DE102021003489A1 - Verfahren zur Erkennung einer graduell abnehmenden fahrerischen Leistungsfähigkeit eines Fahrzeugführers - Google Patents

Abstract

Die Erfindung betrifft ein Verfahren zur Erkennung einer graduell abnehmenden fahrerischen Leistungsfähigkeit eines Fahrzeugführers, bei welchem ein individuelles fahrspezifisches Verhalten sowie physiologische und emotionale Merkmale (M) eines Fahrers sowie dessen Gesundheitsdaten (k) erfasst werden, welche zur Bestimmung der fahrerischen Leistungsfähigkeit (uM(t, M)) kombiniert und ausgewertet werden. Bei einem Verfahren, mit welchem die Gefahr von Unfällen durch frühzeitige Erkennung von Fahrzeugführern mit einem schleichenden Verlust der fahrerischen Leistungsfähigkeit möglich ist, werden das fahrspezifische Verhalten sowie die individuellen physiologischen und emotionalen Merkmale (M) eines ersten Fahrers zu vorgegebenen Zeitpunkten (t) erfasst und ausgewertet und mit Hilfe von Gesundheitsdaten (k) für den ersten Fahrer zu weiteren Zeitpunkten (tb) eine von den Merkmalen bzw. Daten (M) und der Zeit (t) abhängige Funktion (uf) abgeleitet und/oder mit einem Modell (ML, MLH) des maschinellen Lernens trainiert, wobei in Auswertung dieser Merkmale und Daten (M) eine von den Merkmalen und Daten (M) eines weiteren Fahrers abhängige Funktion (uf) abgeleitet und/oder mit einem Modell (ML, MLH) des maschinellen Lernens ermittelte fahrerischen Leistungsfähigkeit (uM(t,M)) bestimmt wird, um eine Abnahme der fahrerischen Leistungsfähigkeit (uM(t,M)) des weiteren Fahrers vorausschauend zu bestimmen.

