-
Die Erfindung betrifft ein Verfahren zum Ermitteln einer Erkrankungsprognose eines Kraftfahrzeuginsassen. Darüber hinaus betrifft die vorliegende Erfindung eine Prognoseeinrichtung zum Ermitteln einer Erkrankungsprognose eines Kraftfahrzeuginsassen.
-
Es ist bekannt, anhand von diversen Überwachungseinrichtungen in einem Kraftfahrzeug einen aktuellen Zustand eines Kraftfahrzeuginsassen, wie insbesondere eines Fahrers, zu überwachen. So beschreiben die
DE 10 2011 110 486 A1 und die
DE 10 2011 109 564 A1 jeweils ein Verfahren, bei welchem ein aktueller Vitalparameterwert des Kraftfahrzeuginsassen aus beispielsweise einem Bild des Kraftfahrzeuginsassen ermittelt wird. Der aktuell ermittelte Vitalparameterwert wird gespeichert und mit einem älteren gespeicherten Vitalparameterwert des Kraftfahrzeuginsassen verglichen. Durch die Beobachtung der Entwicklung der Vitalparameter kann eine Verschlechterung des Vitalzustandes des Kraftfahrzeuginsassen ermittelt werden.
-
Des Weiteren ist aus der
DE 100 42 367 A1 bekannt, physiologische Messwerte eines Fahrers während einer Fahrt in einem Fahrzeug aufzunehmen und mit stationär ermittelten, gesundheitsrelevanten Daten des Fahrers und mit im Fahrzeug vorhandenen, die Fahrerbelastung angebenden Daten zu kombinieren und hieraus eine mögliche Änderung des Fahrerzustands zu ermitteln. Bei Erkennen einer gravierenden Veränderung wird eine Warnung ausgegeben.
-
Die
DE 101 26 224 A1 beschreibt ein Verfahren, um einen Zustand eines Fahrers eines Kraftfahrzeugs zu charakterisieren. Hierzu werden über einen Fahrerzustandsmonitor physiologische Zustandsgrößen des Fahrers ermittelt, wie beispielsweise Gehirnströme, ein Herzzustand, ein Blutdruck, eine Hauttemperatur oder eine Augenlidfrequenz. Die aufgenommenen physiologischen Zustandsgrößen können gespeichert werden und an einen Arzt übermittelt werden.
-
Nachteilig bei diesen bekannten Verfahren ist, dass bei dem jeweiligen Kraftfahrzeuginsassen jeweils nur ein aktueller Zustand erfasst wird und hieraus gegebenenfalls lediglich eine momentan bestehende Krankheit bei dem Kraftfahrzeuginsassen erkannt wird, wenn es also schon zu spät für eine Prävention ist. Des Weiteren ist die Anzahl an Daten, die in dem jeweiligen Kraftfahrzeug zur Auswertung des aktuellen Zustandes gespeichert werden können, begrenzt und erlaubt somit lediglich eine Erkennung einer Krankheit mit einer geringen statistischen Aussagekraft.
-
Weiterhin ist es bekannt, einen Satz von medizinischen Daten einer ersten Person mit einem Satz von medizinischen Daten einer Vielzahl von weiteren Personen mittels diverser Analyseverfahren zu kombinieren, um eine Auswertung eines gesundheitlichen Zustands der ersten Person zu erstellen. So beschreibt die
WO 2015/138768 A1 ein portables Instrument zum Messen vitaler Zeichen eines Patienten, wobei über Sensoren am Patienten vitale Daten wie beispielsweise ein Blutdruck, ein Puls oder eine Körpertemperatur erfasst werden und dem portablen Instrument übermittelt werden. Mittels eines historischen Medizindatensets, welches aus einem externen Datenserver bezogen wird und welches elektronische Krankenprotokolle umfasst, kann eine vorläufige Diagnose des Patienten erstellt werden.
-
Aufgabe der vorliegenden Erfindung ist es, ein Verfahren bereitzustellen, mittels welchem ein gesundheitlicher Zustand eines Kraftfahrzeuginsassen besonders akkurat und vorausschauend ermittelt werden kann.
-
Diese Aufgabe wird durch die Gegenstände der unabhängigen Patentansprüche gelöst. Vorteilhafte Weiterbildungen der Erfindung sind durch die Unteransprüche, die folgende Beschreibung und die Figuren offenbart.
