| Lineare Transformation: | Eigenwertzerlegung, Singulärwertzerlegung, etc. |
| Merkmalstransformation: | Analytische oder iterative Minimierung, etc. |
| Regression: | Analytische oder iterative Minimierung, etc. |
| Statistischer Klassifikator: | EM-Algorithmus (EM = Expectation Maximization) |
| Linearklassifikator: | quadratische Optimierung, etc. |
| Künstl. neuronales Netz: | Fehlerrückverfolgung (Error Back-Propagation) etc. |
-
Alternativ oder zusätzlich zu der Lernphase kann ferner eine Adaptionsphase (Adaptierungsphase) durchgeführt werden. Bei der Adaptionsphase werden die individuellen Modellparameter des Probanden „individuell adaptiert”, um verbesserte (= adaptierte) individuelle Modellparameter zu erhalten. Dabei wird wiederum ein Maschinenlernverfahren (siehe oben) basierend auf einer Mehrzahl von Sprechproben des Probanden und auf zugeordneten invasiv gemessenen (ermittelten) medizinischen Gesundheitsparametern durchgeführt. Da während der Adaptionsphase beispielsweise nur Sprechproben des jeweiligen Probanden selbst zur Adaptierung der Modellparameter eingesetzt werden, wird auch von einer individuellen Adaptierung gesprochen.
-
Die adaptierten individuellen Modellparameter können dann die momentanen (z. B. nicht-individuellen bzw. noch nicht ausreichend individuellen und noch verbesserbaren) Modellparameter ersetzen (Schritt 114), wobei daraufhin der Schritt des Auswertens 104 der digitalisierten Sprechprobe im Folgenden basierend auf den neuen individuellen Modellparametern, die verbessert bzw. adaptiert sind, durchgeführt wird.
-
Gemäß der vorliegenden Beschreibung wird somit als Adaptierung bzw. individuelle Adaptierung eine Verbesserung und individuelle Anpassung der Modellparameter mit Hilfe von Maschinenlernverfahren (siehe oben) aus wenigen (z. B. einer Mehrzahl von) Sprechproben eines Probanden bzw. Patienten mit zugeordneten invasiv gemessenen Blutzuckerwerten verstanden.
-
Die für die intelligente Signalverarbeitungseinrichtung erforderlichen Modelle bzw. Modellparameter, die zum Durchführen der Auswertung der digitalen Sprechprobe verwendet werden, stellen beispielsweise zur Regression oder Klassifikation benötigte Variablen dar, die durch Maschinenlernverfahren (siehe oben) ermittelt bzw. gewonnen werden können. Die nachfolgende beispielhafte Auflistung gibt an, welche Modellparameter beispielsweise bei dem jeweiligen Maschinenlernverfahren eingesetzt werden können:
| Maschinenlernverfahren: | Modellparameter |
| Lineare Transformation: | Transformationsmatrix |
| Merkmalstransformation: | Funktionsparameter (parametrische Funktion) |
| Regression: | Regressionskoeffizienten |
| Statistischer Klassifikator: | Mittelwertvektoren, Kovarianzmatrizen, Mischungsgewichte, Zustandsübergangswahrscheinlichkeiten |
| Linearklassifikator: | Lernkonstanten |
| Künstliche neuronale Netze: | Netzgewichte. |
-
Im Folgenden wird nun anhand des in 1b dargestellten Blockdiagramms bzw. Ablaufdiagramms das erfindungsgemäße Konzept (Vorrichtung und Verfahren) zur Bestimmung eines Gesundheitsparameters eines Probanden mittels Stimmauswertung beschrieben.
-
Die Vorrichtung 200 weist eine Verarbeitungseinrichtung 210 mit einer (intelligenten) Signalverarbeitungseinrichtung 212 und gespeicherten individuellen Modellparametern bzw.
-
Modellen 214 auf, die dem Probanden individuell zugeordnet und personenbezogen sind.
-
Die Verarbeitungseinrichtung 210 ist ausgebildet, um eine digitalisierte Sprechprobe 216 (auch Sprachprobe oder Stimmprobe) des Probanden (Patienten) basierend auf den individuellen Modellparametern 214 auszuwerten bzw. zu analysieren, um eine Messinformation 218 (z. B. Klassifikation oder Momentanwert) zu erhalten. Die Messinformation 218 korrespondiert mit einem Momentanwert des Gesundheitsparameters, z. B. mit einem momentanen Blutzuckerwert oder einer zugeordneten Klasse des momentanen Blutzuckerwerts, des Probanden bzw. gibt diesen innerhalb eines Toleranzbereichs an.
-
Die individuellen Modellparameter 214, die dem Probanden individuell zugeordnet und personalisiert sind, geben einen funktionalen Zusammenhang zwischen der Sprechprobe 216 selbst oder von der Sprechprobe 216 abgeleiteten Sprechmerkmalen und einem zugeordneten, momentanen Gesundheitsparameter an bzw. bilden einen solchen funktionalen Zusammenhang ab.
-
Die Vorrichtung 200 zur Bestimmung eines Gesundheitsparameters eines Probanden mittels Stimmauswertung ist insbesondere ausgebildet, um alle Schritte des im Vorhergehenden beschriebenen Verfahrens 100 zur Bestimmung eines Gesundheitsparameters mittels Stimmauswertung durchzuführen. Insbesondere können auch die im Vorhergehenden dargestellten Verfahrensschritte im Rahmen der Lernphase und im Rahmen der Adaptionsphase optional von der Vorrichtung 200, z. B. mittels der Verarbeitungseinrichtung 210, ausgeführt werden.
-
In 1b ist ferner eine Spracherfassungseinrichtung 220 zum Erfassen der Sprechprobe des Probanden dargestellt. Ferner ist eine Einrichtung 224 zur Digitalisierung der Sprechprobe 222 des Probanden dargestellt, um die digitalisierte Sprechprobe 216 bereitzustellen.
