-
Technisches Gebiet
-
Diese Erfindung betrifft ein ökotoxikologisches Frühwarnsystem zur Beurteilung der Wasserqualität und schnellen Detektion von Schadstoffeintrag basierend auf einem drahtlosen und kompakten Sensorsystem sowie einem Bioindikator. Darüber hinaus betrifft diese Erfindung ein Verfahren zur automatischen Klassifizierung des Verhaltens der Bioindikatoren basierend auf Ansätzen des maschinellen Lernens. Diese Erfindung kann sowohl zur großflächigen wie auch kontinuierlichen Überwachung verwendet werden.
-
Stand der Technik
-
Ein modernes biologisches Überwachungssystem muss kontinuierlich und in Echtzeit bzw. mit einer ausreichend geringen Latenz messen können. Darüber hinaus soll es automatisch betrieben werden können und vor allem auch automatisch verlässliche Alarmsignale über den Zustand der Wasserqualität senden können. Ein solches System birgt nicht nur einen enormen Nutzen für die städtischen Wasserversorgungssysteme, sondern auch für kommerzielle und industrielle Anlagen, welche einen großen Anteil an der Umweltverschmutzung tragen. Eine kontinuierliche Überwachung der Wasserqualität basiert auf der Verwendung von Bioindikatoren wie z.B. Muscheln, Krabben oder Fischen, welche schnell auf gefährliche bzw. signifikante Veränderungen der Umwelt reagieren. Auf dem Gebiet des Monitorings von Bioindikatoren zur Überwachung der Wasserqualität gibt es bereits akademische Vorarbeiten sowie Schutzrechtsanmeldungen, welche im Folgenden separat betrachtet werden.
-
Stand der Technik bei den Patenten
-
In
RU2437093C1 wird ein Biomonitoring-System vorgestellt, das durch Hall-Effekt-Sensoren, Plethysmographen (Pulsmessgeräte), Dehnungsstreifen, optische Sensoren sowie stationäre Videokameras zur Überwachung aquatischer Organismen gekennzeichnet ist. Das Gebrauchsmuster
RU101838U1 von den zum Teil gleichen Erfindern beschreibt ein sehr ähnliches Biomonitoring-System.
-
RU2452949C1 offenbart eine Abwandlung des in
RU2437093C1 vorgestellten Biomonitoring-Systems mit dem Fokus auf das Messsystem. Das Messsystem besteht aus einem Tensoresistor, der auf einer horizontalen Platte befestigt ist, einem Analog-Digital-Wandler und Mikroprozessor zum Verarbeiten und Aufzeichnen des elektrischen Signals. Das Ende des Tensoresistors ist an der Muschel befestigt, wodurch sich die Bewegung der Muschel erfassen lässt. Laut Erfinder soll dieses System Vorteile gegenüber Systemen mit einem Hall-Effekt-Sensor besitzen, weil die Kombination aus Hall-Effekt-Sensor und gegenüberliegenden Magneten den Bioindikator, was üblicherweise eine Muschel ist, stärker behindern soll. Diese Hypothese wurde allerdings nicht belegt.
-
RU2595867C2 offenbart ein Verfahren zur Identifizierung und Auswahl von Biosensor-Organismen, welche für eine schnelle Bioindikation und das Biomonitoring von Meeres- und Süßwasser, einschließlich Trink- und Abwasser verwendet werden können.
-
Stand der Technik in der Wissenschaft
-
Ein System zur Überwachung von Herzkontraktionen wurde von Depledge MH (Depledge MH, Andersen VV A computer-aided physiological monitoring system for continuous, long-term recording of cardiac activity in selected invertebrates .-- Biochem PhysioL, Vol.96 A, 1990, No. 4, pp473-477) zum Biomonitoring von aquatischen Umgebungen vorgestellt. Dieses System enthält einen Herzschlagsensor bestehend im Wesentlichen aus einer LED, einem Fotowiderstand sowie einer Vorrichtung zur Verstärkung und Verarbeitung eines elektrischen Signals. Der Herzschlagsensor wurde an einem Krabbenpanzer befestigt.
-
Ein ähnliches biologisches Warnsystem mit einigen Schwachstellen, die noch näher beschrieben werden, wurde in den Niederlanden unter dem Markennamen Mosselmonitor entwickelt und produziert (De Zwart, D., KJM Kramer & HA Jenner (1995), Practical experiences with the early warning system ‚Mosselmonitor‘, Environ Toxicol, Water Qual. 10: 237-247). Dieses System wurde im akademischen Feld bereits gelegentlich eingesetzt sowie darüber hinaus von einigen Ländern zur Kontrolle von Süß- oder küstennahem Meerwasser. In Budapest, Ungarn, wurde das Mosselmonitor-System zur Überwachung der Qualität von gechlortem Trinkwasser eingesetzt. Der Mosselmonitor ist im Wesentlichen ein Behälter, der mehrere Muscheln (üblicherweise bis zu 8 Muscheln) enthält. Die Muscheln sind ortsfest installiert und an jeder Muschel befindet sich ein Hall-Effekt-Sensor sowie ein Magnet an der gegenüberliegenden Seite zur Messung des Öffnungsgrades der Muschel. Bei Überschreitung eines bestimmten Schwellenwertes wird ein Alarmsignal an den Betreiber bzw. Nutzer des Warnsystems geleitet, sodass dieser ggf. weitere Schritte zur Kontrolle und Verbesserung der Wasserqualität einleiten kann. Dieser Grenzwert bzw. diese Erkennungsschwelle wird von einem erfahrenen Mitarbeiter festgestellt. Dabei spielen vor allem Parameter wie der Öffnungsgrad der Muschel sowie die Dauer der Schließ- und Öffnungszeiten eine wichtige Rolle. Ein erheblicher Nachteil dieses Systems besteht darin, dass die Bewertung des Schwellenwerts von einer Person mit erheblichen Kenntnissen im Bereich der aquatischen Biologie und mit dem Warnsystem vorgenommen werden muss. Darüber hinaus können die Schwellenwerte je nach Einsatzort und Jahreszeit stark variieren. Siehe auch folgende relevante akademische Veröffentlichungen zum Mosselmonitor-System:
- Kramer, Kees JM, and Edwin M. Foekema. „The „Musseimonitor®" as biological early warning system." Biomonitors and Biomarkers as Indicators of Environmental Change 2. Springer, Boston, MA, 2001. 59-87.
- Sluyts, Hilde, et al. „A dynamic new alarm system for use in biological early warning systems." Environmental Toxicology and Chemistry: An International Journal 15.8 (1996): 1317-1323.
- Polman, Harry JG, and H. A. Jenner. „Pulse-Chlorination®, the best available technique in macrofouling mitigation using chlorine." PowerPlant Chemistry 4 (2002): 93-100.
-
Eine Forschergruppe in Iowa, USA, hat einen Muschelrucksack entwickelt, der Verhaltensmuster von Frischwassermuscheln aufzeichnen und drahtlos übertragen konnte. Der Fokus dieser Arbeiten lag allerdings hauptsächlich auf der elektrotechnischen Seite und weniger auf der biologischen Interpretation der Verhaltensmuster. Die elektrotechnischen Aspekte umfassten die Entwicklung und Fertigung einer energiesparenden Mess- und Sendevorrichtung, welche über ein Batterie bestromt wurde und direkt am Bioindikator befestigt wurde. Darüber hinaus untersuchte die genannte Gruppe unterschiedliche Antennendesigns sowie die Dämpfung der elektromagnetischen Funkwellen im Wasser im niedrigen Ultrahochfrequenzbereich Einige relevante Veröffentlichungen der genannten Gruppe sind im Folgenden angeführt. In diesen wurden sowohl verschiedene Antennen zur Unterwasserübertragung getestet wie auch die Reichweite des eigens hergestellten Muschel PCBs (Printed Circuit Board):
- - Llamas, R. A., James J. Niemeier, and Anton Kruger. „Curved spiral antennas for freshwater applications." 2015 IEEE Radio and Wireless Symposium (RWS). IEEE, 2015.