Description

• Die Erfindung betrifft ein Verfahren zur Erkennung einer graduell abnehmenden fahrerischen Leistungsfähigkeit eines Fahrzeugführers, bei welchen ein fahrspezifisches Verhalten sowie individuelle physiologische und emotionale Merkmale eines Fahrers sowie dessen Gesundheitsdaten erfasst werden, welche zur Bestimmung der fahrerischen Leistungsfähigkeit kombiniert und ausgewertet werden.
• Die DE 10 2019 204 786 A1 offenbart ein System und ein Verfahren zur Fahrerzustandsüberwachung in einem Fahrzeug, bei welchen mittels Sensordaten die Vitalfunktionen des Fahrers bestimmt werden und vorgegebene Fahrer- und Fahrdaten des Fahrzeuges gespeichert und überwacht werden, welche in einer Steuereinrichtung in Kombination derart verarbeitet werden, dass eine physische Konstitution des Fahrers ermittelt wird. Zusätzlich werden Gesundheitsinformationen zur Ermittlung der Vitaldaten verwendet. Aus diesen Daten erarbeitet die Steuereinrichtung eine Risikobewertung, wobei eine Warnung ausgegeben wird, wenn die physische Konstitution des Fahrers nicht mehr einem vorgegebenen Sollwert entspricht. Dabei wird nicht nur der Fahrer informiert, sondern auch externe Einrichtungen wie Datenbanken oder Leitstellen für Notrufe oder Straßenüberwachung.
• Aufgabe der Erfindung ist es, ein Verfahren zur Erkennung einer graduell abnehmenden fahrerischen Leistungsfähigkeit eines Fahrzeugführers anzugeben, mit welchem die Gefahr von Unfällen durch frühzeitige Erkennung von Fahrzeugführern mit einem schleichenden Verlust der fahrerischen Leistungsfähigkeit verhindert wird.
• Die Erfindung ergibt sich aus den Merkmalen der unabhängigen Ansprüche. Vorteilhafte Weiterbildungen und Ausgestaltungen sind Gegenstand der abhängigen Ansprüche. Weitere Merkmale, Anwendungsmöglichkeiten und Vorteile der Erfindung ergeben sich aus der nachfolgenden Beschreibung, sowie der Erläuterung von Ausführungsbeispielen der Erfindung, die in den Figuren dargestellt sind.
• Die Aufgabe wird mit dem Gegenstand des Patentanspruchs 1 gelöst.
• Bei dem eingangs erläuterte Verfahren werden das individuelle fahrspezifische Verhalten sowie die individuellen physiologischen und emotionalen Merkmale eines ersten Fahrers zu vorgegebenen Zeitpunkten erfasst und ausgewertet und mit Hilfe von Gesundheitsdaten für den ersten Fahrer zu weiteren Zeitpunkten eine von den Merkmalen bzw. Daten und der Zeit abhängige Funktion abgeleitet und/oder mit einem Modell des maschinellen Lernens trainiert, wobei in Auswertung dieser Merkmale und Daten eine von den Merkmalen und Daten abhängige Funktion abgeleitet und/oder mit einem Modell des maschinellen Lernens ermittelte fahrerischen Leistungsfähigkeit verwendet wird, um eine Abnahme der fahrerischen Leistungsfähigkeit eines weiteren Fahrers vorausschauend zu bestimmen. Eine solche individuelle Langzeitanalyse erlaubt es eine schleichende Beeinträchtigung der motorischen, perzeptorischen und/oder kognitiven Leistungsfähigkeit, welche zu einer Abnahme der fahrerischen Leistungsfähigkeit führen, frühzeitig zu erkennen. Die Verwendung eines Modells zum maschinellen Lernen oder einer definierten Funktion erlauben die Approximation der vorausschauend zu bestimmenden fahrerischen Leistungsfähigkeit, da die Fahrleistung als solche zu einem bestimmten zukünftigen Zeitpunkt nicht ermittelt werden kann.
• Es ist von Vorteil, wenn von den Merkmalen bzw. Daten des ersten Fahrers und der Zeit abhängige Funktion und/oder das Modell des maschinellen Lernens zur Ermittlung der fahrerischen Leistungsfähigkeit eines weiteren Fahrers genutzt werden, wobei anhand der von dem weiteren Fahrer ermittelte fahrspezifische Verhalten sowie den individuellen physiologischen und emotionalen Merkmalen dessen Gesundheitsdaten vorausschauend bestimmt werden. Die zuverlässige Einschätzung der fahrerischen Leistungsfähigkeit des zweiten Fahrers erfolgt somit auf den für einen vorgegebenen klinischen Befund des ersten Fahrers ermittelten Daten.