-
Die Digitalisierungseinrichtung 224 kann beispielsweise der Spracherfassungseinrichtung 220 oder auch der Verarbeitungseinrichtung 210 zugeordnet sein. Ferner kann die Sprechprobe 222 oder die digitalisierte Sprechprobe 216 der Verarbeitungseinrichtung 212 aus einem Speicher (nicht gezeigt in 1b) bereitgestellt werden oder mittels drahtgebundener oder drahtloser Datenübertragung von dem Speicher oder der Spracherfassungseinrichtung 220 zu der Verarbeitungseinrichtung 212 übermittelt werden.
-
Ferner ist (optional) eine Anzeigeeinrichtung 226 zum Anzeigen eines von der Messinformation 218 abhängigen optischen, haptischen und/oder akustischen Signals vorgesehen. Beispielsweise ist die Anzeigeeinrichtung 226 vorgesehen, eine Blutzuckerangabe in Form einer Blutzuckerklasse mit Zuverlässigkeitsangabe (Konfidenz bzw. Konfidenzintervall) oder einen ermittelten (geschätzten) momentanen Blutzuckerwert in mMol/Liter mit Toleranzangabe anzuzeigen.
-
Die Vorrichtung 200 zur Bestimmung eines Gesundheitsparameters eines Probanden mittels Stimmauswertung kann beispielsweise autonom in einem mobilen Gerät implementiert werden. Als mobile Geräte kommen beispielsweise Smartphones, Tablets, Notebooks etc. infrage, wobei die Verarbeitungseinrichtung 210 als ein Prozessor des mobilen Geräts implementiert sein kann, um das erfindungsgemäße Verfahren 100 zur Bestimmung eines Gesundheitsparameters eines Probanden mittels Stimmauswertung beispielsweise mittels einer App auszuführen. Die Verarbeitungseinrichtung 210 kann somit zumindest teilweise in Hardware und/oder Software (App) in dem mobilen Gerät implementiert sein. Als App wird beispielsweise eine Anwendungssoftware (Application Software) bezeichnet, wobei als mobile App eine Anwendungssoftware im Bereich mobiler Betriebssysteme bezeichnet wird.
-
Hinsichtlich der Vorgabe des Textes für die tatsächliche Sprachprobe ist darauf zu achten, dass ein möglichst einfach und gut reproduzierbarer Messsatz für den Probanden zur Ermittlung der Stimmmerkmale (Sprachmerkmale) vorliegt. So gilt im Allgemeinen die Regel, dass je reproduzierbarer die Rahmenbedingungen der Stimmauswertung sind, desto bessere und genauere Ergebnisse in Form der Messinformation ermittelt werden können.
-
So könnte ein möglicher einfacher Messsatz folgendermaßen lauten: „Hallo, wie geht es Dir!” Dieser Satz ist natürlich nur rein beispielhaft anzunehmen, wobei je nach Sprache, Dialekt etc. entsprechend geänderte Messsätze eingesetzt werden können. In diesem Zusammenhang wird nochmals darauf hingewiesen, dass auf eine möglichst einfache und gute Reproduzierbarkeit des Messsatzes durch den Probanden geachtet werden sollte. Daher liegt beispielsweise eine mögliche Anzahl der Worte für den Messsatz zwischen 3 und 10 bzw. zwischen 4 und 8.
-
Im Folgenden werden nun anhand der 2a–b, 3a–b, 4a–b und 5a–b verschiedene mögliche, optionale Implementierungen der Verarbeitungseinrichtung 210 mit der intelligenten Signalverarbeitung 212 beschrieben. Die dargestellte Aufzählung von verschiedenen Implementierungen ist nur als beispielhaft und nicht als abschließend anzusehen.
-
Im Folgenden wird nun anhand von 2a–b das erfindungsgemäße Konzept (Verfahren 100 und Vorrichtung 200) zur Bestimmung eines Gesundheitsparameters eines Probanden mittels Stimmauswertung unter Verwendung einer Regressionsanalyse beschrieben.
-
Wie in dem Flussdiagramm von 2a dargestellt ist, kann der Schritt des Auswertens 102 (d. h. die intelligente Signalverarbeitung) unter Verwendung einer Regressionsanalyse durchgeführt werden.
-
Zunächst wird bei einem Schritt 102a eine Merkmalsanalyse an der bereitgestellten, digitalisierten Sprechprobe des Probanden durchgeführt, um „Primärmerkmale” der digitalisierten Sprechprobe zu bestimmen bzw. zu erhalten. Daraufhin wird bei einem Schritt 102b eine Merkmalstransformation mit den ermittelten Primärmerkmalen mittels Funktionsparameter (und/oder parametrischer Funktionen) durchgeführt, um für eine Regressionsrechnung (möglichst) geeignete Sekundärmerkmale der Sprechprobe zu erhalten. Daraufhin wird bei einem Schritt 102c eine Regressionsrechnung unter Verwendung von Regressionskoeffizienten basierend auf den Sekundärmerkmalen durchgeführt, um die Messinformation, z. B. in Form eines (geschätzten) momentanen Gesundheitsparameters oder Blutzuckerwerts des Probanden, zu erhalten.
-
2b stellt nun in Form eines prinzipiellen Block- bzw. Ablaufdiagramms die verschiedenen Funktionsabschnitte bzw. Funktionsblöcke der Verarbeitungseinrichtung 210a dar. Wie in 2b dargestellt ist, wird also eine Merkmalsanalyse 212a an den bereitgestellten, digitalisierten Sprechproben 216 des Probanden durchgeführt, um die Primärmerkmale 230 der digitalisierten Sprechprobe zu erhalten bzw. zu gewinnen. Die Primärmerkmale 230 der Sprechprobe sind beispielsweise Signalmerkmale, spektrale Merkmale und/oder statistische und dynamische Merkmale, die aus den Signalmerkmalen und/oder spektralen Merkmalen abgeleitet sind, der digitalisierten Sprechprobe 216.