-
Um einen gesundheitlichen Zustand eines Kraftfahrzeuginsassen auf besonders präzise Art und Weise nicht nur zu erkennen sondern sogar zu prognostizieren, wird ein Verfahren geschaffen, das ein Ermitteln einer Erkrankungsprognose des Kraftfahrzeuginsassen umfasst. Unter einer Erkrankungsprognose ist eine Voraussage über eine in Zukunft mögliche, auftretende Krankheit zu verstehen. Mit anderen Worten wird eine Prognose über eine Krankheit erstellt, die der Kraftfahrzeuginsasse möglicherweise zum Zeitpunkt des Ermittelns noch gar nicht hat. Das Verfahren umfasst folgende Schritte: Mittels einer Erfassungseinrichtung werden in einem Kraftfahrzeug Kameradaten des Kraftfahrzeuginsassen aufgenommen. Diese Aufnahme kann zu vorgebbaren Zeitpunkten erfolgen und/oder beispielsweise kontinuierlich während einer Fahrt mit dem Kraftfahrzeug. Die Erfassungseinrichtung ist beispielsweise als eine Kamera ausgebildet, welche zumindest eine Fotografie und/oder eine Videodatei von dem Kraftfahrzeuginsassen erstellt. Vorzugsweise erfasst die Erfassungseinrichtung bei der Aufnahme der Kameradaten einen Kopf des Kraftfahrzeuginsassen, insbesondere ein Gesicht des Kraftfahrzeuginsassen. Für jeden Kraftfahrzeuginsassen kann die Erfassungseinrichtung eine Kamera aufweisen, beispielsweise ist eine Kamera auf einen Fahrersitz gerichtet und/oder eine weitere Kamera auf einen Beifahrersitz. Zumindest eine weitere Kamera kann zusätzlich oder alternativ einen Kraftfahrzeuginsassen auf einer Rückbank des Kraftfahrzeugs aufnehmen.
-
Nach der Aufnahme der Kameradaten sendet die Erfassungseinrichtung die aufgenommenen Kameradaten an eine kraftfahrzeugexterne Prognoseeinrichtung. Die kraftfahrzeugexterne Prognoseeinrichtung kann beispielsweise als ein stationärer Zentralserver ausgebildet sein. Alternativ kann die kraftfahrzeugexterne Prognoseeinrichtung einer Back-End-Einrichtung zugeordnet sein. Bei der Back-End-Einrichtung kann es sicht um eine Rechnerwolke (Cloud Computing) oder um eine Ansammlung von Recheneinrichtungen (cluster of computers) oder um ein Rechenzentrum (computer center) oder um eine Servereinrichtung (server) oder um ein weiteres Rechensystem (computing system) handeln. Die kraftfahrzeugexterne Prognoseeinrichtung kann dazu eingerichtet sein, von einer Vielzahl von Erfassungseinrichtungen aus verschiedenen Kraftfahrzeugen Kameradaten zu empfangen. Durch die kraftfahrzeugexterne Prognoseeinrichtung wird in den empfangenen Kameradaten zumindest ein Gesichtmerkmal ermittelt. Ein Gesichtmerkmal zeichnet sich beispielsweise über einen charakteristischen Bestandteil eines Gesichts aus, beispielsweise als ein Auge und/oder eine Nase und/oder ein Ohr und/oder ein Mund und/oder ein Muttermal und/oder das Haar.