• Es können für gleiche medizinische Befunde jeweils eine definierte Funktion oder ein Modell des maschinellen Lernens erstellt werden, was die Genauigkeit der Bestimmung der fahrerischen Leistungsfähigkeit und somit eine Zuverlässigkeit der Prädizierung einer Fahrunfähigkeit des Fahrers erhöht. Für unterschiedliche medizinische Befunde können jeweils unterschiedliche definierte Funktionen oder unterschiedliche Modelle des maschinellen Lernens erstellt werden. Dadurch wird es möglich, aus den Merkmalen und Daten des ersten Fahrers neben der Vorhersage der Abnahme der fahrerischen Leistungsfähigkeit auch einen wahrscheinlichen medizinischen Befund vorher zu sagen.
• In einer Ausgestaltung wird für jeden Merkmals- bzw. Datensatz zu einem Zeitpunkt geprüft ob die vorausschauend ermittelte fahrerische Leistungsfähigkeit einen vorgegebenen Schwellwert unterschreitet, wobei bei Unterschreitung des Schwellwertes eine Information an den jeweiligen Fahrer über die mangelnde fahrerische Leistungsfähigkeit ausgegeben wird. Alternativ kann die Information auch an eine Versicherung oder eine Führerscheinbehörde ausgegeben werden.
• In einer Variante wird das durch den Fahrer gelenkte Fahrzeug bei Unterschreitung des Schwellwertes in einen gesicherten Betriebsmodus überführt. Dadurch wird eine Unfallgefahr reduziert.
• In einer Ausführungsform wird bei Abnehmen der fahrerischen Leistungsfähigkeit des Fahrers über einen vorgegebenen Zeitraum unter Zuhilfenahme der definierten Funktion oder mit dem Modell prädiziert, zu welchem Zeitpunkt der Fahrer fahruntüchtig sein wird. Dies ist deshalb von Vorteil, da sich die schleichend verschlechternde fahrerische Leistungsfähigkeit eine Gefahr für den Straßenverkehr darstellt, die dem Fahrer des Fahrzeuges nicht bewusst ist.
• In einer weiteren Variante wird bei Abnehmen der fahrerischen Leistungsfähigkeit des Fahrers über den vorgegebenen Zeitpunkt durch Vergleich einer Vorhersagegüte verschiedener Modelle und/oder relativer Zeitpunkte und/oder Nutzen des besten Modells und/oder des besten relativen Zeitpunktes prädiziert, zu welchem Zeitpunkt der Fahrer fahruntüchtig sein wird. Dadurch wird die Genauigkeit der Modellaussagen verbessert.
• Es ist von Vorteil, wenn der prädizierte Zeitpunkt der Fahruntauglichkeit des Fahrers und/oder ein wahrscheinlicher medizinischer Befund an den Fahrer ausgegeben wird. Auf Grund einer solchen Warnung kann der Fahrer von sich aus Gegenmaßnahmen einleiten. In einer weiteren Ausgestaltung werden aus der von dem Modell des maschinellen Lernens ermittelten fahrerischen Leistungsfähigkeit die Merkmale und Daten extrahiert, welche in dem Modell entscheidend für eine Verbesserung der medizinischen Diagnostik für den weiteren Fahrer sind. Eine solche Extraktion von Daten kann dabei auf der Grundlage einer Häufigkeit der Merkmale und Daten erfolgen, die in einem Grenzbereich liegen oder diesen überschreiten.
• In einer weiteren Variante wird auf Basis unterschiedlicher durch das Modell des maschinellen Lernens bestimmten fahrerischen Leistungsfähigkeiten für unterschiedliche medizinische Befunde, die Art einer Erkrankung vor einer medizinischen Diagnose erkannt. Dies kann den Fahrer veranlassen, sich einer eingehenden medizinischen Untersuchung insbesondere immer dann zu unterziehen, wenn ihm entsprechende Symptome noch nicht aufgefallen sind.
• In einer weiteren Ausführungsform werden die medizinischen Befunde über eine Schnittstelle drahtlos an das Fahrzeug übertragen, wobei zu jedem medizinischen Befund ein Eintragungszeitpunkt erfasst wird, welcher als Startzeitpunkt für die jeweils zu definierende Funktion oder einem Referenzpunkt für die Modelle angenommen wird. Durch die Vielzahl der auszuwertenden Daten verbessert sich das Modell oder die Modelle und somit die Genauigkeit der vorauszusagenden Beeinträchtigung der Fahrtauglichkeit des Fahrers.