-
Im Folgenden werden (in einer nicht als abschließend anzusehenden Auflistung) einige Beispiele für Stimmmerkmale (Primärmerkmale) angegeben.
-
So können Signalmerkmale eine Energie, einen Energieverlauf, eine Tonhöhe, einen Tonhöhenverlauf, eine Nulldurchgangsrate; einen Jitter, einen Shimmer, etc. umfassen.
-
Spektrale Merkmale können beispielsweise Formanten, eine spektrale Form, FFT (Fast Fourier Transform), Skalogramme, Mel-, Terz-, Oktav-Filterbankspektren bzw. Mel-, Terz-, Oktav-Filterbankspektrogramme, Mel-generalized Cepstrum Coefficients (einschließlich Cepstrum, MFCC), Line Spectral Frequencies, Line Cepstral Quefrencies, Modulationsspektren usw. umfassen.
-
Statistische und dynamische Merkmale, die aus Signal- und/oder spektralen Merkmalen abgeleitet sind, können beispielsweise Mittelwerte, Momente, Quantile, Differenzen n-ter Ordnung (Delta, Delta-Delta, ...), Kontextmerkmale, usw. umfassen.
-
Daraufhin wird beispielsweise eine Merkmalstransformation 212b mit den ermittelten Primärmerkmalen 230 unter Verwendung von Funktionsparametern 214a (und/oder parametrischer Funktionen) durchgeführt, um für eine Regressionsrechnung 212c geeignete Sekundärmerkmale 232 der Sprechprobe zu erhalten. Bei der Merkmalstransformation 212b werden Funktionsparameter 214a (bzw. Funktionen oder parametrische Funktionen) auf die Primärmerkmale 230 angewendet, um die Sekundärmerkmale 232 der Sprechprobe zu ermittelten bzw. zu erhalten. Die Sekundärmerkmale 232 weisen beispielsweise eine lineare oder quadratische Korrelation mit dem (gesuchten) medizinischen Gesundheitsparameter, wie z. B. dem momentanen Blutzuckerwert, und/oder eine Normalverteilung der Merkmalwerte auf. Die Sekundärmerkmale 232 sind beispielsweise normal verteilte, mit dem gesuchten medizinischen Gesundheitsparameter korrelierte und untereinander unkorrelierte (disjunkte) Merkmale der Sprechprobe.
-
Basierend auf den Sekundärmerkmalen 232 wird nun eine Regressionsrechnung 212c unter Verwendung von Koeffizienten 214b (Regressionskoeffizienten) durchgeführt, um die Messinformation 218, z. B. in Form des ermittelten (geschätzten) Gesundheitsparameters oder Blutzuckerwerts, zu erhalten.
-
Dabei können die Funktionsparameter 214a der Merkmalstransformation 212b und die Regressionskoeffizienten 214b der Regressionsrechnung 212c als die individuellen Modellparameter 214 zur Auswertung der Sprechprobe angesehen werden. Ferner bilden die Merkmalsanalyse 212a, die Merkmalstransformation 212b und die Regression 212c zusammen beispielsweise die intelligente Signalverarbeitung 212.
-
Bei einer linearen Regression wird das Modell beispielsweise so spezifiziert, dass die abhängige Variable y (y = Blutzuckerwert oder Blutzuckerklasse) eine Linearkombination der Parameter βi (= Regressionskoeffizienten) ist, aber nicht notwendigerweise der unabhängigen Variablen x (x = Sekundärmerkmale). Zum Beispiel moduliert die einfache lineare Regression die Abhängigkeit von einer unabhängigen Variable x: Y = β0 + β1·x + e. Bei einer multiplen linearen Regression werden mehrere unabhängige Variablen oder Funktionen der unabhängigen Variablen berücksichtigt. Wird z. B. der Term x2 zur vorigen Regression hinzugefügt, so ergibt sich: Y = β0 + β1·x + β2·x2 + e. Obwohl der Ausdruck auf der rechten Seite quadratisch in der unabhängigen Variable x (Sekundärmerkmale) ist, ist der Ausdruck „linear” in den Parametern β0, β1 und β2. Man beachte, dass x eine Vielzahl (einen Vektor) von Sekundärmerkmalen bezeichnet und dementsprechend β1 und β2 ebenfalls Vielzahlen (Vektoren) von Regressionskoeffizienten bezeichnen. Damit ist dies auch eine lineare Regression. Zur Bestimmung der Modellparameter βi wird beispielsweise die Methode der kleinsten Quadrate eingesetzt.
-
Im Folgenden wird nun anhand der 3a–b das erfindungsgemäße Konzept (Vorrichtung und Verfahren) zur Bestimmung eines Gesundheitsparameters eines Probanden mittels Stimmanalyse beschrieben, wobei der Schritt des Auswertens der Sprechprobe, d. h. die intelligente Signalverarbeitung, unter Verwendung einer statistischen Klassifikation durchgeführt wird.
-
Bei dem in 3a dargestellten Flussdiagramm wird zunächst bei einem Schritt 102a eine Merkmalsanalyse an der bereitgestellten, digitalisierten Sprechprobe des Probanden durchgeführt, um die Primärmerkmale der digitalisierten Sprechprobe zu erhalten. Daraufhin wird bei einem Schritt 102d eine Merkmalstransformation der Primärmerkmale unter Verwendung einer Transformationsmatrix durchgeführt, um Sekundärmerkmale der Sprechprobe zu erhalten.
-
Daraufhin wird bei einem Schritt 102e unter Verwendung von Klassenmodellen eine statistische Klassifikation durchgeführt bzw. ein statistischer Klassifikator angewendet, um basierend auf den bereitgestellten Sekundärmerkmalen die Messinformation in Form einer Klasse des momentanen medizinischen Gesundheitsparameters, d. h. beispielsweise die momentane Blutzuckerklasse mit Konfidenz bzw. Konfidenzintervall, zu ermitteln und bereitzustellen.