-
Das zumindest eine ermittelte Gesichtsmerkmal wird durch die kraftfahrzeugexterne Prognoseeinrichtung an eine sogenannte Deep-Learning-Engine übermittelt. Eine Deep-Learning-Engine ist ein Gerät, welches sogenanntes Deep Learning (tiefgehendes Lernen) auf eine Vielzahl von Daten anwenden kann. Dabei ist die Deep-Learning-Engine eine hochentwickelte Einrichtung zur Durchführung von tiefgehendem Lernen. Es handelt sich bei der Deep-Learning-Engine um eine Umsetzung von künstlicher Intelligenz. Sowohl künstliche Intelligenz, als auch Maschinenlernen und tiefgehendes Lernen sind mittels der Deep-Learning-Engine umsetzbar. Beispielsweise ist die Deep-Learning-Engine als ein tiefgehendes künstliches neuronales Netzwerk ausgebildet. Mit anderen Worten ist die Deep-Learning-Engine dazu eingerichtet, mittels einer Methode des maschinellen Lernens eine Vielzahl von Trainingsdaten (beispielsweise ein data set) logisch miteinander zu verknüpfen und dann neue, übermittelte Daten nach einem vorbestimmten Algorithmus und anhand der bereits gespeicherten Vielzahl von Trainingsdaten gemäß der darin enthaltenen Logik, wie zum Beispiel eine Korrelation, auszuwerten. Hierdurch können auch weitere logische Verknüpfungen in der Deep-Learning-Engine erstellt werden. Erfindungsgemäß sind als Trainingsdaten in der Deep-Learning-Engine zu einer Vielzahl von Personen deren Gesichtsmerkmale und Krankheitsdaten betreffend wenigstens eine Krankheit gespeichert. Diese werden durch die Deep-Learning-Engine statistisch zusammengefasst, wie zum Beispiel als ein künstliches neuronales Netzwerk. Mit einer Vielzahl von Personen ist insbesondere eine Anzahl von Personen größer als 1000 Personen und insbesondere größer als 10.000 Personen gemeint. Die Daten umfassen bevorzugt Angaben über einen vorbestimmten Beobachtungszeitraum. Ein derart großer Datensatz wird als Big-Data-Datensatz bezeichnet. Das erfindungsgemäße Verfahren ist auf zumindest einen Big-Data-Datensatz anwendbar. Für das Verfahren können zwei unterschiedliche Big-Data-Datensätze ausgewertet werden. Zum einen einen Big-Data-Datensatz der Personen. Zum anderen kann ein Big-Data-Datensatz einer medizinischen Back-End-Einrichtung für Krankheitsdaten herangezogen werden.
-
Nach dem Übermitteln des zumindest einen Gesichtsmerkmals des zu prüfenden Kraftfahrzeuginsassen an die Deep-Learning-Engine verarbeitet diese das zumindest eine Gesichtsmerkmal und ermittelt hierdurch die Erkrankungsprognose des Kraftfahrzeuginsassen. Dabei umfasst die Erkrankungsprognose eine Wahrscheinlichkeit, mit welcher der Kraftfahrzeuginsasse an der wenigstens einen Krankheit innerhalb eines vorbestimmten zukünftigen Zeitraums erkranken wird. Der Zeitraum ist bevorzugt hierzu kürzer oder gleich dem Beobachtungszeitraum. Beispielsweise umfasst die Erkrankungsprognose, dass der Kraftfahrzeuginsasse mit einer bestimmten, ermittelten Wahrscheinlichkeit innerhalb der nächsten 6 Monate an einer Herzkrankheit erkranken wird. Der vorbestimmte zukünftige Zeitraum kann eine vorbestimmte Anzahl von Wochen und/oder Monate und/oder Jahre umfassen. Die Erkrankungsprognose mit der ermittelten Wahrscheinlichkeit wird an die kraftfahrzeugexterne Prognoseeinrichtung übermittelt, welche daraufhin die ermittelte Wahrscheinlichkeit mit einem vorbestimmten Schwellenwert vergleicht. Ist die ermittelte Wahrscheinlichkeit größer als der vorbestimmte Schwellenwert, sendet die kraftfahrzeugexterne Prognoseeinrichtung eine Nachricht an den Kraftfahrzeuginsassen, wobei die Nachricht die ermittelte Erkrankungsprognose umfasst. Die Nachricht kann zurück an das Kraftfahrzeug, in welchen die Kameradaten aufgenommen wurden, gesendet werden. Die Nachricht kann aber auch direkt, wie beispielsweise als eine E-Mail, an den Kraftfahrzeuginsassen gesendet werden.
-
Dadurch, dass der Kraftfahrzeuginsasse vorzeitig auf eine mögliche Erkrankung hingewiesen wird, kann der Kraftfahrzeuginsasse rechtzeitig Vorsorge betrieben, seine Erkrankung behandeln lassen oder sogar durch Prophylaxe vermeiden. Die im Kraftfahrzeug verbrachte Zeit kann also zu medizinischen Zwecken genutzt werden. Weiterhin kann beispielsweise ein Fahrer mit einem hohen Stresslevel oder Depressionen identifiziert werden. Vorteilhaft durch die Verwendung der Deep-Learning-Engine und der Vielzahl von Krankheitsdaten verschiedener Personen ist zudem, dass die Erkrankungsprognose mit einer hohen Genauigkeit ermittelt wird. Hierdurch reduziert sich die Gefahr einer Fehldiagnose.