- - Llamas, Ruben A., et al. „Underwater Deployment and Performance of Curved Spiral Antennas in Mussel Backpacks." 2019 IEEE International Symposium on Antennas and Propagation and USNC-URSI Radio Science Meeting. IEEE, 2019.
- - Taylor, H. D., Anton Kruger, and J. J. Niemeier. „Embedded electronics for a mussel-based biological sensor." 2013 IEEE Sensors Applications Symposium Proceedings. IEEE, 2013.
- - Hodson, Hal. „Mussels with sensor backpacks taste the Mississippi for science." (2013): 21.
-
Wie im Stand der Technik ausgeführt bestehen ökotoxikologische Frühwarnsysteme bisher aus ortsfest installierten Biosensoren, bei denen überwiegend Muscheln zur Verwendung kommen. Die Bioindikatoren werden dabei meist im Labor einseitig mit einer Halterung verklebt und verkabelt. Aufgrund der sensiblen Elektronik wird diese Konfiguration witterungsbedingt überwiegend im Innenbereich eingesetzt. Darüber hinaus wird durch das Verkleben der Bioindikatoren mit ortsfesten Halterungen deren Bewegungsfreiheit erheblich reduziert. Im Falle von Muscheln können diese lediglich noch filtrieren, sich allerdings mit ihren Muschelfüßen nicht mehr frei bewegen und sich in einem optimalen Filtrierwinkel positionieren bzw. bei einer angestiegenen Schadstoffbelastung keine Schutzhaltung einnehmen. Die Erfassung der Bewegung der Bioindikatoren ist für eine Bewertung ihrer Gesundheit sowie der Wasserqualität ein relevanter Parameter und sollte in modernen ökotoxikologischen Frühwarnsystemen Verwendung finden. Das bisher relevanteste kommerzielle Frühwarnsystem basierend auf Frischwassermuscheln als Bioindikatoren wurde Ende der 90er in den Niederlanden unter dem Markennamen Mosselmonitor entwickelt. Bei diesem System musste noch ein Mensch die Entscheidung treffen, wann ein Verdachtsfall für ein alarmierendes Verhalten der Muscheln respektive eine erhöhte Schadstoffbelastung bei einer Testflüssigkeit vorlag. Ein solcher Ansatz war damals zeitgemäß und praktisch, birgte allerdings auch eine enorme Fehlerquelle, hohe Personalkosten sowie erhebliche Unterschiede von Anwender zu Anwender in der Bewertung der Daten. Seit der Einführung dieses Geräts hat die Rechenleistung von Hardwarekomponenten sowie das theoretische und praktische Wissen rundum Machine Learning enorm zugenommen. Neben dieser Entwicklung wurden auch Sensoren wie Akzelerometer, Hall-Effekt-Sensoren, elektrische Sensoren und Kameras stetig leistungsfähiger, kleiner, günstiger und stromsparender. Der Bedarf an einem zuverlässigen, schnellen und ggf. flächendeckendem ökotoxikologischen Frühwarnsystems ist hoch und wird im Folgenden anhand einiger Beispiele skizziert. Ein solches System kann als Frühwarnsystem für Trinkwasseranlagen verwendet werden, welche neben bekannten Umweltschadstoffbelastungen auch Ziele von Terrorangriffen werden können. Neben der Trinkwasserüberwachung ist auch eine flächendeckende Kontrolle der Seen- und Flussqualität indiziert. Beispielsweise wird als Altlasten der Bergwerke im Ruhrgebiet schadstoffbelastetes Wasser aus Stollen, Schächten und Gruben chemisch gereinigt und in den Rhein geleitet. Bisherige Systeme können die Belastung nur punktuell messen, während eine kontinuierliche flächendeckende Messung belastbare Werte liefern würde.
-
Offenbarung der Erfindung
-
Lösung des Problems
-
Durch den im vorherigen Abschnitt beschriebenen Fortschritt ist es möglich, Bioindikatoren mit überaus kompakten Sensoren und einem im Folgenden als Muschelrucksack bezeichneten kompakten Elektronik auszustatten. Diese Sensorik stört die Muschel kaum in ihrer Bewegungsfreiheit und kann monatelang ohne Batterieladung betrieben werden.
-
Zur Abhilfe bzw. zur Lösung der genannten Probleme wird im Folgenden die Erfindung eines großflächigen ökotoxikologischen Frühwarnsystems mit einem frei beweglichen Bioindikator und einer kompakten elektronischen Mess- und Sendevorrichtung offenbart. Das System verfügt über folgende Merkmale:
- - Einem Bioindikator wie beispielsweise einer Muschel oder einer Krabbe.
- - Einem Muschelrucksack mit Recheneinheit, Batterie und Empfänger- und Sendeeinheit sowie Kommunikationsschnittstellen oder Analog-Digital-Wandler zum Auslesen von
- - Sensoren wie beispielsweise Akzelerometer Hall-Effekt-Sensoren, Dehnungssensoren, welche an der Muschel befestigt sind.
- - Einem Gateway zum drahtlosen Empfang der vom Muschelrucksack gesendeten Daten.
- - Ein Multiparametersonde zur Messung zusätzlicher relevanter Umgebungsparameter.
- - Ein Behältnis mit der Testsubstanz.
- - Ein Backend zur Datenspeicherung- und Abfrage.
- - Ein Machine Learning - Software zur Klassifizierung der Gesundheit der Bioindikatoren bzw. der Schadstoffbelastung der Testsubstanz.
- - Ein Frontend und eine Displayeinheit bzw. ein portables Gerät zur Visualisierung des Systemzustands und zur Befehlseingabe.
- - Ein automatische Alarmfunktion basierend auf einer Machine Learning gestützten Klassifikation zur Bewertung der Wasserqualität.
-
Die Ökotoxikologie oder auch Umwelttoxikologie ist eine fächerübergreifende Wissenschaft und ein Teilgebiet der Biologie, Toxikologie, Umweltchemie und Ökologie. Die Ökotoxikologie befasst sich mit den Auswirkungen von Stoffen bzw. Schadstoffen auf die belebte Umwelt. In dieser Erfindung wird ein ökotoxikologisches Frühwarnsystem offenbart. Dieses Warnsystem sendet einen Alarm sobald die Messwerte anzeigen, dass eine Schadstoffbelastung der Testsubstanz vorliegen könnte. Durch ein kontinuierliches Monitoring, was durch eine niedrige Latenz im Sekunden- bzw. im Minutenbereich beinahe in Echtzeit abläuft, kann von einem Frühwarnsystem gesprochen werden. In weiteren Methoden zur Untersuchung der Schadstoffbelastung, werden Proben in zeitlich sehr langen Intervallen von einigen Tagen bis Monate entnommen und untersucht. Diese erhebliche Latenz kann für Lebewesen jeder Art gesundheitliche Schäden zur Folge haben. Möglich ist auch, dass eine erhöhte Schadstoffbelastung nur während der zu langen Beprobungsintervalle vorlag und somit noch nicht mal die Ursache für Folgeschäden geklärt werden kann. Das entwickelte Frühwarnsystem schafft hier Abhilfe. Für die Entscheidungshilfe wird ein Machine Learning Modell entwickelt, welches die Zustände der Bioindikatoren und respektive die Schadstoffbelastung der Testsubstanz zuverlässige klassifizieren kann.