• Weitere Vorteile, Merkmale und Einzelheiten ergeben sich aus der nachfolgenden Beschreibung, in der - gegebenenfalls unter Bezug auf die Zeichnung - zumindest ein Ausführungsbeispiel im Einzelnen beschrieben ist. Beschriebene und/oder bildlich dargestellte Merkmale können für sich oder in beliebiger, sinnvoller Kombination den Gegenstand der Erfindung bilden, gegebenenfalls auch unabhängig von den Ansprüchen, und können insbesondere zusätzlich auch Gegenstand einer oder mehrerer separater Anmeldung/en sein. Gleiche, ähnliche und/oder funktionsgleiche Teile sind mit gleichen Bezugszeichen versehen.
• Es zeigen:
• 1 ein Ausführungsbeispiel eines Systems zur Ausführung des erfindungsgemäßen Verfahrens,
• 2 Ausführungsbeispiele für die Ermittlung einer Funktion oder Erstellung eines Modells zum maschinellen Lernen aus gemessen Informationen und Daten,
• 3 ein Ausführungsbeispiel des erfindungsgemäßen Verfahrens
• 4 ein Ausführungsbeispiel zur Erkennung einer graduellen Abnahme einer fahrerischen Leistungsfähigkeit.
• In 1 ist ein Ausführungsbeispiel eines Systems zur Ausführung des erfindungsgemäßen Verfahrens dargestellt. Das System 1 umfasst ein Fahrzeug 3, in dessen Innenraum ein erstes Steuergerät 5 verbaut ist, welches von einem zweiten im Fahrzeug 1 angeordneten Steuergerät 7, beispielsweise einem ADAS-Steuergerät und/oder einem Motorsteuergerät und/oder einem Batteriemanagementsystem oder anderen Fahrerassistenzsystemen, mit welchen das erste Steuergerät 5 verbunden ist, fahrerspezifische Daten während einer Fahrt des Fahrzeuges 3 erhält. So kann beispielsweise ermittelt werden, wie häufig Notbremsungen oder Lenkeingriffe ausgeführt werden, um die Spur zu halten oder eine laterale Positionierung des Fahrzeuges 3 in der Spur erkannt wird oder welcher Abstand zu vorausfahrenden Fahrzeugen 3 durch den Fahrer gewählt wird. Auch fahrspezifische, insbesondere fahrdynamische Eingriffe, wie Aussagen zu maximalen Quer- oder Längsbeschleunigungen des Fahrzeuges 3, eine Geschwindigkeitsverteilung, die maximale oder die Verteilung der Motordrehzahl können neben der Raddrehzahl dem Steuergerät 5 zugeführt werden. Das erste Steuergerät 5 umfasst einen Speicher 9, in welchen ein persönliches Fahrerprofil hinterlegt ist, welches Informationen über das Alter des Fahrers, ob der Fahrer Raucher oder Nichtraucher ist und ähnliches enthält.
• Darüber hinaus ist das erste Steuergerät 3 mit Sensoren gekoppelt, welche während der Fahrt des Fahrzeuges 3 Daten über den Zustand des Fahrers liefert. So sind im Innenraum des Fahrzeuges 1 beispielsweise ein akustischer Sensor 21, beispielsweise in Form eines Mikrophons, zur Übertragung von Sprachinformationen und/oder Messung der Atemfrequenz des Fahrers und eine Innenraumkamera 11 zur Gesichtserkennung des Fahrers angeordnet. Weitere mit dem ersten Steuergerät 5 verbundene Vitalsensoren 13 liefern Informationen über die Herzschlagfrequenz des Fahrers. Die Hautleitfähigkeit des Fahrers kann über weitere nicht dargestellte optische oder elektrische Sensoren erfasst werden.
• Darüber hinaus erhält das erste Steuergerät 5 von einer fahrzeugexternen Cloud 15 drahtlos über eine Kommunikationsleitung 23 medizinische Befunde. Alternativ können diese medizinischen Befunde im Fahrzeug 3 direkt auch aus einer elektronischen Patienten- oder Gesundheitsakte über ein User Interface 17, beispielsweise ein Lesegerät, stationär eingelesen und über eine elektronische Datenübermittlungsstrecke 27, die auch drahtlos ausgebildet sein kann, an das erste Steuergerät 5 übertragen werden. Die Patienten- bzw. Gesundheitsakte kann dabei Befunde k, Diagnosen, Therapiemaßnahmen, Behandlungsberichte, Impfungen, elektronische Medikationspläne, elektronische Arztbriefe sowie Notfalldatensätze umfassen.
• Alle die genannten Informationen und Daten M werden in dem ersten Steuergerät 5 des Fahrzeuges 3 über einen langen Zeitraum erfasst und aufgezeichnet und zur Erfassung der graduell abnehmenden fahrerischen Leistungsfähigkeit u des Fahrers genutzt. Dazu wird in dem ersten Steuergerät 5 oder der Cloud 15, an welche diese Informationen/Daten drahtlos übertragen werden, eine Funktion u_f(t) approximiert und/oder ein Modell ML und/oder ein hybridisches Modell MLH für maschinelles Lernen trainiert.