-
Die Erfindung umfasst auch Weiterbildungen des erfindungsgemäßen Verfahrens, durch die sich zusätzliche Vorteile ergeben.
-
In einer vorteilhaften Weiterbildung der Erfindung werden in der Deep-Learning-Engine medizinische Daten betreffend wenigstens einen Vitalparameter des Kraftfahrzeuginsassen gespeichert und zur Ermittlung der Erkrankungsprognose des Kraftfahrzeuginsassen herangezogen. Unter den medizinischen Daten sind insbesondere Daten zu verstehen, die in einer Krankheitsakte des Kraftfahrzeuginsassen vermerkt sind. Beispielsweise umfassen die medizinischen Daten Analysewerte von Blut und/oder einen Blutdruckwert und/oder ein Elektrokardiogramm und/oder ein Gentest und/oder ein Gewicht und/oder eine bereits bekannte Krankheit, wie beispielsweise Diabetes oder eine Herzkrankheit des Kraftfahrzeuginsassen. Medizinische Daten können nicht nur aktuelle Daten, sondern auch historische Daten und/oder einen historischen Krankheitsverlauf des Kraftfahrzeuginsassen umfassen. Die medizinischen Daten umfassen beispielsweise einen Bericht oder ein Protokoll eines oder mehrerer Ärzte. Diese medizinischen Daten können in der medizinischen Back-End-Einrichtung gesammelt werden und an die Deep-Learning-Engine übermittelt werden. Die medizinischen Daten können aber auch von medizinischen Geräten aufgenommen werden und direkt an die medizinische Back-End-Einrichtung übertragen werden. Die Übertragung kann über ein Internet der Dinge (Internet of Things) erfolgen. Dabei kommunizieren die medizinischen Geräte mehrfach untereinander und mit der medizinischen Back-End-Einrichtung, wobei Kommunikationsdaten in der medizinischen Back-End-Einrichtung gespeichert werden. Beispielsweise handelt es sich bei den medizinischen Geräten um Geräte, die in einem häuslichen Gebrauch verwendet werden, wie beispielsweise ein Blutdruckmessgerät oder eine Gewichtswaage. Durch das Einbeziehen der medizinischen Daten des Kraftfahrzeuginsassen ergibt sich der Vorteil, dass die Erkrankungsprognose des Kraftfahrzeuginsassen noch präziser erstellt wird.
-
In einer weiteren vorteilhaften Weiterbildung der Erfindung werden in der Deep-Learning-Engine weitere medizinische Daten betreffen wenigstens einen Vitalparameter der Vielzahl von Personen gespeichert und zur Ermittlung der Erkrankungsprognose des Kraftfahrzeuginsassen herangezogen. Zusätzlich zu den in der Deep-Learning-Engine gespeicherten Krankheitsdaten können auch weitere Daten betreffend die verschiedenen Personen, die jedoch nicht unbedingt im Zusammenhang mit der Krankheit stehen, an die Deep-Learning-Engine übermittelt werden. Beispielsweise umfassen diese weiteren medizinischen Daten auch Analysewerte von Blut und/oder einen Blutdruckwert und/oder ein Elektrokardiogramm und/oder ein Gentest und/oder ein Gewicht und/oder eine bereits bekannte Krankheit einer oder mehrerer bestimmten Personen. Die medizinischen Daten umfassen beispielsweise einen Bericht oder ein Protokoll eines oder mehrerer Ärzte. Beispielsweise werden diese weiteren medizinischen Daten auch in der medizinischen Back-End-Einrichtung gesammelt. Auch hier gibt sich der Vorteil, dass die Genauigkeit der Erkrankungsprognose erhöht wird.
-
In einer weiteren vorteilhaften Weiterbildung der Erfindung speichert die Prognoseeinrichtung die empfangenen Kameradaten des Kraftfahrzeuginsassen mit einem zu den Kameradaten zugeordneten Zeitpunkt. Für die Ermittlung der Erkrankungsprognose wird durch die Deep-Learning-Engine ein Vergleich der Kameradaten und/oder des zumindest einen ermittelten Gesichtsmerkmals aus den Kameradaten mit zu einem älteren Zeitpunkt gespeicherten Kameradaten und/oder des zumindest einen ermittelten Gesichtsmerkmals erstellt. Somit kann eine Zeitentwicklung des zumindest einen Gesichtsmerkmals durch die Deep-Learning-Engine ermittelt werden beispielsweise mit einer Zeitentwicklung des zumindest einen Gesichtsmerkmals zumindest einer weiteren Person verglichen werden. Somit kann die Deep-Learning-Engine eine Ähnlichkeit der Zeitentwicklung des zumindest einen Gesichtsmerkmals und eine Zuordnung zu einer Krankheit ermitteln.
