-
GEBIET DER ERFINDUNG
-
Die vorliegende Offenbarung betrifft ein auf dem Internet der Dinge basierendes Covid-Erkennungs- und Präventionssystem. Genauer gesagt ist das System automatisiert, um den Echtzeit-Gesundheitsbericht des Benutzers zusammen mit dem Rezept zur Behandlung des Corona-Virus zu erstellen.
-
HINTERGRUND DER ERFINDUNG
-
SARS-CoV-2, eines der ansteckendsten Viren, kann sich über eine Vielzahl von Kanälen ausbreiten, darunter Aerosole, Kontakt mit infizierten Gegenständen und Atemtröpfchen durch Husten und Niesen. Selbst bei asymptomatischen Infektionen haben einige SARS-CoV-2-Genotypen eine verlängerte Inkubationszeit. Außerdem ist es notwendig, die Empfindlichkeit der Reagenzien zu erhöhen, um Infektionen zu erkennen. Obwohl die verschiedenen strengen Sperrmaßnahmen einen wesentlichen Beitrag zur Prävention und Bekämpfung von COVID-19 geleistet haben, haben sie auch bestimmte entscheidende politische und wirtschaftliche Operationen verzögert, was zu einer Reihe anderer Verluste geführt hat, die für einige Nationen katastrophale Auswirkungen hatten. Dennoch gibt es viele Opfer, wenn die Epidemie ignoriert wird. Daher ist es für die Regierung notwendig, die Pandemie so weit wie möglich zu verhindern und zu bewältigen, ohne das tägliche Leben übermäßig zu beeinträchtigen.
-
Die WHO und Regierungen auf der ganzen Welt werden ein hilfreiches Instrument zur Bekämpfung der Pandemie in Form von ausgeklügelten, automatisierten und Echtzeit-Technologien haben, die Corona-Betroffene diagnostizieren und bereits Erkrankte überwachen können. Darüber hinaus muss COVID-19 überwacht und diagnostiziert werden, was hochentwickelte Tools und Technologien erfordert. Aus diesem Grund stehen Studien über das Coronavirus und die von ihm verursachten Krankheiten, sein Mutations- und Ausbreitungsmuster sowie schnelle und effektive Überwachungs- und Diagnosesysteme im Mittelpunkt der aktuellen Forschung und stoßen auf großes Interesse bei Datenwissenschaftlern und Forscher auf der ganzen Welt.
-
Ein auf dem Internet der Dinge basierendes Covid-Erkennungs- und Präventionssystem ist erforderlich.
-
ZUSAMMENFASSUNG DER ERFINDUNG
-
Ein auf dem Internet der Dinge basierendes Covid-Erkennungs- und -Präventionssystem unter Verwendung des Convolutional Neural Network bereitzustellen.
-
In einer Ausführungsform ein auf dem Internet der Dinge basierendes Covid-Erkennungs- und Präventionssystem wird offenbart. Das System umfasst eine Eingabevorrichtung zum Empfangen eines Satzes von Gesundheitsparametern für eine Vielzahl von Benutzern einer Population. Das System umfasst ferner eine Vorhersagevorrichtung für maschinelles Lernen zum Trainieren eines konvolutionellen neuralen Netzwerkmodells unter Verwendung des empfangenen Satzes von Gesundheitsparametern zum Vorhersagen eines ersten akuten Gesundheitszustands, des Beginns eines akuten Gesundheitszustands für einen Benutzer basierend auf dem Satz von Gesundheitsparametern des Benutzers. Das System umfasst ferner einen Erfassungsknoten zum Erfassen von Echtzeit-Gesundheitsparametern eines Zielbenutzers. Das System umfasst ferner eine Steuereinheit zum Bestimmen einer Wahrscheinlichkeit des Einsetzens eines akuten Gesundheitszustands für den Zielbenutzer innerhalb eines nachfolgenden Zeitintervalls durch Anwenden des trainierten Faltungsneuronalnetzmodells auf die empfangenen Echtzeit-Gesundheitsparameter für den Zielbenutzer und in Reaktion auf die bestimmte Wahrscheinlichkeit des Beginns eines akuten Gesundheitszustands für den Benutzer, die einen Schwellenwert überschreitet, Ausführen einer oder mehrerer Interventionsmaßnahmen im Namen des Zielbenutzers. Das System umfasst ferner eine zentrale Verarbeitungseinheit zum Erzeugen eines Berichts basierend auf einem bestimmten akuten Gesundheitszustand, wodurch dementsprechend ein Rezept erzeugt wird und der Bericht über den akuten Gesundheitszustand und das Rezept auf einer Anzeigeeinheit angezeigt werden, wobei das Rezept automatisch durch Analysieren des akuten Gesundheitszustands erzeugt wird Bericht des Zielpatienten unter Verwendung des Convolutional Neural Network.