• Die Funktion u_f ist im Allgemeinen abhängig von Parametern P. Diese Parameter P sind nur in einem empirisch ermittelten Bereich definiert, welcher individuelle Unterschiede der graduellen Leistungsfähigkeitsabnahme der Fahrleistung u sowie verschiedene medizinische Befunde k abdeckt. Der Einlesezeitpunkt t_D des Befundes k wird als Zielgröße oder Ankerpunkt für die algorithmische Funktion u_f benutzt, welcher ein Schwellwert u_th , beispielsweise u_f(t_D) = 0 für Uth = 0, zugeordnet ist. D.h. die Zeitpunkte t sind relativ zu einem anderen Zeitpunkt, hier t_D aufzufassen. Hierbei stellt u_f(t) eine parametrische Funktion mit den Parametern P dar, welche individuell unterschiedliche zeitliche Verläufe der graduell abnehmenden fahrerischen Leistungsfähigkeit u_M sowie unterschiedliche medizinische Befunde k berücksichtigen kann (2a).
• Alternativ oder zusätzlich zur Funktion u_f kann mit Hilfe des Modells des maschinellen Lernens ein Input M(t) der Daten und Informationen auf einen Output u_M(t, M) abgebildet werden. Hierbei wird die Fahrleistung u, welche eine Leistungsfähigkeitskenngröße darstellt, aus den individuellen physiologischen, emotionalen und fahrerspezifischen fahrdynamischen und fahrverhaltensspezifischen Merkmalen M zum Zeitpunkt t mittels des zu trainierenden Modells ML des maschinellen Lernens approximiert. D.h. das Modell u_M(t, M) bildet die Merkmalswerte M(t) auf einen Wert ab, welcher die fahrerische Leistungsfähigkeit u beschreibt und ist somit nicht nur zeit- sondern auch merkmalsabhängig. Für verschiedene Befunde k werden verschiedene Modell ML auf Basis von Trainingsdaten zu diesem medizinischen Befund k relativ zu einem festen Zeitpunkt trainiert, welcher beispielsweise der Zeitpunkt t_b des medizinischen Befundes k oder der Zeitpunkt des Abfallens der fahrerischen Leistungsfähigkeit u unter einen Schwellwert sein kann.
• Alternativ oder zusätzlich zur Funktion u_f kann mit Hilfe eines hybriden Modells MLH des maschinellen Lernens in einem hybriden Ansatz ein Input M(t) der Daten und Informationen auf einen Output u_M(t, M) abgebildet werden (2b). Hierbei wird die Fahrleistung u, welche eine Leistungsfähigkeitskenngröße darstellt, aus den individuellen physiologischen, emotionalen und fahrerspezifischen und fahrverhaltensspezifischen Merkmalen M zum Zeitpunkt t mittels des zu trainierenden Modells MLH des maschinellen Lernens approximiert. D.h. die Funktion u_M(t, M) bildet die Merkmalswerte M(t) auf einen Wert ab, welcher die fahrerische Leistungsfähigkeit u beschreibt und ist somit nicht nur zeit- sondern auch merkmalsabhängig. Das Modell MLH des maschinellen Lernens wird hierbei so optimiert, dass der Fehler zwischen diesem und der approximierten Funktion u_f (t, P) minimal ist. Dies geschieht gegebenenfalls unter Einhaltung notwendiger Nebenbedingungen. Im Besonderen ist nun das Modell u_M(t, M) mit einer bestimmten Funktion u_f (t, P) eindeutig verknüpft, nämlich der Funktion, für die der Fehler zwischen diesem Modell MLH und der approximierten Funktion u_f(t, P) minimal ist. Des Weiteren ist die Zeit t relativ zu einem anderen festen Zeitpunkt zu interpretieren, welcher beispielsweise der Zeitpunkt t_D des medizinischen Befundes k oder der Zeitpunkt des Abfallens der fahrerischen Leistungsfähigkeit u unter einen Schwellwert sein kann.
• Im Einzelnen soll das Verfahren anhand von einem Ausführungsbeispiel, welches in 3 gezeigt ist, näher erläutert werden.
• Das Verfahren wird im Block 100 gestartet. Im Block 110 erfolgt die Erfassung der beschriebenen Daten und Merkmale M zu einem Zeitpunkt t. Im Block 120 wird die prädizierte fahrerische Leistungsfähigkeit u_M(t, M) berechnet, Dabei können für verschiedene medizinische Befunde k verschiedene Modell ML und/oder MLH der prädizierten fahrerischen Leistungsfähigkeit u_M(t, M) bestimmt werden. Es wird dasjenige Modell ML und/oder MHL benutzt, für welches die Modellgüte zum aktuellen und früheren Zeitpunkten relativ zu einem Zeitpunkt t_x und einem medizinischen Befund k ermittelt, für welchen die Merkmale M zu dem Zeitpunkt t eine beste Vorhersage erlauben.