-
In einer weiteren vorteilhaften Weiterbildung der Erfindung werden gespeicherten Daten in der Deep-Learning-Engine zu vorgebbaren Zeitpunkten aktualisiert. Zum einen können die Gesichtsmerkmale und/oder die Krankheitsdaten betreffend die wenigstens eine Krankheit der Vielzahl von Personen aktualisiert werden. Zum anderen können weitere Personen und deren Gesichtsmerkmale und/oder Krankheitsdaten betreffend wenigstens eine Krankheit zu den bereits gespeicherten Personen hinzugefügt werden. Des Weiteren können weitere Krankheiten in der Deep-Learning-Engine gespeichert werden. Vorteilhaft durch eine regelmäßige Aktualisierung der Krankheitsdaten in der Deep-Learning-Engine ist, dass diese auf einen aktuellen Stand gebracht wird und somit die Präzision der zu ermittelten Erkrankungsprognose des Kraftfahrzeuginsassen erhöht wird. Die Kameradaten des Kraftfahrzeuginsassen können somit auch auf eine Vielzahl von Krankheiten geprüft werden. In Deep-Learning-Engine kann dabei so konfiguriert werden, dass bestimmte Krankheiten ausgewählt werden, indem diese der Deep-Learning-Engine hinzugefügt oder entfernt werden.
-
In einer weiteren vorteilhaften Weiterbildung der Erfindung werden ein erstes Softwareupdate der Deep-Learning-Engine und/oder eine Erweiterung der Krankheitsdaten mittels eines zweiten Software-updates in der Prognoseeinrichtung durchgeführt. Hierbei ist ein Format der von dem Kraftfahrzeug bereitgestellten Kameradaten unabhängig von den Softwareupdates. Das bedeutet, dass die Softwareupdates in der Back-End-Einrichtung durchgeführt werden können. Es kann vorteilhafterweise für das Kraftfahrzeug unabhängig von dessen Alter regelmäßig eine besonders neue Software in der Back-End-Einrichtung zur Verfügung gestellt werden. Dies ist möglich, sofern die jeweiligen Softwareupdates keine Formatänderung der von dem Kraftfahrzeug bereitgestellten Kameradaten erfordern. Da die Softwareupdates lediglich in der Deep-Learning-Engine und/oder in der Prognoseeinrichtung beziehungsweise in der Back-End-Einrichtung durchgeführt werden, können sämtliche Kraftfahrzeuge, welche zur Durchführung des Verfahrens geeignet sind, hinsichtlich des Verfahrens auf einem neuesten Stand gehalten beziehungsweise gebracht werden.
-
In einer weiteren vorteilhaften Weiterbildung der Erfindung nimmt die Erfassungseinrichtung ein Kamerabild des Kraftfahrzeuginsassen auf. Die Erfassungseinrichtung wandelt mittels einer Gesichtserkennung-Methode das Kamerabild in eine Vielzahl von charakteristischen Beschreibungspunkten um. Die Vielzahl von charakteristischen Beschreibungspunkten werden als Kameradaten zusammengefasst und der kraftfahrzeugexternen Prognoseeinrichtung übermittelt. Hierdurch ergibt sich der Vorteil, dass eine Größe der von der Erfassungseinrichtung an die kraftfahrzeugexterne Prognoseeinrichtung zu übermittelten Kameradaten reduziert werden kann und somit sich eine Geschwindigkeit der Übermittlung erhöht. Eine Auswertung und eine Ermittlung der Erkrankungsprognose können somit schneller erfolgen.