-
Die Bewertung des Verhaltens der Bioindikatoren soll in dieser Erfindung nicht von Personen übernommen werden, sondern durch ein maschinelles Klassifizierungsverfahren. Das Anlernen des Klassifizierungsalgorithmus' findet überwacht statt (vergleiche auch Supervised Learning), d.h. die verschiedenen Klassen, welche den Verhaltensmustern der Bioindikatoren entsprechen, sind bekannt. Durch große verwertbare Datenmengen, eine geschickte Parameterwahl sowie ein sophistiziertes Labelling der Datenmengen kann die Genauigkeit der Klassifizierung erhöht werden. Eine detaillierte Beschreibung der verwendeten Machine Learning Verfahren findet sich weiter unten.
-
Das hier vorgestellte Gerät wird nachstehend anhand der beigefügten Zeichnungen beispielhaft näher erläutert. Es zeigen:
- 1: Schematische Darstellung des ökotoxikologischen Frühwarnsystems mit Frischwassermuscheln als Bioindikatoren, welche sich durch den kompakten und drahtlosen Sensorrucksack frei bewegen können.
- 2: Schematische Darstellung eines Bioindikators mit drahtlosem Sensorrucksack und Sensoren zur Messung des Verhaltens.
- 3: Schematische Darstellung der Platine inkl. Batterie im Sensorrucksack.
- 4: Detailliertere schematische Darstellung der Komponenten des Gateways (gestrichelte Linien) und seiner Interaktion mit den umliegenden Komponenten.
- 5: Schematische Darstellung der Verwendung der drahtlosen Muschelsensorik im Außenbereich zum Monitoring der Schadstoffbelastung des Wassers.
- 6: Schematische Darstellung einer weiteren Ausführung des Systems durch an der Wasseroberfläche schwimmende Sendeeinheiten.
- 7 Schematische Darstellung einer kabelgebundenen Ausführung des Frühwarnsystems
- 8 Schematische Darstellung des Funktionsprinzips des Muschelrucksacks mit zeitlicher Abfolge der einzelnen Aktionen.
- 9 Schematische Darstellung der bildbasierten Erkennung und Nachverfolgung der Bioindikatoren.
- 10 Schematische Darstellung des Funktionsprinzips des verwendeten Ansatzes zum Maschinellen Lernen.
- 11 Messergebnisse zur drahtlosen Übertragung des Muschelrucksacks unter Wasser in einem See.
-
Eine günstige Ausführung dieser Erfindung ist in 1 dargestellt und durch folgende Merkmale gekennzeichnet:
- - Einer Muschelsensorik (101), welche u.a. aus einem Mikroprozessor, Batterie, Sensoren, Analog-Digital-Wandlern, drahtgebundener und/oder drahtloser Ladeschaltung, einer Sende-Empfänger-Einheit, auch Transceiver genannt, sowie einer Antenne bestellt.
- - Einem Bioindikator (102) wie einer in der Skizze dargestellten Muschel, Krabben, Fischen oder Fischeiern.
- - Sensoren (103), welche nicht direkt im Muschelrucksack (101) untergebracht sind, sondern an einer geeigneteren Position zur Messung des Öffnungsgrads- bzw. Winkels der Muschelschalen oder der Bewegung. Besonders relevant sind Hall-Effekt-Sensoren in Kombination mit Magneten bzw. Sensoren zur Messung des elektrischen Feldes, um den Öffnungswinkel der Muschel zu ermitteln. Darüber hinaus kann ein Akzelerometer verwendet werden, um die Bewegung und Neigungswinkel des Bioindikators zu ermitteln. Es empfiehlt sich, nur jeweils einen Typ der genannten Sensoren zu verwenden, um den Bioindikator durch zusätzliche Gewichte und volumetrische Hindernisse nicht unnötig einzuschränken. Bei größeren Bioindikatoren können auch zusätzliche Sensoren vom gleichen Typ verwendet werden, um einem technischen Ausfall vorzubeugen bzw. statistisch belastbare Daten zu erhalten.
- - Einem Behältnis (114) für die Testsubstanz, sowie eine Ein- (115) und Ausleitung (116) und einem Boden aus Sand (104). Der Behälter kann im Wesentlichen als Aquarium bzw. Ausleitbecken ausgeführt werden, in einer weiteren günstigen Ausführung wird das System in Seen oder Flüssen verwendet. Für den Boden empfiehlt es sich, feinkörnigen Sand zu verwenden, sodass die Muscheln in der Lage sind, sich problemlos einzugraben, um eine ideale Filtrierposition einzunehmen. Im Schnitt ist die Verwendung von Sand mit einer durchschnittlichen Korngröße von bis zu wenigen mm zu empfehlen.
- - Gateway (107), welches bidirektional und drahtlos (106) mit dem Muschelrucksack kommunizieren kann. Das Gateway ist nicht beschränkt auf die Verwendung eines bestimmten Funkstandards. Mögliche Funktechnologien sind LoRaWAN, Sigfox, NB-loT, 2G, 3G, LTE/4G, 5G, Bluetooth, WiFi und andere. Bei der Wahl des Funkstandards gilt es zu beachten eine Technologie zu wählen, welche wenig Leistung verbraucht, jedoch über weite Strecken übertragen kann. LoRa stellt zum Zeitpunkt der Offenlegung dieser Beschreibung ein Vorreitertechnologie mit den genannten Eigenschaften dar und wird daher bevorzugt in dieser Erfindung verwendet. Das Gateway besteht aus einer Recheneinheit, einem Sendeempfänger zur bidirektionalen Kommunikation mit der Muschelsensorik sowie über einen Displayausgang zur Visualisierung des Systemstatus. Das Gateway wird in einem folgenden Abschnitt noch detaillierter beschrieben.
- - Machine Learning Software (109) als computergestützte Entscheidungshilfe, welche, ein Klassifizierungsverfahren zur Verhaltenserkennung der Muscheln durchführt. Bei dem hier vorgestellten maschinellem Lernansatz wird nur ein überwachtes Lernen bzw. supervised Learning durchgeführt. Die Klassen, welche jeweils verschiedenen Verhaltensmuster der Bioindikatoren entsprechen, z.B. offen, geschlossen, öffnet gerade, schließt gerade, verschließt sich stark wie etwa bei einer Muschel, sind bereits am Anfang bekannt. Bei den Algorithmen können verschiedene Ansätze verwendet werden wie „Convolutional Neural Network“, „Decision Tree“, „Segmentation“ etc.
- - Im Backend (108) werden die vom Gateway erhaltenen Messdaten gespeichert, ggf. prozessiert und als Schnittstelle auch API genannt dem Machine Learning Algorithmus bzw. dem Frontend zur Verfügung gestellt. Als Datenbanksysteme kommen sowohl SQL wie NoSQL (Not only SQL)-Systeme in Frage. Im Frontend (110) werden dem Endnutzer die Daten letztlich präsentiert. Dort kann auch programmiert werden, in welcher Form der automatische Alarm (112) erfolgt wie beispielsweise über SMS, Telefon, WhatsApp oder Email sowie aus deren Kombinationen. Mit einem portablen Gerät (111) wie z.B. einem Smartphone, Smartwatch, Tablet oder auch einem Desktop-PC wir das Frontend dem Endnutzer dargestellt. Über das portable Gerät ist auch eine Befehlseingabe möglich, z.B. das Konfigurieren der Alarmfunktionen.
- - Ein automatisches zuverlässiges und frühzeitiges Warnsignal (112) stellt einen enormen Mehrwert dieses Systems dar. Die Zuverlässigkeit leitet sich durch die Verwendung eines sophistizierten maschinellen Klassifizierungsverfahrens ab, dessen Genauigkeit über die Zeit durch Sammeln immer weiterer Daten noch erhöht werden kann.