• Bei der Prädizierung der graduell abnehmenden fahrerischen Leistungsfähigkeit u kann mit der Funktion u_f(t) direkt und/oder u_M(t,M) mit dem Modell ML aus dem relativen Zeitpunkt t_x bzw. mit dem Modell MHL mit Hilfe der, dem Modell ML oder MLH eindeutig zugeordneten Funktion u_f zukünftige Leistungsfähigkeitswerte approximiert werden und mit einem Schwellwerte u_th verglichen werden. Hierbei können nur die Modelle ML, MLH mit der besten Modellgüte oder alle für unterschiedliche medizinische Befunde k ermittelten Modelle ML bzw. MLH für die jeweils berechnete fahrerische Leistungsfähigkeit u_M(t, M) im Block 130 ein Vergleich mit dem Schwellwert u_th durchgeführt werden. Ist die fahrerische Leistungsfähigkeit u_M(t, M) kleiner als der Schwellwert u_th , wird zum Block 140 übergegangen, wo eine Warnung über die Warneinrichtung 25 an den Fahrer ausgegeben wird (4). Die Warnung enthält dabei die Information, dass die für den Fahrer erkannte aktuelle fahrerische Leistungsfähigkeit u_M(t, M) unter einem Mindestniveau liegt. Gleichzeitig kann aber auch ein wahrscheinlicher medizinischer Befund k als Diagnose ausgegeben werden.
• Übersteigt die fahrerische Leistungsfähigkeit u_M(t, M) den Schwellwert u_th wird im Block 150 geprüft, ob die prädizierte fahrerische Leistungsfähigkeit u_M(t, M) seit einem früheren Zeitpunkt oder Zeitraum t_b abgenommen hat. Dies erfolgt durch einen Vergleich der prädizierten fahrerischen Leistungsfähigkeit u_m (t, M) mit einer fahrerischen Leistungsfähigkeit u_M(t_b, M), die als Mindestniveau für diesen Zeitpunkt oder Zeitraum t_b angenommen wird. Dabei wird vorausgesetzt, dass der Zeitpunkt oder Zeitraum t_b früher ist als der Messzeitraum t. Ist die ermittelte fahrerische Leistungsfähigkeit u_M(t, M) kleiner als u_M(t_b , M), wird im Block 160 bei dem Modell ML aus dem relativen Zeitpunkt t_x ein Zeitpunkt t_pD ermittelt, bei dem der Fahrer nicht mehr fahrtüchtig ist und/oder bei dem Modell MLH die Abnahme der fahrerischen Leistungsfähigkeit u_M(t, M) über der Zeit t mit Hilfe der eindeutig zugeordneten Funktion u_f analysiert und eine Prognose erstellt, zu welchem Zeitpunkt t_pD der Fahrer nicht mehr fahrtüchtig ist. Ausgehend von dieser Prognose wird im Block 170 eine Warnung 21 an den Fahrer ausgegeben, wobei die Warnung die Information über die erkannte fahrerische Leistungsfähigkeit u_M(t, M) und eine wahrscheinlichen medizinischen Befund k als Diagnose enthält. Gleichzeitig wird ein wahrscheinlicher Zeitpunkt oder Zeitraum ausgegeben, ab welchem damit zu rechnen ist, dass die fahrerische Leistungsfähigkeit u_M(t, M) unter das Mindestniveau fällt.
• Nach Ausgabe der Warnungen im Block 140 bzw. 170 wird gegebenenfalls eine entsprechende Information an eine Versicherung oder Rettungsstelle ausgegeben (Block 180).
• Danach wird ebenfalls zu Block 190 weitergegangen, wo die Berechnung gestoppt wird. Im nächsten Zeitschritt t+Δt wird die Berechnung im Block 100 neu gestartet.
• In einer alternativen Ausführung können die im Block 150 ausgeführten Verfahrensschritte aber auch vorgezogen und unmittelbar nach dem Block 110 ausgeführt werden. Hat sich die Fahrleistung u im Vergleich zu früheren Zeitpunkten nicht verändert oder befindet sich innerhalb eines statistisch ermittelten Ungenauigkeitsbereiches (z.B. aufgrund natürlicher täglicher Schwankungen der Fahrleistung um einen Mittelwert der Fahrleistung), so wird das Verfahren im Block 190 gestoppt und zu einem späteren Zeitpunkt (t+Δt) wieder bei Block 100 gestartet. Dies hat den Vorteil, dass geprüft werden kann, ob das Verfahren überhaupt durchlaufen werden soll. Nur wenn das Verfahren ausgeführt werden soll, wird zum Block 120 übergegangen.