-
In einer weiteren vorteilhaften Weiterbildung der Erfindung verarbeitet die Deep-Learning-Engine die Kameradaten mittels einer Clusteranalyse, wobei die Clusteranalyse Ähnlichkeiten und/oder Unähnlichkeiten zwischen dem zumindest einen Gesichtsmerkmal des Kraftfahrzeuginsassen und den zu der Vielzahl von Personen gespeicherten Gesichtsmerkmalen ermittelt. Mit anderen Worten wird das zumindest eine Gesichtsmerkmal mittels der Clusteranalyse klassifiziert. Aus der Clusteranalyse kann das zumindest ein Gesichtmerkmal einem vorbestimmten emotionalen Zustand und/oder einem vorbestimmten optischen Merkmal zugeordnet werden. Der Kraftfahrzeuginsasse wird durch die Clusteranalyse also nach einem emotionalen Zustand und/oder nach einem optischen Merkmal klassifiziert. Das optische Merkmal kann beispielsweise einem Krankheitsmerkmal zugeordnet sein. So kann das optische Merkmal beispielsweise Falten, dunkle Flecken oder andere Irregularitäten auf einem Gesicht beschreiben. Beispielsweise sind optische Merkmale, wie kahle Stellen, eine gelbe Verfärbung in der Nähe eines inneren Augenlids, ein zurückgehender Haaransatz, eine Cholesterin-Ablagerung auf dem Augenlid und auf dem Ohrläppchen einer Herzkrankheit zugeordnet.
-
Der emotionale Zustand kann beispielsweise in Freude, Wut, Trauer und/oder Bitterkeit eingeordnet werden. Ein Ergebnis der Clusteranalyse kann in der Deep-Learning-Engine gespeichert werden, um somit eine Entwicklung über einen bestimmten Zeitraum zu beobachten. Wird beispielsweise durch die Deep-Learning-Engine ermittelt, dass der Kraftfahrzeuginsasse über einen längeren Zeitraum einen negativen emotionalen Zustand aufweist, kann die Erkrankungsprognose eine Empfehlung für einen Gesundheitscheck umfassen. Weiterhin kann die Erkrankungsprognose auch an einen Arzt gesendet werden. Somit kann sichergestellt werden, dass der Kraftfahrzeuginsasse seinen möglichen Krankheitszustand nicht unbehandelt lässt.
-
In einer weiteren vorteilhaften Weiterbildung der Erfindung ermittelt die Deep-Learning-Engine die Erkrankungsprognose mittels einer Predictive-Analysis-Einrichtung (Predictive-Analysis - prädiktive Analyse). Insbesondere ermittelt die Deep-Learning-Engine die Erkrankungsprognose mittels prädiktiver Analyse. Eine prädiktive Analyse ist eine statistische Methode, um mittels historischen Daten eine Aussage über die Zukunft zu treffen. Eine derartige statistische Methode ist beispielsweise als Hauptkomponentenregression (principle component regression) bekannt. Mittels dieser prädiktiven Analyse, die auf das ermittelte zumindest eine Gesichtsmerkmal und/oder auf das gespeicherte Gesichtsmerkmal zusammen mit den in der Deep-Learning-Engine verfügbaren Gesichtsmerkmalen und Krankheitsdaten angewandt wird, kann eine Krankheit des Kraftfahrzeuginsassen vorausgesagt werden. Hierdurch erhöht sich eine statistische Aussagekraft der Erkrankungsprognose.
-
In einer weiteren vorteilhaften Weiterbildung der Erfindung betrifft die zumindest eine Krankheit zumindest eines der folgenden Krankheiten: Krebs, eine Herzkrankheit, eine psychologische Störung, eine suizidale Tendenz oder eine Gen-Anomalie. Beispielsweise betrifft die zumindest eine Krankheit eine Depression und/oder einen Herzinfarkt.
-
Die erfindungsgemäße Prognoseeinrichtung zum Ermitteln einer Erkrankungsprognose eines Kraftfahrzeuginsassen weist eine Sende- und Empfangseinheit auf, welche dazu eingerichtet ist, Kameradaten des Kraftfahrzeuginsassen von einem Kraftfahrzeug zu empfangen. Weiterhin weist die Prognoseeinrichtung eine Prozessoreinheit auf, welche dazu eingerichtet ist, aus den durch die Sende- und Empfangseinheit empfangenen Kameradaten zumindest ein Gesichtmerkmal zu ermitteln. Des Weiteren weist die Prognoseeinrichtung eine Deep-Learning-Engine auf, welche eine Speichereinheit umfasst, in welcher zu einer Vielzahl von Personen Gesichtsmerkmale dieser Personen und Krankheitsdaten betreffend wenigstens eine Krankheit dieser Personen statistisch zusammengefasst gespeichert sind. Die Deep-Learning-Engine ist dazu eingerichtet, das zumindest eine ermittelte Gesichtsmerkmal zu verarbeiten und hierdurch die Erkrankungsprognose des Kraftfahrzeuginsassen zu ermitteln. Die Erkrankungsprognose umfasst eine Wahrscheinlichkeit, mit welcher der Kraftfahrzeuginsasse an der wenigstens einen Krankheit innerhalb eines vorbestimmten zukünftigen Zeitraums erkranken wird. Weiterhin ist die Prozessoreinheit dazu eingerichtet, zu überprüfen, ob die durch die Deep-Learning-Engine ermittelte Wahrscheinlichkeit größer als ein vorbestimmter Schwellenwert ist. Ist die ermittelte Wahrscheinlichkeit größer als der vorbestimmte Schwellenwert, ist die Prozessoreinheit dazu eingerichtet, die Sende- und Empfangseinheit derart anzusteuern, dass diese eine Nachricht mit der ermittelten Erkrankungsprognose an den Kraftfahrzeuginsassen ausgibt.