-
3b stellt nun in Form eines prinzipiellen Block- bzw. Ablaufdiagramms die verschiedenen Funktionsabschnitte bzw. Funktionsblöcke des erfindungsgemäßen Konzepts (Vorrichtung und Verfahren) dar, wobei bei der Auswertung der Sprechprobe, d. h. bei der intelligenten Signalverarbeitung, eine statistische Klassifikation durchgeführt wird. So wird zunächst mit der bereitgestellten, digitalisierten Sprechprobe 216 des Probanden eine Merkmalsanalyse 212a durchgeführt, um die Primärmerkmale 230 der digitalisierten Sprechprobe zu erhalten (vgl. die auch hier anwendbaren Ausführungen zu 2b).
-
Daraufhin wird eine Merkmalstransformation 212d (z. B. eine lineare Transformation) der Primärmerkmale 230 unter Verwendung einer Transformationsmatrix 214c durchgeführt, um die Sekundärmerkmale 234 zu erhalten. Mittels der linearen Transformation der Primärmerkmale 230 sind die Sekundärmerkmale 234 dimensionsreduziert und zueinander unkorreliert (bzw. disjunkt).
-
Die Primärmerkmale 230 der Sprechprobe sind beispielsweise wieder Signalmerkmale, spektrale Merkmale und/oder statistische und dynamische Merkmale, die aus den Signalmerkmalen und/oder spektralen Merkmalen abgeleitet sind, der Sprechprobe.
-
Als eine lineare Transformation 212d kann beispielsweise eine Hauptachsentransformation (HAT), eine Hauptkomponentenanalyse (HKA, PCA = principal component analysis), eine lineare Diskriminanzanalyse (IDA), eine unabhängige Komponentenanalyse (ICA = Independent Component Analysis) etc. verwendet werden.
-
Schließlich kann unter Verwendung von Klassenmodellen 214d eine statistische Klassifikation 212e durchgeführt werden bzw. ein statistischer Klassifikator angewendet werden, um basierend auf den bereitgestellten Sekundärmerkmalen 234 die gesuchte Messinformation 236 in Form einer Klasse des momentanen medizinischen Gesundheitsparameters, z. B. einer Blutzuckerklasse mit einem Konfidenzintervall zu ermitteln und bereitzustellen.
-
Als Klassenmodelle 214d werden beispielsweise Modellparameter der Blutzuckerklassen bezeichnet. Als statistischer Klassifikator kann beispielsweise ein Gaussian-Mixture-Model-Klassifikator (GMM), ein Hidden-Markov-Model-Klassifikator (HMM) etc. verwendet werden. Die Transformationsmatrix 214c und/oder die Klassenmodelle 214d für die statistische Klassifikation bilden beispielsweise die individuellen Modellparameter 214. Ferner bilden die Merkmalsanalyse 212a, die lineare Transformation 212d und die statistische Klassifikation 212e beispielsweise die intelligente Signalverarbeitung 212.
-
Im Folgenden wird nun anhand der 4a–b das erfindungsgemäße Konzept (Vorrichtung und Verfahren) zur Bestimmung eines Gesundheitsparameters eines Probanden mittels Stimmauswertung beschrieben, wobei die Auswertung der digitalisierten Sprechprobe unter Verwendung einer Linearklassifikation durchgeführt wird.
-
4a zeigt ein Flussdiagramm mit den jeweiligen Schritten, wenn der Schritt des Auswertens der Sprechprobe unter Verwendung einer Linearklassifikation durchgeführt wird.
-
So wird zunächst bei einem Schritt 102f eine Merkmalsanalyse an der bereitgestellten, digitalisierten Sprechprobe des Probanden durchgeführt, um Primärmerkmale der digitalisierten Sprechprobe zu erhalten. Ferner wird bei einem Schritt 102g mit den Primärmerkmalen unter Verwendung von Klassenmodellen eine Linearklassifikation durchgeführt bzw. ein Linearklassifikator angewendet, um die Messinformation, z. B. in Form einer Klasse des medizinischen Gesundheitsparameters und insbesondere die Blutzuckerklasse mit einem Konfidenzintervall, zu ermitteln bzw. zu erhalten.
-
Im Folgenden werden nun anhand des in 4b dargestellten prinzipiellen Block- bzw. Ablaufdiagramms die jeweiligen Funktionsabschnitte bzw. Funktionsblöcke des erfindungsgemäßen Konzepts (Vorrichtung und Verfahren) zur Bestimmung eines Gesundheitsparameters eines Probanden mittels Stimmauswertung beschrieben, wobei die Auswertung der Sprechprobe, d. h. die intelligente Signalverarbeitung, unter Verwendung einer Linearklassifikation durchgeführt wird.
-
Zunächst wird mit der bereitgestellten digitalisierten Sprechprobe 216 des Probanden eine Merkmalsanalyse 212a durchgeführt, um die Primärmerkmale 230 der digitalisierten Sprechprobe zu erhalten. Daraufhin wird mit den erhaltenen Primärmerkmalen 230 unter Verwendung von Klassenmodellen 214d eine Linearklassifikation 212f durchgeführt bzw. ein Linearklassifikator angewendet, um die Messinformation 236, z. B. in Form einer Klasse des medizinischen Gesundheitsparameters bzw. als Blutzuckerklasse mit einem Konfidenzintervall, zu ermitteln und bereitzustellen.
-
Dabei bilden die Klassenmodelle 214d des Linearklassifikators 212f beispielsweise die individuellen Modellparameter. Ferner bilden die Merkmalsanalyse 212a und die Linearklassifikation 212f zusammen beispielsweise die intelligente Signalverarbeitung 212. Als Linearklassifikator wird beispielsweise eine Supportvektormaschine (SVM) etc. eingesetzt.
-
Im Folgenden wird nun anhand der 5a–b das erfindungsgemäße Konzept (Vorrichtung und Verfahren) zur Bestimmung eines Gesundheitsparameters eines Probanden mittels Stimmauswertung beschrieben, wobei die Auswertung der Sprechprobe unter Verwendung von künstlichen neuronalen Netzen bzw. eines faltenden neuronalen Netzwerks (CNN = Convolutional Neuronal Network) durchgeführt wird.