• Im Folgenden wird die algorithmische Funktion u_f und/oder das Modell ML und/oder MLH, welches die fahrerische Leistungsfähigkeit u_M(t, M) approximiert von einem zweiten Fahrer genutzt. Hierzu werden die individuellen Merkmalswerte bzw. Daten M zu einem Zeitpunkt t, vorzugsweise in kontinuierlichen Abständen und in Echtzeit, genutzt, um mit Hilfe der algorithmische Funktion u_f und/oder des Modells ML und/oder MLH die fahrerische Leistungsfähigkeit u_M2(t, M) des individuellen zweiten Fahrers auf Basis der gegenwärtigen individuellen Merkmale/Daten M₂ in dem Steuergerät 5 zu bestimmen. Dabei wird das mit den Merkmalen/Daten des ersten Fahrers ermittelte Modell ML und/oder MLH, das im Steuergerät 5 abgelegt ist, mit genutzt, was zu einer Verfeinerung der zu bestimmenden fahrerischen Leistungsfähigkeit u_M2(t, M) des zweiten Fahrers führt.
• Das beschriebene Verfahren kann bei unterschiedlichen medizinischen Befunden k eines Fahrers angewendet werden. In einem ersten Fall besteht bei dem Fahrer ein medizinischer Befund k einer fortgeschrittenen Parkinson-Erkrankung, bei der das Führen eines Fahrzeuges 3 nicht mehr empfohlen werden kann. Die Merkmalswerte/Daten M dieses Fahrers wurden zu verschiedenen Zeitpunkten t vor dem Diagnosezeitpunkt t_D im Fahrzeug 3 erfasst und in dem Steuergerät 5 gespeichert. Aus den Merkmalswerten /Daten M, die vor der Diagnose erfasst wurden und der Information, dass zum Diagnosezeitpunkt t_D die fahrerische Leistungsfähigkeit u_M(t, M) nicht mehr gegeben ist, d.h. einen Wert u_M(t, M) = 0 entspricht, wird mit den Methoden des maschinellen Lernens ein Modell ML für die fahrerische Leistungsfähigkeit u_M(t, M) im Steuergerät 5 berechnet. Hierbei wird berücksichtigt, dass die Abnahme der fahrerischen Leistungsfähigkeit bei einer Parkinsonerkrankung einen charakteristischen Zeitverlauf aufweist, welcher individuell parametrisiert werden kann. Dabei kann zu einem sehr frühen Zeitpunkt davon ausgegangen werden, dass keine Beeinträchtigung der fahrerischen Leistungsfähigkeit u_M(t, M) aufgrund der Parkinson-Erkrankung vorlag. Hypothetischer Weise benutzt das Modell ML die Verteilung kleiner Lenkradbewegungen zu verschiedenen Zeitpunkten, um die fahrerische Leistungsfähigkeit u_M(, M) zu diesen Zeitpunkten zu approximieren. Das somit erzeugte Modell ML für die fahrerische Leistungsfähigkeit u_M(t, M) kann einer zweiten Person zugänglich gemacht werden. Auf Basis der individuellen Merkmalswerte/Daten M₂ der zweiten Person, kann somit zu jedem Zeitpunkt einer Vorhersage der fahrerischen Leistungsfähigkeit
  u_M2(t, M₂) der zweiten Person erzeugt werden. Wird nun eine geringe fahrerische Leistungsfähigkeit u_m2(t, M₂) der zweiten Person unter dem Modell einer Parkinson-Erkrankung des ersten Fahrers vorausgesagt, so kann der zweite Fahrer gewarnt werden, dass seine fahrerische Leistungsfähigkeit u_M2(t, M₂) gering ist sowie eine Parkinson-Erkrankung vermutet wird.
• In einem zweiten Fall wird ein Fahrer, zum Beispiel über das User Interface 17 des Fahrzeuges 3, mittels Brief oder Telefonat, darüber informiert, dass eine mögliche Verschlechterung der Sehfähigkeit zu erwarten ist, weil beispielsweise ein Grauer Star vermutet wird und der Fahrer gebeten wird, dies mit einem Facharzt abzuklären. Des Weiteren wird der Fahrer informiert, dass mit einer vollständigen Fahruntüchtigkeit in den nächsten 6 bis 8 Monaten gerechnet wird. Der Information liegt zugrunde, dass das erläuterte Verfahren eine graduelle Abnahme der fahrerischen Leistungsfähigkeit erkannt hat. Hierbei zeigt speziell das Modell ML, welches auf medizinische Befunden k von einem Grauen Star beruht, eine Abnahme der fahrerischen Leistungsfähigkeit u_M(t, M) über der Zeit t. Auf Grund der Dynamik der Abnahme der fahrerischen Leistungsfähigkeit u_M(t, M) wird der Zeitraum von 6 bis 8 Monaten vorhergesagt, zu welchem die fahrerische Leistungsfähigkeit
  u_M(t, M) unter den Schwellwert u_th fällt.
• In einem dritten Fall wird aus dem Modell ML, welches auf medizinischen Befunden k von einem Grauen Star beruht, eine Merkmalsanalyse durchgeführt. Hierbei zeigt sich hypothetisch, dass das Modell ML den lateralen Abstand zur äußeren Fahrbahnmarkierung als wichtiges Merkmal klassifiziert. Eine solche Information kann für eine verbesserte medizinische Diagnose unter Laborbedingungen (z.B. in einem Simulator) verwendet werden.
• Bezugszeichenliste