-
Zu der Erfindung gehören auch Weiterbildungen der erfindungsgemäßen Prognoseeinrichtung, die Merkmale aufweisen, wie sie bereits im Zusammenhang mit den Weiterbildungen des erfindungsgemäßen Verfahren zum Ermitteln einer Erkrankungsprognose eines Kraftfahrzeuginsassen beschrieben worden sind. Aus diesem Grund sind die entsprechenden Weiterbildungen der erfindungsgemäßen Prognoseeinrichtung hier nicht noch einmal beschrieben. Die zuvor im Zusammenhang mit dem erfindungsgemäßen Verfahren beschriebenen Vorteile und Weiterbildungen gelten somit sinngemäß für die erfindungsgemäße Prognoseeinrichtung.
-
Im Folgenden sind Ausführungsbeispiele der Erfindung beschrieben. Hierzu zeigt:
- 1 ein Diagramm, welches die Verfahrensschritte für ein Verfahren zum Ermitteln einer Erkrankungsprognose eines Kraftfahrzeuginsassen erläutert;
- 2 eine schematische Darstellung eines Kraftfahrzeugs mit einer Erfassungseinrichtung sowie einer kraftfahrzeugexternen Prognoseeinrichtung und einer medizinischen Back-End-Einrichtung.
-
Bei den im Folgenden erläuterten Ausführungsbeispielen handelt es sich um bevorzugte Ausführungsformen der Erfindung. Bei den Ausführungsbeispielen stellen die beschriebenen Komponenten der Ausführungsformen jeweils einzelne, unabhängig voneinander zu betrachtende Merkmale der Erfindung dar, welche die Erfindung jeweils auch unabhängig voneinander weiterbilden und damit auch einzeln oder in einer anderen als der gezeigten Kombination als Bestandteil der Erfindung anzusehen sind. Des Weiteren sind die beschriebenen Ausführungsformen auch durch weitere der bereits beschriebenen Merkmale der Erfindung ergänzbar.
-
In den Figuren sind funktionsgleiche Elemente jeweils mit denselben Bezugszeichen versehen.
-
1 zeigt ein Diagramm, welches die Verfahrensschritte für ein Verfahren zum Ermitteln einer Erkrankungsprognose 10 eines Kraftfahrzeuginsassen 12 erläutert. In 2 ist ein Kraftfahrzeug 14 mit zwei Kraftfahrzeuginsassen 12 und einer Erfassungseinrichtung 16 sowie eine kraftfahrzeugexterne Prognoseeinrichtung 18 und eine medizinische Back-End-Einrichtung 20 schematisch und lediglich teilweise dargestellt. Im Folgenden werden diese beiden Figuren zusammen erläutert.
-
Das Kraftfahrzeug 14 weist eine Erfassungseinrichtung 16 auf, welche hier dargestellt als eine Einrichtung mit zwei Kameras 16 ausgebildet ist. Eine erste Kamera 16 ist auf einen Fahrer 12 des Kraftfahrzeugs 14 ausgerichtet und eine zweite Kamera 16 ist auf einen weiteren Kraftfahrzeuginsassen 12, welcher sich auf einer Rückbank des Kraftfahrzeugs 14 befindet, ausgerichtet. In einem ersten Verfahrensschritt S1 nehmen die beiden Kameras 16 jeweils Kameradaten 22 des Fahrers 12 beziehungsweise des auf der Rückbank befindlichen Kraftfahrzeuginsassen 12 auf. Dabei können die Kameradaten 22 ein Kamerabild oder eine Vielzahl von Kamerabilder umfassen. Des Weiteren kann das wenigstens eine Kamerabild mittels einer Gesichtserkennungs-Methode zu einer Vielzahl von charakteristischen Beschreibungspunkten zusammengefasst werden, sodass die Kameradaten 22 lediglich die Vielzahl von charakteristischen Beschreibungspunkten statt des Kamerabilds umfassen.