-
Zunächst wird bei einem Schritt 102a eine Merkmalsanalyse (Schalterstellung S1) an der bereitgestellten, digitalisierten Sprechprobe des Probanden durchgeführt, um Primärmerkmale der digitalisierten Sprechprobe zu erhalten.
-
Ferner wird bei einem Schritt 102g ein künstliches neuronales Netz auf die Primärmerkmale unter Verwendung von Klassenmodellen angewendet, um die Messinformation, z. B. in Form einer Klasse des momentanen medizinischen Gesundheitsparameters bzw. der Blutzuckerklasse mit Konfidenz, zu ermitteln bzw. bereitzustellen.
-
Sollte das künstliche neuronale Netz als faltendes neuronales Netzwerk (CNN) ausgebildet sein, kann der Schritt 102a des Durchführens einer Merkmalsanalyse entfallen (Schalterstellung S2).
-
Im Folgenden werden nun anhand des in 5b dargestellten prinzipiellen Block- bzw. Ablaufdiagramms die verschiedenen Funktionsabschnitte bzw. Funktionsblöcke des erfindungsgemäßen Konzepts (Verfahren und Vorrichtung) zur Bestimmung eines Gesundheitsparameters eines Probanden mittels Stimmauswertung beschrieben, wobei die Auswertung der Sprechprobe unter Verwendung eines künstlichen neuronalen Netzes bzw. eines faltenden neuronalen Netzwerks (CNN) durchgeführt wird.
-
Zunächst kann eine Merkmalsanalyse 212a an der bereitgestellten, digitalisierten Sprechprobe 216 des Probanden durchgeführt werden, um die Primärmerkmale 230 der digitalisierten Sprechprobe 216 zu erhalten. Daraufhin kann ein künstliches neuronales Netz 212g auf die Primärmerkmale 230 unter Verwendung von Klassenmodellen 214d angewendet werden, um die Messinformation 236, z. B. in Form einer Klasse des momentanen medizinischen Gesundheitsparameters bzw. der Blutzuckerklasse mit Konfidenz, zu ermitteln und bereitzustellen. Sollte das künstliche neuronale Netz als faltendes neuronales Netz (CNN) ausgebildet sein, kann die Merkmalsanalyse 212a entfallen, wobei für diesen Fall einer Verwendung eines faltenden neuronalen Netzes die Schalterstellung S2 (= keine Merkmalsanalyse erforderlich) angenommen wird. Für die Anwendung sonstiger künstlicher neuronaler Netze wird die Schalterstellung S1 (= Merkmalsanalyse erforderlich) angenommen.
-
Die Klassenmodelle 214d des neuronalen Netzes 212g bilden beispielsweise die individuellen Modellparameter, wobei die Klassenmodelle Gewichte (Netzgewichte) des neuronalen Netzes sind. Die Merkmalsanalyse 212a und das künstliche neuronale Netzwerk 212g können die intelligente Signalverarbeitung 212 bilden (außer bei Anwendung eines CNN – siehe oben). Bei Anwendung eines faltenden neuronalen Netzes (CNN) kann das künstliche neuronale Netzwerk 212g alleine die intelligente Signalverarbeitung 212 bilden.
-
Ein künstliches neuronales Netz (KNN) kann ein Multi-Layer-Perceptron (MLP), ein tiefes neuronales Netz (Deep Neural Network, DNN), ein rekurrentes Netz (Recurrent Neural Network, RNN), ein faltendes Netz (Convolutional Neural Network, CNN), ein langer Kurzzeitspeicher (Long-Short-Term Memory, LSTM) usw. umfassen.
-
Im Folgenden werden anhand des in 6 dargestellten Block- bzw. Ablaufdiagramms die verschiedenen Funktionsabschnitte bzw. Funktionsblöcke der Lernphase 300 des erfindungsgemäßen Konzepts (Vorrichtung und Verfahren) zur Bestimmung eines Gesundheitsparameters eines Probanden mittels einer Stimmanalyse beschrieben. Die Lernphase stellt zusätzliche, mögliche Verfahrensschritte für die erfindungsgemäße Vorgehensweise 100 zur Bestimmung eines Gesundheitsparameters dar.
-
Während einer möglichen Lernphase kann vor dem Schritt 104 des Auswertens der digitalisierten Sprechprobe ein Schritt 108 des Ermittelns von Basismodellparametern 214' basierend auf einer Vielzahl von Sprechproben, z. B. von unterschiedlichen Probanden aus einer großen Datenbasis 310, mit zugeordneten, invasiv gemessenen (medizinischen) Gesundheitsparametern 314 unter Verwendung eines Maschinenlernverfahrens 312 durchgeführt werden. Diese ermittelten Basismodellparameter 214' werden nun beispielsweise als die Modellparameter 214 für den Schritt 104 des Auswertens der digitalen Sprechprobe des Probanden verwendet (Schritt 110).
-
Ferner ist eine Spracherfassungseinrichtung 220 zum Erfassen der Sprechprobe des Probanden dargestellt, wobei eine Einrichtung 224 zur Digitalisierung der Sprechprobe 222 des Probanden dargestellt ist, um die digitalisierte Sprechprobe 216 bereitzustellen.
-
Während der Lernphase kann somit ein „überwachtes Lernen” mit Referenzinformationen durchgeführt werden, um eine initiale Gewinnung von Modellparametern (Basismodellparametern) mit Hilfe eines Maschinenlernverfahrens aus einer großen Datenbasis von Sprechproben einer Vielzahl von Patienten bzw. Probanden mit zugeordneten, invasiv gemessenen Blutzuckerwerten mit Toleranzangabe vorzusehen.
-
Als Maschinenlernverfahren können beispielsweise analytische oder iterative lineare, quadratische oder sonstige Optimierungsverfahren, analytische oder iterative Maximum-Likelihoodschätzverfahren (beispielsweise EM-Algorithmus), Randminimierungs- und Fehlerrückverfolgungsverfahren eingesetzt werden.