1

System

3

Fahrzeug

5

erstes Steuergerät

7

zweites Steuergerät

9

Speicher

11

Innenraumkamera

13

Vitalsensor

15

Cloud

17

User Interface

19

Abstandssensor

21

akustischer Sensor

23

Kommunikationsleitung

25

Warneinrichtung

27

elektronische Datenübertragungsstrecke

u

Fahrleistung

uM(t, M)

prädizierte fahrerische Leistungsfähigkeit

M

gemessene Merkmalswerte

t

Messzeit

uth

Schwellwert

tD

Eingabezeitpunkt eines medizinischen Befundes

k

medizinischer Befund

Δt

Zeitraum zwischen den Messungen

tp

Zeitpunkt der Fahruntüchtigkeit

tb

Beobachtungszeitpunkt/-raum für Abnehmen der fahrerischen Leistungsfähigkeit

• 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 102019204786 A1 [0002]

Claims (10)

1. Verfahren zur Erkennung einer graduell abnehmenden fahrerischen Leistungsfähigkeit eines Fahrzeugführers, bei welchem ein individuelles fahrspezifisches Verhalten sowie physiologische und emotionale Merkmale (M) eines Fahrers sowie dessen Gesundheitsdaten (k) erfasst werden, welche zur Bestimmung der fahrerischen Leistungsfähigkeit (u_M(t, M)) kombiniert und ausgewertet werden, dadurch gekennzeichnet, dass das fahrspezifische Verhalten sowie die individuellen physiologischen und emotionalen Merkmale (M) eines ersten Fahrers zu vorgegebenen Zeitpunkten (t) erfasst und ausgewertet werden und mit Hilfe von Gesundheitsdaten (k) für den ersten Fahrer zu weiteren Zeitpunkten (t_b) eine von den Merkmalen bzw. Daten (M) und der Zeit (t) abhängige Funktion (u_f) abgeleitet und/oder mit einem Modell (ML, MLH) des maschinellen Lernens trainiert werden, wobei in Auswertung dieser Merkmale und Daten (M) eine von den Merkmalen und Daten (M) eines weiteren Fahrers abhängige Funktion (Uf) abgeleitet und/oder mit einem Modell (ML, MLH) des maschinellen Lernens ermittelte fahrerischen Leistungsfähigkeit (u_M(t,M)) bestimmt wird, um eine Abnahme der fahrerischen Leistungsfähigkeit (u_M(t,M)) des weiteren Fahrers vorausschauend zu bestimmen.
2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass die von den Merkmalen bzw. Daten (M) des ersten Fahrers und der Zeit (t) abhängige Funktion (u_f) und/oder das Modell (ML, MLH) des maschinellen Lernens zur Ermittlung Abnahme der fahrerischen Leistungsfähigkeit (u_M2 (M₂,t) des weiteren Fahrers genutzt werden, wobei anhand des von dem weiteren Fahrer ermittelten fahrspezifischen verhalten sowie dem individuellen physiologischen und emotionalen Merkmale, dessen Gesundheitsdaten vorausschauend bestimmt werden.
3. Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass für verschiedene medizinischen Befund (k) der Gesundheitsdaten geprüft wird, ob die vorausschauend ermittelte fahrerische Leistungsfähigkeit (u_M(M,t)) einen vorgegebenen Schwellwert (u_th) unterschreitet, wobei bei Unterschreitung des Schwellwertes (u_th) eine Information an den jeweiligen Fahrer über die mangelnde fahrerische Leistungsfähigkeit (u_M(M,t)) ausgegeben wird.
4. Verfahren nach Anspruch 3 dadurch gekennzeichnet, dass das durch den Fahrer gelenkte Fahrzeug (3) bei Unterschreitung des Schwellwertes (u_th) in einen gesicherten Betriebsmodus überführt wird.
5. Verfahren nach mindestens einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass bei Abnehmen der fahrerischen Leistungsfähigkeit (u_M(M,t)) des Fahrers über einen vorgegebenen Zeitraum (t_b) unter Zuhilfenahme der definierten Funktion (u_f) prädiziert wird, zu welchem Zeitpunkt (t_p) der Fahrer fahruntüchtig sein wird.
6. Verfahren nach mindestens einem der vorhergehenden Ansprüche dadurch gekennzeichnet, dass bei Abnehmen der fahrerischen Leistungsfähigkeit (u_M(M,t)) des Fahrers über den vorgegebenen Zeitpunkt (tb) durch Vergleich einer Vorhersagegüte verschiedener Modelle (ML, MLH) und/oder relativer Zeitpunkte und/oder Nutzen des besten Modells und/oder des besten relativen Zeitpunktes prädiziert wird, zu welchem Zeitpunkt (tb) der Fahrer fahruntüchtig sein wird.
7. Verfahren nach mindestens einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass der prädizierte Zeitpunkt (tp) der Fahruntauglichkeit des Fahrers und/oder ein wahrscheinlicher medizinischer Befund (k) an den Fahrer ausgegeben wird.
8. Verfahren nach mindestens einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass aus der von dem Modell (ML, MLH) des maschinellen Lernens ermittelten fahrerischen Leistungsfähigkeit (u_M(t, M)) die Merkmale und Daten (M) extrahiert werden, welche in dem Modell (ML, MLH) entscheidend für eine Verbesserung der medizinischen Diagnostik für den weiteren Fahrer sind.
9. Verfahren nach mindestens einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass auf Basis unterschiedlicher durch das Modell (ML, MLH) des maschinellen Lernens bestimmter fahrerischen Leistungsfähigkeiten (u_M(t, M)) für unterschiedliche medizinische Befunde (k), die Art einer Erkrankung vor einer medizinischen Diagnose erkannt wird.
10. Verfahren nach mindestens einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die medizinischen Befunde (k) über eine Schnittstelle (17) drahtlos an das Fahrzeug (3) übertragen werden, wobei zu jedem medizinischen Befund (k) ein Eintragungszeitpunkt (t_D) erfasst wird, welcher als Startzeitpunkt für die jeweils zu definierende Funktion (u_f) angenommen wird.

Images