-
2 skizziert eine vorteilhafte Ausführung der Erfindung mit einer Frischwassermuschel (201) als Bioindikator. Anstelle der Frischwassermuschel können auch andere Muschel- oder Krabbensorten sowie Fische treten. Die Muschel gräbt sich über ihre Muschelfüße (202) und Muschelfäden (203) in den sandigen Untergrund (211) ein, um eine ideale Filtrierposition einzunehmen. Die Abmessungen des kompakten Muschelrucksacks (207) betragen ca. 30 mm (Länge) x 30 mm (Breite) x 15 mm (Höhe). Aus dem Muschelrucksack führen jeweils ein negatives (209) und ein positives (210) Ladekabel heraus, mit denen die Batterie bei Bedarf wieder aufgeladen werden kann. Der Muschelrucksack kann mit verschiedenen Sensoren zur Messung der Umgebungsparameter ausgeführt werden zur Messung von elektrischer Leitfähigkeit, pH-Wert, gelösten Sauerstoffanteil, Trübung oder Bewegung. Neben den Sensoren, die direkt im Muschelrucksack verbaut werden können, sind vor allem Sensoren, die ausdrücklich zur Messung des Muschelverhaltens verwendet werden, entscheidend. Zu diesen Sensoren zählen u.a. ein Hall-Effekt Sensor (205), der mittels eines Magneten dazu verwendet wird, den Öffnungsgrad der Muschel zu ermitteln. Hall-Sensor und Magnet werden jeweils auf den gegenüberliegenden Muschelhälften angebracht. Eine Veränderung des Öffnungsgrades führt zu einer Veränderung der magnetischen Feldstärke, welche wiederum ein Spannungssignal im Hall-Sensor induziert, das von einem Analog-Digital-Wandler (ADC) gemessen werden kann. Der ADC befindet sich im Muschelrucksack. Der Hall-Sensor wird üblicherweise als analoger Sensor ausgeführt, welcher über zwei Kabel bestromt werden muss und als Messwert ein Analogsignal (206), welches mit dem Öffnungsgrad der Muschel korreliert, zurückgibt. Neben dem Hall-Sensor kann auch ein Akzelerometer verwendet werden, welches in bis zu 3 Achsen (x, y und z) messen kann. Mit einem Akzelerometer lassen sich je nach Typ nicht nur Änderungen in der Bewegung ermitteln, sondern auch eine Orientierung, die statisch ist wie z.B. der Neigung des Bioindikators im Gravitationsfeld. Diese Akzelerometer verwenden oberflächenbehandeltes Polysilizium, das wiederum an Polysiliziumfedern aufgehängt wird. Die Auslenkung der Struktur im Gravitationsfeld wird mit Hilfe von Differentialkondensatoren gemessen. Die Messwerte werden üblicherweise in den Einheiten der Beschleunigung, also m/s^2 für alle drei Richtungen im Raum angegeben und an den Muschelrucksack übermittelt. Diese Übertragung findet über gängige Kommunikationsstandards statt, z.B. analog oder über I2C, SPI, UART, RS232, RS485 bzw. andere serielle Kommunikationsstandards. Am häufigsten wird derzeit das einfache und verbreitete I2C-Protokoll verwendet, gefolgt von SPI. Neben den Sensoren soll die Muschel auch über eine Markierung (214) verfügen, welche zur Detektion der Muschel mittels Bilderfassung verwendet werden kann. Die Markierung kann entweder einfarbig, mehrfarbig, mit einem bestimmten Muster oder als Form ausgeführt werden. Dieser Ansatz bietet neben den Akzelerometerdaten einen zusätzlichen Parameter zur Messung der Bewegung und respektive des Muschelverhaltens. An dieser Stelle sei darauf hingewiesen, dass eine Detektion der Muscheln über Bilderkennung nur praktikabel ist, sofern der Trübungsgrad der Testsubstanz entsprechend niedrig ist. Ein entsprechender Trübungsgrad kann in der Regel nur in Innenbereichen gewährleistet werden. Darüber hinaus ist eine Objekterkennung und Objektverfolgung in Echtzeit verhältnismäßig rechenintensiv und erfordert den Einsatz von Computern mit einer minimalen Rechenleistung vergleichbar mit den Einplatinencomputern wie dem RaspberryPi3 & 4 bzw. dem NVIDIA Jetson Nano. Die Markierung und Bilderkennung bieten sich daher eher für eine Verwendung des Systems in Innenräumen und nicht etwa bei Seen oder Flüssen an. Als Hall-Effekt-Sensor kann beispielsweise der lineare Sensor SS39ET von Honeywell (Charlotte, North Carolina, USA) mit einer typischen Ausgangsspannung von 1.4mV/G verwendet werden. Als Akzelerometer bietet sich das ADXL345 von AnalogDevices (Norwood, Massachusetts, USA) an.
-
Eine vorteilhafte Ausführung der Leiterplatine für die Muschelsensorik ist in 3 skizziert. Die Leiterplatine auch PCB (=Printed Circuit Board) genannt verfügt über eine zentrale Recheneinheit, den Mikroprozessor (302). Dieser Prozessor verfügt in dieser Ausführung auch über eine integrierte Transceiver-Einheit zum drahtlosen Senden und Empfangen von Daten sowie über mehrere Analog-Digital-Wandler, mit denen u.a. der Ladestand der Batterie (304) oder analoge Signale (310 & 313) der externen Sensoren erfasst werden können. Die externen Sensoren können über Pins (308 & 309) bestromt werden. Die Pins können entweder direkt mit der Versorgungsleitung (Vdd bzw. Vcc bezeichnet) verbunden werden oder mit digitalen Ausgängen des Mikroprozessors. Letztere Ausführung hätte den Vorteil, dass die Stromversorgung zu den externen Sensoren im Standby-Modus komplett ausgeschaltet werden kann. Dadurch ist ein besonders energiesparender Betrieb möglich. Auf der Leiterplatine können Sensoren zur Messung von Umweltparametern eingesetzt werden wie beispielsweise ein Temperatursensor (305) oder ein Akzelerometer (311). Die Leiterplatine kann darüber hinaus auch noch mit weiteren Sensoren ausgestattet werden wie einem Sensor zur Messung der elektrischen Leitfähigkeit, des pH-Werts, dem Anteil an gelösten Sauerstoff oder der Trübung sowie Kombinationen aus den genannten Messgrößen. Die Leiterplatine verfügt über ein Terminal (303) zur Installation des Betriebssystems sowie zur Programmierung des Mikroprozessors. Bevorzugt wird hier UART als Kommunikationsstandard verwendet. Der Mikroprozessor mit integriertem Transceiver ist elektrisch mit einer Antenne (312) verbunden, um die Reichweite des elektromagnetischen Signals zu verstärken. Zu den möglichen drahtlosen Übertragungsstandards zählen ohne Beschränkung Narrowband Internet of Things (NB-loT), LoRaWAN, Sigfox, Dash7 oder Bluetooth low energy (BLE). Es können auch weitere Funkstandards genutzt werden, einschließlich Global System for Mobile Communication (GSM), Long Term Evolution (LTE), WiFi und weitere. Besonders vorteilhaft ist allerdings die Verwendung der modernen Niedrigenergiestandards wie NB-loT oder LoRaWAN, welche für loT-Anwendungen mit großer Reichweite, Batteriebetrieb und kleinen Datenmengen konzipiert wurden. Die Antenne kann beispielsweise als PCB-Antenne, als SMT-Antenne (Surface-Mount) oder als externe Antenne ausgeführt werden. Die Wahl einer PCB-Antenne ist nicht vorteilhaft, da die eh schon sehr begrenzte Oberfläche der Leiterplatine für Leiterbahnen und integrierte Schaltungen verwendet wird. Am effizientesten ist der Einsatz einer sogenannten „quarter-wavelength-Antenne“, bei der lediglich ein Stück Draht, bevorzugt mit einer PVC-Isolierung, mit einer Länge von genau ein Viertel der Wellenlänge der emittierten elektromagnetischen Strahlung. Bei einer besonders gängigen Frequenz von 868MHz entspräche diese Antennenlänge ca. 8.6cm. In Wasser reduziert sich die elektromagnetische Wellenlänge in Abhängigkeit und somit die Antennenlänge in Abhängigkeit der elektrischen Leitfähigkeit erheblich, was im Design berücksichtigt werden muss (s. VK5BR, Lloyd Butler. „Underwater radio communication." Originally published in Amateur Radio (1987).