-
Zunächst wird bei einem Schritt 212a eine Merkmalsanalyse (Schalterstellung S1) an der bereitgestellten, digitalisierten Sprechprobe des Probanden durchgeführt, um Primärmerkmale der digitalisierten Sprechprobe zu erhalten. Sollte das künstliche neuronale Netz als faltendes neuronales Netz (CNN) ausgebildet sein, kann die Merkmalsanalyse 212a entfallen, wobei für diesen Fall einer Verwendung eines faltenden neuronalen Netzes die Schalterstellung S2 (= keine Merkmalsanalyse erforderlich) angenommen wird. Für die Anwendung sonstiger künstlicher neuronaler Netze wird die Schalterstellung S1 (= Merkmalsanalyse erforderlich) angenommen.
-
Im Folgenden werden anhand des in 7 dargestellten Block- bzw. Ablaufdiagramms die verschiedenen Funktionsabschnitte bzw. Funktionsblöcke der Adaptionsphase 400 des erfindungsgemäßen Konzepts (Vorrichtung und Verfahren) zur Bestimmung eines Gesundheitsparameters eines Probanden mittels einer Stimmanalyse beschrieben. Die Adaptionsphase 400 stellt zusätzliche optionale Verfahrensschritte für die erfindungsgemäße Vorgehensweise 100 zur Bestimmung eines Gesundheitsparameters dar.
-
Zusätzlich zu der Lernphase 300 kann ferner die Adaptionsphase 400 (Adaptierungsphase) durchgeführt werden. Bei der Adaptionsphase werden die individuellen Modellparameter 214 des Probanden „individuell adaptiert”, um verbesserte (= adaptierte) individuelle Modellparameter 214' zu erhalten. Dabei wird wiederum ein Maschinenlernverfahren 312 (siehe oben) basierend auf einer Mehrzahl von Sprechproben 216 des Probanden und auf zugeordneten invasiv gemessenen (ermittelten) medizinischen Gesundheitsparametern durchgeführt. Da während der Adaptionsphase beispielsweise nur Sprechproben des jeweiligen Probanden selbst zur Adaptierung der Modellparameter 214 eingesetzt werden, wird auch von einer individuellen Adaptierung gesprochen.
-
Ferner ist eine Spracherfassungseinrichtung 220 zum Erfassen der Sprechprobe des Probanden dargestellt, wobei eine Einrichtung 224 zur Digitalisierung der Sprechprobe 222 des Probanden dargestellt ist, um die digitalisierte Sprechprobe 216 bereitzustellen.
-
Als Maschinenlernverfahren können beispielsweise analytische oder iterative lineare, quadratische oder sonstige Optimierungsverfahren, analytische oder iterative Maximum-Likelihoodschätzverfahren (beispielsweise EM-Algorithmus), Randminimierungs- und Fehlerrückverfolgungsverfahren eingesetzt werden.
-
Zunächst wird bei einem Schritt 212a eine Merkmalsanalyse (Schalterstellung S1) an der bereitgestellten, digitalisierten Sprechprobe des Probanden durchgeführt, um Primärmerkmale der digitalisierten Sprechprobe zu erhalten. Sollte das künstliche neuronale Netz als faltendes neuronales Netz (CNN) ausgebildet sein, kann die Merkmalsanalyse 212a entfallen, wobei für diesen Fall einer Verwendung eines faltenden neuronalen Netzes die Schalterstellung S2 (= keine Merkmalsanalyse erforderlich) angenommen wird. Für die Anwendung sonstiger künstlicher neuronaler Netze wird die Schalterstellung S1 (= Merkmalsanalyse erforderlich) angenommen.
-
Die adaptierten individuellen Modellparameter können dann die momentanen individuellen Modellparameter ersetzen (Schritt 114), wobei daraufhin der Schritt des Auswertens 104 der digitalisierten Sprechprobe im Folgenden basierend auf den neuen individuellen Modellparametern, die verbessert bzw. adaptiert sind, durchgeführt wird.
-
Gemäß der vorliegenden Beschreibung wird somit als Adaptierung bzw. individuelle Adaptierung eine Verbesserung und individuelle Anpassung der Modellparameter mit Hilfe von Maschinenlernverfahren (siehe oben) aus wenigen (z. B. einer Mehrzahl von) Sprechproben eines Probanden bzw. Patienten mit zugeordneten invasiv gemessenen Blutzuckerwerten verstanden.
-
Mit dem erfindungsgemäßen Konzept zur Bestimmung eines Gesundheitsparameters eines Probanden mittels Stimmauswertung können eine Vielzahl von Vorteilen gegenüber bisherigen Vorgehensweisen zur Bestimmung eines Gesundheitsparameters und insbesondere eines Blutzuckerwerts erreicht werden. Im Folgenden werden nochmals allgemeine Grundzüge des erfindungsgemäßen Konzepts und einige wesentliche, daraus resultierende Vorteile zusammengefasst dargestellt.