-
In einem zweiten Verfahrensschritt S2 werden die Kameradaten 22 an eine kraftfahrzeugexterne Prognoseeinrichtung 18 gesendet. Hierfür weisen die Erfassungseinrichtung 16 und die kraftfahrzeugexterne Prognoseeinrichtung 18 jeweils eine Sende- und Empfangseinheit auf. Die kraftfahrzeugexterne Prognoseeinrichtung 18 ist beispielsweise als ein stationärer Zentralserver ausgebildet. In einem dritten Verfahrensschritt S3 ermittelt die kraftfahrzeugexterne Prognoseeinrichtung 18 aus den empfangenen Kameradaten 22 zumindest ein Gesichtmerkmal. Das zumindest eine Gesichtsmerkmal wird einer Deep-Learning-Engine 24 übermittelt. Die Deep-Learning-Engine 24 ist beispielsweise in der kraftfahrzeugexternen Prognoseeinrichtung 18 integriert. Alternativ wird die Deep-Learning-Engine 24 von der kraftfahrzeugexternen Prognoseeinrichtung 18 ferngesteuert. Die Deep-Learning-Engine 24 ist beispielsweise als ein künstliches neuronales Netzwerk ausgebildet, welches anhand von historischen Daten, welche Gesichtsmerkmale und/oder Krankheitsdaten von dem jeweiligen Kraftfahrzeuginsassen 12 selbst und/oder von einer Vielzahl von Personen betreffen, statistische Analysemethoden wie beispielsweise eine Hauptkomponentenregression auf das aktuell übermittelte zumindest eine Gesichtsmerkmal anwendet. Die Deep-Learning-Engine 24 kann mit der medizinischen Back-End-Einrichtung 20 kommunizieren, wobei in der medizinischen Back-End-Einrichtung 20 beispielsweise Krankheitsakten von einer Vielzahl von Personen und/oder der jeweiligen Kraftfahrzeuginsassen 12 selbst gespeichert sind. Die medizinische Back-End-Einrichtung 20 empfängt beispielsweise Berichte von Ärzten. Weiterhin kann die medizinische Back-End-Einrichtung 20 Messwerte aus einem medizinischen Gerät beziehen, wie beispielsweise aus einem Blutdruckmessgerät. Beispielsweise werden diese medizinischen Daten über einen Internetempfang an die medizinische Back-End-Einrichtung 20 übertragen.
-
In einem vierten Verfahrensschritt S4 verarbeitet die Deep-Learning-Engine 24 das zumindest eine Gesichtsmerkmal derart, dass die Deep-Learning-Engine 24 eine Erkrankungsprognose 10 des jeweiligen Kraftfahrzeuginsassen 12 erstellt. Die Erkrankungsprognose 10 gibt eine Wahrscheinlichkeit an, mit welcher der jeweilige Kraftfahrzeuginsasse 12 an wenigstens einer Krankheit innerhalb eines vorbestimmten zukünftigen Zeitraums erkranken wird. Die kraftfahrzeugexterne Prognoseeinrichtung 18 prüft darauf hin, ob diese ermittelte Wahrscheinlichkeit größer als ein vorbestimmter Schwellenwert ist. Beispielsweise beträgt der vorbestimmte Schwellenwert 60% oder 70% oder 80%. Trifft dies zu, sendet die kraftfahrzeugexterne Prognoseeinrichtung 18 eine Nachricht an den jeweiligen Kraftfahrzeuginsassen 12 mit der ermittelten Erkrankungsprognose 10 in einem fünften Verfahrensschritt S5. Beispielsweise sendet die Sende- und Empfangseinheit der Prognoseeinrichtung 18 diese Nachricht an eine Sende- und Empfangseinheit des Kraftfahrzeugs 14.
-
Insgesamt zeigen die Beispiele, wie durch die Erfindung mit einer hohen Genauigkeit eine Erkrankungsprognose für einen Kraftfahrzeuginsassen erstellt werden kann.
-
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
-
- DE 102011110486 A1 [0002]
- DE 102011109564 A1 [0002]
- DE 10042367 A1 [0003]
- DE 10126224 A1 [0004]
- WO 2015/138768 A1 [0006]