-
Eine detailliertere Ausgestaltung des Gateways ist in
4 dargestellt. Das Gateway wird mit einem Einplatinen-Computer (
401) ausgeführt, der über genügend Rechenleistung verfügt, um eine Objekterkennung und Objektverfolgung in Echtzeit mit Kameradaten durchzuführen. Die Kameras können entweder außerhalb (412) oder innerhalb (413) des Behälters (
408) ausgeführt werden. Das Gateway ist darüber hinaus mit einer Transceiver-Einheit (
402) zur bidirektionalen Kommunikation mit der Muschelsensorik ausgestattet. Die elektromagnetischen Signale werden über Antennen empfangen bzw. gesendet. Diese Antennen können entweder im Medium Luft (
407) oder im Wasser (
409) platziert werden. Die Absorption elektromagnetischer Wellen im Wasser ist enorm, sodass sich die Reichweite der Muschelsensorik und respektive die Bewegungsfreiheit der Muschel enorm durch eine geschickte Platzierung der Antennen erweitern lassen. Die Verwendung einer zusätzlichen Transceiver-Einheit ist nur dann nötig, falls der Einplatinen-Computer nicht bereits über die verwendeten Drahtloskommunikationsstandards verfügt. Derzeit beschränken sich diese Standards meistens noch auf WiFi und Bluetooth, überwiegend im Bereich von 2.4 bzw. 5GHz mit hohen Bandbreiten. Sowohl hohe Bandbreiten wie auch hohe Frequenzen reduzieren die ohnehin schon im Verhältnis zu Luft geringe Reichweite der elektromagnetischen Signale in Wasser zusätzlich. In einer vorteilhaften Ausführung dieser Erfindung wird daher LoRa als Funktechnologie verwendet (siehe auch die Patentschriften
US9525454B2 ,
EP3065302B1 und
US9794095B2 zu dieser Technologie). Das Gateway kann entweder über eine fest installierte Stromversorgung wie etwa das 230V-Netz versorgt werden oder auch unabhängig vom Stromnetz. Bei der unabhängigen Bestromung kann beispielsweise eine 12V-Batterie wie sie bei Autos oder kleineren Solaranlagen üblich ist verwendet werden. Zum energieautarken Betrieb kann das Gateway zusätzlich mit einem Solarpanel ausgestattet werden. Das Solarpanel muss entsprechend der durchschnittlichen Leistungsaufnahme des Gateways und der durchschnittlichen Sonneneinstrahlung am Installationsort unter Berücksichtigung einer deutlich reduzierten Sonneneinstrahlung im Winter ausgelegt werden. Zusätzlich sollte mit einem Sicherheitsfaktor von 2 gerechnet werden, um die Stromversorgung kontinuierlich aufrecht zu erhalten. Tests haben ergeben, dass 100W-Solarpanels für gängige Gateways ausreichend sind, die Verwendung von 250W-Panels ist allerdings sicherer. Bei dieser Abschätzung ist die Verwendung von Kameras noch nicht inkludiert. Dem Endnutzer bzw. Systembetreiber wird der Zustand des Systems über eine Displayeinheit (
411) mitgeteilt, welche als Smartphone, Tablet oder Display oder Kombinationen daraus ausgeführt sein kann. Das Gateway muss über eine Internetkonnektivität (
404) verfügen, welche über Mobilfunk, eine lokale Ethernet Buchse (
403) mit Internetanschluss oder Satelliteninternet gewährleistet werden kann. Weitere drahtlose Funkstandards des Einplatinen-Computers (
410) sollen dem Anwender ermöglichen, dass dieser beispielsweise per App auf das System zugreifen kann. Über eine Internetverbindung ist das Gateway in der Lage, mit einem Backend (
409) zu kommunizieren. Auf dem Backend werden Daten gespeichert und Schnittstellen zur Weiterverarbeitung durch das Frontend oder dem Machine Learning Algorithmus bereitgestellt. Konkret lassen sich für den Einplatinen-Computer u.a. ein Raspberry Pi 1, 2, 3 oder 4 sowie voraussichtlich alle Nachfolger sowie der NVIDIA Jetson Nano oder PCs mit vergleichbarer Leistung verwenden. Für den RaspberryPi gibt es bereits zahlreiche LoRa-Gateways, welche über eine hervorragende Reichweite verfügen. Dazu zählen der PG1301 LoRaWAN Concentrator von Dragino oder der RAK7243 von Rakwireless.
-
In einer weiteren günstigen Ausführung dieser Erfindung in 5 skizziert werden die Muschelsensoren und respektive Muscheln (501) flächendeckend entlang eines Flusses (507) eingesetzt. Die Messdaten der Muschelrucksäcke können wie bereits skizziert über Gateways mit oder ohne energieautarke Versorgung empfangen werden. An Orten mit ausreichend guter Mobilfunkausleuchtung kann man auf die Gatewas verzichten und entsprechende Funkmodule in der Muschelsensorik verbauen. Vorteilhaft ist hier die Verwendung von NB-loT (Narrowband-loT) Modulen mit geringer Bandbreite und hoher Reichweite sowie guter Gebäudedurchdringung. Bisherige Lösungen haben den empfindlichen Nachteil, dass diese kein flächendeckende Messung gestatten, sondern meistens nur ortsfest auf einem sehr kleinen Bereich. In der hier vorgeschlagenen Konfiguration kann allerdings beispielsweise ein Fluss, der sich über hunderte km erstreckt oder ein See mit mehreren tausend Quadratkilometer Fläche besendert und kontrolliert werden. Eine Konkrete Ausgestaltung dieses Systems sei anhand der Installation mehrerer Muschelsensoren im Fluss Rhein in Deutschland skizziert. Kläranlagen (502) sowie Bergwerke (505) leiten hier ihr Abwasser ein. Im Klärwerk können bestimmte Stoffe wie Medikamente (Antibabypille, Blutfettsenker, Schmerzmittel oder Antibiotika) aber auch Putzmittel, Wandfarben sowie Schadstoffe an Gegenständen wie Kleidung oder Pfannen nur schwer abgebaut werden. Eine kontinuierliche Überwachung durch das Klärwerk ist daher angezeigt. Zusätzlich empfiehlt es sich allerdings auch, das Klärwerk extern zu überwachen, um das Risiko einer zu hohen Schadstoffbelastung weiter zu reduzieren. Bergwerkbetreiber wie die RAG GmbH in Nordrheinwestfalen sind dazu verpflichtet sich um die durch den Steinkohleabbau entstandene Altlasten zu kümmern. Den höchsten Anteil an den Kosten macht das Grubenwasser aus, das sich als Regenwasser in Stollen, Gruben und Schächten sammelt. Das Grubenwasser darf nicht so weit ansteigen, dass es sich mit dem Grundwasser vermischt und dieses verunreinigt und unbrauchbar macht. Daher muss das Grubenwasser regelmäßig abgepumpt werden und die Schadstoffe gereinigt werden, was üblicherweise in einem chemischen Prozess unter Verwendung von Wasserstoffperoxid stattfindet. Sowohl eine zu hohe wie eine zu niedrige Dosierung des Klärmittels verursacht allerdings schadstoffbelastetes Wasser. Wie im Fall der Kläranlage ist hier eine zusätzliche Überwachung der Industrie zur Gewährleistung einer hohen Wasserqualität sinnvoll. Zusätzliche Schadstoffquellen können auch durch Niederschlag (503) oder Personen (504) entstehen.