-
Blutzucker wird für alle wichtigen Lebensfunktionen benötigt und wirkt sich damit auf diese Lebensfunktionen und auch auf das steuernde Gehirn und z. B. die schallerzeugenden und schallbeeinflussenden Organe des Menschen aus. Das erfindungsgemäße Konzept zur Bestimmung eines Gesundheitsparameters eines Probanden gemäß Stimmauswertung kann beispielsweise sensible Audio-Sensoren/Mikrofone einsetzen, um entsprechende akustische Sprachsignale eines Probanden zu erfassen und digital zu untersuchen, wobei Auffälligkeiten als gesund (Gesundheit) oder krank (Krankheit) mathematisch klassifiziert und erkannt werden können. Ferner können mit gespeicherten antrainierten Referenz-Schablonen (Marker oder Muster) sofort für eine erste Verdachtsdiagnose angewendet und gegebenenfalls geeignete Handlungsempfehlungen berechnet und angeboten werden. Ein das erfindungsgemäße Konzept zur Bestimmung eines Gesundheitsparameters eines Probanden mittels Stimmauswertung ausführendes Gerät kann beispielsweise die folgenden Funktionsblöcke (Funktionen bzw. Vorrichtungen) umfassen:
- 1. Basiseinstellung der Vorrichtung und des Verfahrens
- 2. Personen-Erkennung/Identifizierung für eine personalisierte Bestimmung des Gesundheitsparameters (Diagnose)
- 3. Personalisiertes/Personenbezogenes Diagnosetraining und -Lernen
- 4. Personalisierte/Personenbezogene Diagnose/Anwendung
- 5. Nachlernen (Eichung) und Selbstoptimierung, Fortschreibung (Updating)
- 6. Das Konzept ist eingebettet in Daten- und Kriminalitätsschutzfunktionen
- 7. Das Konzept nutzt personenbezogene Speicher- und Archivierungsfunktionen
- 8. Verwendung einer sicheren externen Daten- und Kommunikationsschnittstelle.
-
Das erfindungsgemäß Konzept kann technisch aufgenommene und sowohl standardisierte als auch personalisierte Sprechproben des Probanden verarbeiten. Als Anwendungsvarianten neben der Erfassung von Blutzuckerwerten sind mit dem erfindungsgemäßen Konzept auch viele andere Gesundheits-/Krankheits-/Vitalmerkmale und die mit diesen assoziierten Krankheiten/Gesundheit korrelierbar, damit mess- und bewertbar.
-
Das erfindungsgemäße Konzept ist im Wesentlichen auf alle Gesundheitsbereiche mit ihren Fachkräften anwendbar, die mit einer Bestimmung von Gesundheitsparametern, wie z. B. einer Blutzuckermessung, Blutzuckerkontrollen zu tun haben, wie z. B. bei einer (medizinischen) Diabetes-Krankheitserkennung, Überwachung und Prävention.
-
Das erfindungsgemäße Konzept ist darüber hinaus auch anwendbar auf alle Bereiche, die sich mit Gesundheitspflege, gesundem Lebensstil beschäftigen und dort zur Gesundheitserkennung, Überwachung und Prävention Dienstleistungen anbieten. Insbesondere ist das erfindungsgemäße Konzept auf alle gesundheitsbewussten und gesundheitsinteressierten Personen anwendbar bzw. von diesen einsetzbar.
-
Das erfindungsgemäße Konzept unter Verwendung von digitaler Informations- und Kommunikationstechnik bietet somit die Möglichkeiten einer flexiblen Anpassung von Technik an den Menschen, an sein Verhalten und seine Bedürfnisse und liefert somit eine maßgeschneiderte, personalisierte, individualisierte Technik und vermeidet somit die bisher erforderliche Anpassung des Menschen an eine starre menschenunfreundliche Technik. Das erfindungsgemäße Konzept ermöglicht somit besonders nutzerfreundliche Blutzuckermessgeräte.
-
Das erfindungsgemäße Konzept ermöglicht die örtliche und zeitlich entfernte individualisierte Bestimmung eines Gesundheitsparameters eines Probanden mittels Stimmauswertung, die sich irgendwo entfernt auf der Welt befinden kann (durch Nutzung z. B. des Internets), wobei aber auch Nutzerdaten aus der Vergangenheit verwendet werden können, sofern diese entsprechend als digitalisiertes Aufnahmematerial gespeichert vorliegen und darauf zugegriffen werden kann.
-
Das erfindungsgemäße Konzept bietet damit die Grundlage für eine bessere Lebensqualität und nutzerfreundlichere Konzepte zur Bestimmung von Gesundheitsparametern. Das erfindungsgemäße Konzept schafft somit eine verletzungsfreie (unblutige), berührungsfreie, nicht-invasive, an die Bedürfnisse des Nutzers sich anpassende und ihn möglichst wenig belastende Möglichkeit zur Bestimmung eines Gesundheitsparameters, wobei zugleich ein wesentlicher Aufwand an Material, Zeit und Kosten eingespart werden kann. Das erfindungsgemäße Konzept stellt eine vertrauenswürdige Vorgehensweise dar, wobei auch Langzeit-Verlaufsmessungen und Überwachungen ermöglicht werden. Das erfindungsgemäße Konzept kann kooperativ den Nutzer auf mögliche Probleme (technisch, diagnostisch) hinweisen, und ihn vor Not- und Unfällen warnen. Das erfindungsgemäße Konzept ist darüber hinaus flexibel und adaptiv und selbstlernend und kann an viele unterschiedliche Randbedingungen flexibel angepasst werden.
-
Darüber hinaus kann der Schutz persönlicher Gesundheitsdaten und der Funktionen des erfindungsgemäßen Konzepts gegen kriminelle Cyber-Angriffe geschützt werden. Insbesondere lässt sich mit dem erfindungsgemäßen Konzept ein Konsumprodukt für „jede Frau/jeder Mann” bereitstellen.
-
Obwohl manche Aspekte im Zusammenhang mit einer Vorrichtung beschrieben wurden, versteht es sich, dass diese Aspekte auch eine Beschreibung des entsprechenden Verfahrens darstellen, sodass ein Block oder ein Bauelement einer Vorrichtung auch als ein entsprechender Verfahrensschritt oder als ein Merkmal eines Verfahrensschrittes zu verstehen ist. Analog dazu stellen Aspekte, die im Zusammenhang mit einem oder als ein Verfahrensschritt beschrieben wurden, auch eine Beschreibung eines entsprechenden Blocks oder Details oder Merkmals einer entsprechenden Vorrichtung dar. Einige oder alle der Verfahrensschritte können durch einen Hardware-Apparat (oder unter Verwendung eines Hardware-Apparats), wie zum Beispiel einen Mikroprozessor, einen programmierbaren Computer oder einer elektronischen Schaltung durchgeführt werden. Bei einigen Ausführungsbeispielen können einige oder mehrere der wichtigsten Verfahrensschritte durch einen solchen Apparat ausgeführt werden.