-
In einer weiteren günstigen Ausführung, welche in 6 schematisch dargestellt ist, befindet sich die Sendeeinheit (603) an der Wasseroberfläche. In dieser Konfiguration wird die Strecke im Wasser, also zwischen Muschel und Wasseroberfläche, überbrückt. Dadurch lässt sich die Reichweite von wenigen Metern im Wasser auf einige Kilometer in Luft (ohne Hindernisse wie Vegetation oder Gebäude) erhöhen. Die Sendeeinheit ist im Wesentlichen von ihrer Funktion und Komponenten vergleichbar mit der Muschelsensorik ausgeführt. Die Sendeeinheit enthält ein Transceiver-Modul (610) zur bidirektionalen Kommunikation mit einem Gateway (605), einen Mikroprozessor (609) zur Datenverarbeitung und einen Akku (611) zur Bestromung. Die Sendeeinheit kann die gesammelten Messdaten auch direkt über Mobilfunk (607) oder Satelliteninternet (606) weiterleiten. Am energiesparsamsten wäre die Verwendung eines LoRa-Gateways, dicht gefolgt von NB-loT im Mobilfunknetz. Die Verwendung von Satelliteninternet ist für diese Anwendung verhältnismäßig energieintensiv. Der Muschelrucksack kann im Vergleich zu 2 nochmal deutlich kompakter ausgeführt werden, dadurch dass an dieser Stelle keine Batterie oder Mikroprozessor mehr verwendet wird. Am Bioindikator, die in dieser Ausführung eine Muschel ist, befinden sich nur noch die Komponenten, die dort auch zwingend angebracht werden müssen. Dazu zählen beispielsweise ein Herzratensensor, ein Hall-Sensor oder ein Akzelerometer sowie Kombinationen daraus. Über ein Strom- und Datenkabel (608) werden die Sensoren an der Muschel bestromt und die Messdaten ausgelesen.
-
7 ist eine schematische Darstellung einer weiteren vorteilhaften Ausführung der Erfindung. Bisher fand die Kommunikation des Muschelrucksacks (703) drahtlos statt. In dieser Konfiguration werden allerdings Kabel verwendet. Die Verwendung von Kabeln (704) birgt einen erheblichen Nachteil dadurch bedingt, dass sich die Muscheln (702) im Behälter (701) nicht mehr so frei wie in der drahtlosen Konfiguration bewegen können. Durch die Verwendung von dünnen hochflexiblen Kabeln kann dieser Nachteil aufgehoben werden. Neben der reduzierten Beweglichkeit der Muscheln bietet dieses System auch einige Vorteile. Die Abtastrate kann erheblich gesteigert bis runter auf wenige Sekunden. Die Messwerte können auch in höherer Genauigkeit gespeichert werden. Bei der Verwendung von LoRaWAN muss der Payload (=gesendete Datenmenge) stets so schlank wie möglich gehalten werden. Je größer der Payload, desto länger dauert eine Übertragung. Bekannte Netzwerkserver wie TheThingsNetwork schreiben eine maximale Sendezeit von ca. 30s pro Tag vor. Wird die Datenmenge also erheblich reduziert, kann man täglich deutlich häufiger senden. Darüber hinaus fällt auch die Verwendung von Batterien bzw. Akkus weg. Die Muschelsensorik kann direkt über das Gateway (704) bestromt werden. Dieses Gewicht behindert die Bioindikatoren dann nicht mehr in deren Beweglichkeit. Auch Codeupdates lassen sich über ein solches System schneller aufspielen, da die Mikroprozessoren nicht mehr einzeln programmiert werden müssen, sondern nur noch das Gateway. Das Gateway kann so ausgeführt werden, dass man darauf per Remote Control Software wie Teamviewer zugreifen kann. Insgesamt lassen sich durch so eine Konfiguration also die Entwicklungszyklen erheblich reduzieren und das System lässt sich auch einfacher warten. Als Kabel eignen sich hervorragend Telefonkabel, vieradrige Flachbandkabel, welche oft mit RJ11 Stecker/Buchsen auch 6p4c- Stecker/Buchsen verbunden werden. Vier Adern sind auch genau die Anzahl, welche benötigt werden, zwei zur Datenübertragung und zwei zur Bestromung.
-
Das Funktionsdiagramm der drahtlosen Muschelrucksäcke ist in 8 skizziert. Zu Beginn werden die Messwerte der Sensoren erfasst (801). Zu den Messwerten (802) zählen u.a. die Hall-Spannung, Beschleunigung, Herzrate, Temperatur, aber darüber hinaus können auch noch weitere Messwerte wie die elektrische Leitfähigkeit, der pH-Wert, der gelöste Sauerstoffanteil sowie Kombinationen der genannten Messwerte verwendet werden. Zur Reduktion der Leistungsaufnahme wird im Anschluss geprüft, ob sich die Messwerte um einen bestimmten Wert (803) geändert haben. Dazu werden die aktuellen Messwerte im EEPROM (805) ausgelesen (804). Haben sich die Messwerte nicht geändert, dann wird der Mikroprozessor wieder in den Schlafmodus versetzt (807). Haben sich die Messwerte verändert, dann werden diese drahtlos übertragen und im EEPROM gespeichert. Nach dem Senden wird der Mikroprozessor in den Schlafmodus versetzt. Der Mikroprozessor verlässt den Schlafmodus nach einer definierten Zeit und wird aufgeweckt (808). Einige Sensoren verfügen auch über ein sogenannte Interruptfunktion bzw. man kann das System um ein solche Interruptfunktion auch einfach erweitern, indem man das Spannungssignal auf LOW oder HIGH zieht. LOW ist in der Regel die Spannung 0V und High ein Wert üblicherweise zwischen 2-5V.
-
In einer vorteilhaften Ausführung dieser Erfindung werden Echtzeit-Kameradaten dazu verwendet, um die ‚Laufwege‘ bzw. das Bewegungsverhalten der Bioindikatoren aufzuzeichnen. Für diesen bildbasierten Ansatz wird eine Markierung (214) benötigt, die auf der Muschel angebracht wird, wie in 2 skizziert. Der Nachverfolgung der Bioindikatoren liegt ein einfaches Flussdiagramm zu Grunde, welches in 9 skizziert ist. Zu Beginn werden die Videodaten der Kamera bzw. Kameras (901) in einzelne Bilder auch Frames genannt umgewandelt. Daraufhin erfolgt eine Umwandlung der Bilder in eine 8bit Graustufenskale (902). Falls nötig kann noch ein Rauschfilter (903) appliziert werden oder ein Weichzeichenfilter, welcher sich für die anschließende Kantendetektion (904) als vorteilhaft erwiesen hat. Nach der Kantendetektion können verschiedene Formen (905) erkannt werden. Jede Muschel muss mit einer einzigartigen Form markiert werden wie beispielsweise einem Quadrat, Rechteck, Kreis, Ellipse, Stern oder deren Kombinationen. Nach der Erkennung der jeweiligen Form, wird eine Region of Interest ermittelt (906) und deren Schwerpunkt bzw. Mittelpunkt entweder als 2D bzw. bei der Verwendung von mehr als einer Kamera als 3D Koordinate gespeichert. Die Region of Interest (ROI) wird während der gesamten Zeit nachverfolgt (907) und ihr Mittelpunkt als Messwert (910) ausgegeben. Diese Konfiguration bietet sich vor allem in Innenräumen an, in denen sich die Bioindikatoren in einem Aquarium oder Behältnis mit verhältnismäßig optisch klarem Wasser befinden. Das Behältnis sollte nicht zu groß gewählt werden, andernfalls erscheinen die Bioindikatoren und respektive deren Markierungen unscharf, weil der längere optische Lichtweg dazu führt, dass das Licht häufiger an Schwebstoffen im Behältnis abgelenkt oder absorbiert wird. Anstelle von Formen können auch Farben zur Markierung verwendet werden. Mit einem Akzelerometer lässt sich lediglich die Neigung des Bioindikators ermitteln sowie abrupte Bewegungen. Durch eine Detektion und Nachverfolgung des Laufwegs der Bioindikatoren mittels Kameradaten lässt sich ein erweitertes Bewegungsmuster abbilden, was letztlich zu einer erhöhten Genauigkeit bei der Klassifizierung des Verhaltensmusters führen kann. Die Software für diese Methode wurde in Python im Framework OpenCV geschrieben.
-
Die Klassifikation des Muschelverhaltens soll mit Methoden des maschinellen Lernens, auch Machine Learning genannt, getroffen werden. Bei diesen Methoden haben sich einige Ansätze als besonders vielversprechend herauskristallisiert. Zu diesen zählen vor allem Support Vector Class, KNeighbors Classifier, Convolutional Neural Network und der Decision Tree Classifier. Im Rahmen der Entwicklung wurden alle vier Methoden getestet, der DecisionTreeClassifier lieferte jedoch mit über 96% Genauigkeit die besten Ergebnisse und wird daher in einer vorteilhaften Ausführung dieser Erfindung verwendet. Im Folgenden wird offengelegt, wie dieser Classifier für das vorgestellte System verwendet wird. Das Entscheidungsbaumverfahren (Decision Tree) ist eine verbreitete Möglichkeit der Regression oder Klassifikation über einen vielfältigen Datensatz. Entscheidungsbäume oder Decision Trees sind Data Mining Methoden oder Entscheidungsregeln in Form eines Baumes. Das Ergebnis ist ein Baum mit einer Wurzel und davon ausgehenden Ästen. Die Äste verzweigen sich fortlaufend an Knoten. Die Verzweigungen enden zuletzt in Blättern. Diese Blätter zeigen dann die Klassenzugehörigkeit oder die Entscheidung an.
-
Entscheidungsbäume sind beliebt, da sie Regeln einfach und verständlich darstellen können. Die Regeln werden hierarchisch, d. h. hintereinander in einer festgelegten Reihenfolge abgearbeitet und enden dann mit einem Ergebnis. Der Algorithmus ist in 10 skizziert und arbeitet bei diskreten Variablen wie folgt:
- • Zuerst wird das Merkmal mit dem höchsten Informationsgehalt in Hinblick auf die Vorhersage des Labels (Zielvariable) selektiert.
- • Für jeden Wert, den das Attribut annehmen kann, wird anschließend ein Zweig des Baumes erstellt.
- • Für jeden neuen Knoten wird Schritt 1 und 2 wiederholt.
-
Der Baum ist fertig gestellt, wenn jeder Knoten eine Klasse eindeutig identifiziert. Die letzten Knoten legen dann die Klasse fest. Diese werden auch Blätter genannt.
-
Ein beliebter Machine Learning Framework ist Tensorflow mit Python-Unterstützung, was auch in dieser Erfindung verwendet wurde. 10 skizziert das Flussdiagramm der Decision Tree Methode. Zu Beginn wird der gesamte Datensatz importiert (1001) und daraufhin in einen Trainings-, Validierungs- und Testdatensatz aufgespaltet (1002). Wie die Bezeichnungen bereits andeuten, wird der Trainingsdatensatz zur Erstellung des Modells verwendet und der Validierungsdatensatz zur Überprüfung, ob das erzeugte Modell auch zuverlässige Vorhersagen bei unbekannten Daten treffen kann. Ist dies der Fall, spricht man auch davon, dass dieses Modell eine gute Generalisierung aufweist. Da vom Entwickler die Parameter ständig angepasst werden, um gute Ergebnisse beim Trainings- und beim Validierungsdatensatz aufzuweisen, wird das Modell automatisch auch zum Teil mit dem Validierungsdatensatz angelernt, was die Generalisierungsfähigkeit einschränkt. Deshalb sollte man am Ende das Modell immernoch gegen einen gänzlich unbekannten Datensatz, dem Testdatensatz, prüfen. Aus dem eingelesenen Datensatz werden nun INPUT und OUTPUT (1003) extrahiert. INPUT umfasst relevante Umgebungswerte wie die Hallspannung, Herzrate, Temperatur sowie die Zeit, während der OUTPUT die Klassifikation des Muschelverhaltens beschreibt, also im Beispiel der Muschel als Bioindikator folgende Klassen: ‚Default‘ (1006), ‚Opening‘ (1007), ‚Closing‘ (1008), ‚Disturbed‘ (1009). Es ist auch möglich, dass weitere relevante Klassen in Zukunft mit aufgenommen werden können oder die genannten ersetzen. Mit den INPUT und OUTPUT Daten kann nun das Decision Tree Modell (1004) erstellt werden, welches letztlich die genannten Klassen (1005) für unbekannten INPUT-Daten vorhersagen kann.
-
In einer weiteren günstigen Ausführung besteht die drahtlose Muschelsensorik ohne Beschränkung aus folgenden Bauteilen. Einem ATMEGA1284p von ATMEL (San Jose, Kalifornien, USA) als Mikroprozessor, einem RFM95Hope LoRa-Modul von HopeRF (Shenzhen, China), einem TMP116 Temperatursensor von Texas Instruments, einem ADXL345 Akzelerometer von Analog Devices (Norwood, Massachusetts, USA) sowie einem Herzratensensor basierend auf einem IR-Reflektometer CNY70 von Vishay (New York, USA). Die Muschelsensorik kann auch mit vergleichbaren Bauteilen mit vergleichbarem Funktionsumfang ausgelegt werden. Die Auswahl bei den genannten Komponenten ist sehr groß. Es gilt allerdings zu beachten, dass die Abmessungen der Bauteile möglichst klein sein sollten. Das kleinste in dieser Erfindung entwickelte und hergestellte Design misst ca. 28 mm x 30 mm x 3 mm. Bei der Entwicklung des Herzratensensors diente die wissenschaftliche Publikation von Burnett et al. (Burnett, Nicholas P., et al. „An improved noninvasive method for measuring heartbeat of intertidal animals." Limnology and Oceanography: Methods 11.2 (2013): 91-100.) als Vorlage (s. 2. für ein schematische Skizze der Schaltung und Tabelle 1 für ein Bestellliste der Komponenten).