-
Je nach bestimmten Implementierungsanforderungen können Ausführungsbeispiele der Erfindung in Hardware oder in Software oder zumindest teilweise in Hardware oder zumindest teilweise in Software implementiert sein. Die Implementierung kann unter Verwendung eines digitalen Speichermediums, beispielsweise einer Floppy-Disk, einer DVD, einer BluRay Disc, einer CD, eines ROM, eines PROM, eines EPROM, eines EEPROM oder eines FLASH-Speichers, einer Festplatte oder eines anderen magnetischen oder optischen Speichers durchgeführt werden, auf dem elektronisch lesbare Steuersignale gespeichert sind, die mit einem programmierbaren Computersystem derart zusammenwirken können oder zusammenwirken, dass das jeweilige Verfahren durchgeführt wird. Deshalb kann das digitale Speichermedium computerlesbar sein.
-
Manche Ausführungsbeispiele gemäß der Erfindung umfassen also einen Datenträger, der elektronisch lesbare Steuersignale aufweist, die in der Lage sind, mit einem programmierbaren Computersystem derart zusammenzuwirken, dass eines der hierin beschriebenen Verfahren durchgeführt wird.
-
Allgemein können Ausführungsbeispiele der vorliegenden Erfindung als Computerprogrammprodukt mit einem Programmcode implementiert sein, wobei der Programmcode dahin gehend wirksam ist, eines der Verfahren durchzuführen, wenn das Computerprogrammprodukt auf einem Computer abläuft.
-
Der Programmcode kann beispielsweise auch auf einem maschinenlesbaren Träger gespeichert sein.
-
Andere Ausführungsbeispiele umfassen das Computerprogramm zum Durchführen eines der hierin beschriebenen Verfahren, wobei das Computerprogramm auf einem maschinen-lesbaren Träger gespeichert ist. Mit anderen Worten ist ein Ausführungsbeispiel des erfindungsgemäßen Verfahrens somit ein Computerprogramm, das einen Programmcode zum Durchführen eines der hierin beschriebenen Verfahren aufweist, wenn das Computerprogramm auf einem Computer abläuft.
-
Ein weiteres Ausführungsbeispiel der erfindungsgemäßen Verfahren ist somit ein Datenträger (oder ein digitales Speichermedium oder ein computerlesbares Medium), auf dem das Computerprogramm zum Durchführen eines der hierin beschriebenen Verfahren aufgezeichnet ist. Der Datenträger oder das digitale Speichermedium oder das computerlesbare Medium sind typischerweise greifbar und/oder nicht flüchtig.
-
Ein weiteres Ausführungsbeispiel des erfindungsgemäßen Verfahrens ist somit ein Datenstrom oder eine Sequenz von Signalen, der bzw. die das Computerprogramm zum Durchführen eines der hierin beschriebenen Verfahren darstellt bzw. darstellen. Der Datenstrom oder die Sequenz von Signalen kann bzw. können beispielsweise dahin gehend konfiguriert sein, über eine Datenkommunikationsverbindung, beispielsweise über das Internet, transferiert zu werden.
-
Ein weiteres Ausführungsbeispiel umfasst eine Verarbeitungseinrichtung, beispielsweise einen Computer oder ein programmierbares Logikbauelement, die dahin gehend konfiguriert oder angepasst ist, eines der hierin beschriebenen Verfahren durchzuführen.
-
Ein weiteres Ausführungsbeispiel umfasst einen Computer, auf dem das Computerprogramm zum Durchführen eines der hierin beschriebenen Verfahren installiert ist.
-
Ein weiteres Ausführungsbeispiel gemäß der Erfindung umfasst eine Vorrichtung oder ein System, die bzw. das ausgelegt ist, um ein Computerprogramm zur Durchführung zumindest eines der hierin beschriebenen Verfahren zu einem Empfänger zu übertragen. Die Übertragung kann beispielsweise elektronisch oder optisch erfolgen. Der Empfänger kann beispielsweise ein Computer, ein Mobilgerät, ein Speichergerät oder eine ähnliche Vorrichtung sein. Die Vorrichtung oder das System kann beispielsweise einen Datei-Server zur Übertragung des Computerprogramms zu dem Empfänger umfassen.
-
Bei manchen Ausführungsbeispielen kann ein programmierbares Logikbauelement (beispielsweise ein feldprogrammierbares Gatterarray, ein FPGA) dazu verwendet werden, manche oder alle Funktionalitäten der hierin beschriebenen Verfahren durchzuführen. Bei manchen Ausführungsbeispielen kann ein feldprogrammierbares Gatterarray mit einem Mikroprozessor zusammenwirken, um eines der hierin beschriebenen Verfahren durchzuführen. Allgemein werden die Verfahren bei einigen Ausführungsbeispielen seitens einer beliebigen Hardwarevorrichtung durchgeführt. Diese kann eine universell einsetzbare Hardware wie ein Computerprozessor (CPU) sein oder für das Verfahren spezifische Hardware, wie beispielsweise ein ASIC.
-
Die oben beschriebenen Ausführungsbeispiele stellen lediglich eine Veranschaulichung der Prinzipien der vorliegenden Erfindung dar. Es versteht sich, dass Modifikationen und Variationen der hierin beschriebenen Anordnungen und Einzelheiten anderen Fachleuten einleuchten werden. Deshalb ist beabsichtigt, dass die Erfindung lediglich durch den Schutzumfang der nachstehenden Patentansprüche und nicht durch die spezifischen Einzelheiten, die anhand der Beschreibung und der Erläuterung der Ausführungsbeispiele hierin präsentiert wurden, beschränkt sei.
-
ZITATE ENTHALTEN IN DER BESCHREIBUNG
-
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
-
Zitierte Patentliteratur
-
- WO 2011/135562 A1 [0002]
- WO 2014/143452 A1 [0002]