-
11 zeigt die Messergebnisse eines Experiments mit dem entwickelten Muschelsensor zur Verifizierung der drahtlosen Übertragung unter Wasser. Dabei wurde das LoRa-Modul RFM95Hope von HopeRF als Transceiver-Einheit verwendet sowie das LoRa-Gateway Dragino PG1301 (Dragino Technology Co., LTD. Shenzhen Dragino technology development co., LTD) mit einem Raspberry Pi4. Die Messstelle war der Echinger See (GPS Koordinaten ca.: 48.287, 11.631, Deutschland, Bundesland Bayern), die elektrische Leitfähigkeit betrug ca. 300 µS/cm. Gemessen wurde der Received Signal Strength Indicator (RSSI) in dBm in Abhängigkeit steigender Tiefen des Muschelrucksacks unterhalb der Seeoberfläche. Wie physikalisch bedingt zu erwarten war, nimmt RSSI durch die Dämpfung der elektromagnetischen Wellen im Wasser mit steigender Eintauchtiefe stark ab. Es konnte jedoch gezeigt werden, dass die Übertragung problemlos bis zu einer Eintauchtiefe von 70cm funktionierte.
-
Bezugszeichenliste
-
- 101
- Sensor Rucksack
- 102
- Bioindikator
- 103
- Sensor
- 104
- Boden
- 105
- Display-Einheit
- 106
- Drahtloskommunikation
- 107
- Gateway
- 108
- Backend
- 109
- Machine Learning
- 110
- Frontend
- 111
- Eingabe
- 112
- Alarm
- 113
- Multiparameter Messonde
- 114
- Messbehältnis
- 115
- Testwassereinleitung
- 116
- Testwasserableitung
- 117
- Kamera
- 201
- Muschel
- 202
- Muschelfuß
- 203
- Muschelfäden
- 204
- Magnet
- 205
- Hall-Effekt Sensor
- 206
- Sensorkabel
- 207
- Sensor-Rucksack
- 208
- Drahtloskommunikation
- 209
- Ladekabel negativ
- 210
- Ladekabel positiv
- 211
- Boden
- 212
- Akzelerometer
- 213
- Elektrode für Drahtlosladen
- 214
- Markierung
- 301
- Leiterplatine
- 302
- Mikroprozessor
- 303
- Programmierpins
- 304
- Batterie
- 305
- Temperatursensor
- 306
- Ladeschaltung
- 307
- Herzraten-Schaltung
- 308
- Stromkabel 1 externe Sensoren
- 309
- Stromkabel 2 externe Sensoren
- 310
- Signal 1 externe Sensoren
- 311
- Akzelerometer
- 312
- Antenne
- 313
- Signal 2 externe Sensoren
- 314
- Ladekabel 1
- 315
- Ladekabel 2
- 301
- Leiterplatine
- 302
- Mikroprozessor
- 303
- Programmierpins
- 304
- Batterie
- 305
- Temperatursensor
- 306
- Ladeschaltung
- 307
- Herzraten-Schaltung
- 308
- Stromkabel 1 externe Sensoren
- 309
- Stromkabel 2 externe Sensoren
- 310
- Signal 1 externe Sensoren
- 311
- Akzelerometer
- 312
- Antenne
- 313
- Signal 2 externe Sensoren
- 314
- Ladekabel 1
- 315
- Ladekabel 2
- 401
- Einplatinen-Computer
- 402
- Receiver-Einheit
- 403
- Ethernet-Anschluss
- 404
- Internetkonnektivität
- 405
- Stromanschluss
- 406
- Elektrischer Generator
- 407
- Antenne in Luft
- 408
- Aquarium
- 409
- Antennen im Wasser
- 410
- Drahtloskonnektivität
- 411
- Display-Einheit
- 412
- Webcam in Luft
- 413
- Webcam unter Wasser
- 501
- Muschel mit Sensorik
- 502
- Klärwerk
- 503
- Niederschlag
- 504
- Personen
- 505
- Industrie
- 506
- Gateways
- 601
- Wasserbehälter
- 602
- Bioindikator
- 603
- Sendeeinheit
- 604
- Elektronik
- 605
- Gateway
- 606
- Satelliteninternet
- 607
- Mobilfunk
- 608
- Strom- und Datenkabel
- 609
- Mikroprozessor
- 610
- Transceiver
- 611
- Akku
- 701
- Wasserbehälter
- 702
- Bioindikator
- 703
- Muschelrucksack
- 704
- Kabel
- 705
- Gateway
- 801
- Messung der Sensorwerte
- 802
- Sensoren
- 803
- Kontrolle ob Änderung Sensorwert > X%
- 804
- Auslesen des EEPROM
- 805
- EEPROM
- 806
- Drahtloses Senden
- 807
- Schlafmodus
- 808
- Aufwachen
- 809
- Schreiben auf EEPROM
- 901
- Umwandlung Videostream zu Bilder
- 902
- Umwandlung in Graustufen
- 903
- Rauschfilter
- 904
- Kantendetektion
- 905
- Formen Detektion
- 906
- Ermittlung der Region of Interest (ROI)
- 907
- Nachverfolgung der ROI
- 908
- Ausgabe der ROI als Messwert
- 1001
- Datenbank wird importiert
- 1002
- Datenbank wird skaliert und aufgeteilt
- 1003
- X und Y werden aus der Datenbank gelesen und in 1004 überführt
- 1004
- Tree Decision Modell wird erstellt
- 1005
- Klassen
- 1006
- Klasse Default
- 1007
- Klasse Opening
- 1008
- Klasse Closing
- 1009
- Klasse Disturbed
-
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
-
- RU 2437093 C1 [0003, 0004]
- RU 101838 U1 [0003]
- RU 2452949 C1 [0004]
- RU 2595867 C2 [0005]
- US 9525454 B2 [0018]
- EP 3065302 B1 [0018]
- US 9794095 B2 [0018]
-
Zitierte Nicht-Patentliteratur
-
- Depledge MH, Andersen VV A computer-aided physiological monitoring system for continuous, long-term recording of cardiac activity in selected invertebrates .-- Biochem PhysioL, Vol.96 A, 1990, No. 4, pp473-477 [0006]
- Zwart, D., KJM Kramer & HA Jenner (1995), Practical experiences with the early warning system ‚Mosselmonitor‘, Environ Toxicol, Water Qual. 10: 237-247 [0007]
- Kramer, Kees JM, and Edwin M. Foekema. „The „Musseimonitor®“ as biological early warning system.“ Biomonitors and Biomarkers as Indicators of Environmental Change 2. Springer, Boston, MA, 2001. 59-87 [0007]
- Sluyts, Hilde, et al. „A dynamic new alarm system for use in biological early warning systems.“ Environmental Toxicology and Chemistry: An International Journal 15.8 (1996): 1317-1323 [0007]
- Polman, Harry JG, and H. A. Jenner. „Pulse-Chlorination®, the best available technique in macrofouling mitigation using chlorine.“ PowerPlant Chemistry 4 (2002): 93-100 [0007]
- Llamas, R. A., James J. Niemeier, and Anton Kruger. „Curved spiral antennas for freshwater applications.“ 2015 IEEE Radio and Wireless Symposium (RWS). IEEE, 2015 [0008]
- Llamas, Ruben A., et al. „Underwater Deployment and Performance of Curved Spiral Antennas in Mussel Backpacks.“ 2019 IEEE International Symposium on Antennas and Propagation and USNC-URSI Radio Science Meeting. IEEE, 2019 [0008]
- Taylor, H. D., Anton Kruger, and J. J. Niemeier. „Embedded electronics for a mussel-based biological sensor.“ 2013 IEEE Sensors Applications Symposium Proceedings. IEEE, 2013 [0008]
- Hodson, Hal. „Mussels with sensor backpacks taste the Mississippi for science.“ (2013): 21 [0008]
- Lloyd Butler. „Underwater radio communication.“ Originally published in Amateur Radio (1987) [0017]
- Burnett, Nicholas P., et al. „An improved noninvasive method for measuring heartbeat of intertidal animals.“ Limnology and Oceanography: Methods 11.2 (2013): 91-100 [0028]