-
Eine Aufgabe der vorliegenden Offenbarung ist es, einen Bericht basierend auf einem bestimmten akuten Gesundheitszustand zu erstellen.
-
Eine weitere Aufgabe der vorliegenden Offenbarung ist es, ein Rezept gemäß der Schwere der Erkrankung zu erstellen.
-
Noch eine weitere Aufgabe der vorliegenden Erfindung besteht darin, ein schnelles und kosteneffektives Covid-Erkennungs- und - Präventionssystem bereitzustellen.
-
Um die Vorteile und Merkmale der vorliegenden Offenbarung weiter zu verdeutlichen, erfolgt eine genauere Beschreibung der Erfindung unter Bezugnahme auf spezifische Ausführungsformen davon, die in der beigefügten Zeichnung dargestellt ist. Es versteht sich, dass diese Zeichnung nur typische Ausführungsformen der Erfindung darstellt und daher nicht als Einschränkung ihres Umfangs anzusehen ist. Die Erfindung wird mit zusätzlicher Spezifität und Einzelheiten mit der beigefügten Zeichnung beschrieben und erläutert.
-
Figurenliste
-
Diese und andere Merkmale, Aspekte und Vorteile der vorliegenden Offenbarung werden besser verständlich, wenn die folgende detaillierte Beschreibung unter Bezugnahme auf die beigefügte Zeichnung gelesen wird, in der gleiche Zeichen gleiche Teile darstellen, wobei:
- 1 veranschaulicht ein Blockdiagramm eines auf dem Internet der Dinge basierenden Covid-Erkennungs- und Präventionssystems gemäß einer Ausführungsform der vorliegenden Offenbarung.
-
Ferner werden Fachleute erkennen, dass Elemente in der Zeichnung der Einfachheit halber dargestellt sind und nicht unbedingt maßstabsgetreu gezeichnet sein müssen. Zum Beispiel veranschaulichen die Flussdiagramme das Verfahren in Bezug auf die hervorstechendsten Schritte, die beteiligt sind, um dabei zu helfen, das Verständnis von Aspekten der vorliegenden Offenbarung zu verbessern. Darüber hinaus können in Bezug auf die Konstruktion der Vorrichtung eine oder mehrere Komponenten der Vorrichtung in den Zeichnung durch herkömmliche Symbole dargestellt worden sein, und die Zeichnung können nur solche spezifischen Details zeigen, die für das Verständnis der Ausführungsformen der vorliegenden Offenbarung relevant sind um die Zeichnung nicht mit Details zu verdecken, die für den Durchschnittsfachmann, der von der hierin enthaltenen Beschreibung profitiert, leicht ersichtlich sind.
-
DETAILLIERTE BESCHREIBUNG:
-
Um das Verständnis der Prinzipien der Erfindung zu fördern, wird nun auf die in der Zeichnung dargestellte Ausführungsform Bezug genommen, und es wird eine spezifische Sprache verwendet, um diese zu beschreiben. Es versteht sich jedoch, dass dadurch keine Einschränkung des Umfangs der Erfindung beabsichtigt ist, wobei solche Änderungen und weiteren Modifikationen des dargestellten Systems und solche weiteren Anwendungen der darin dargestellten Prinzipien der Erfindung in Betracht gezogen werden, wie sie einem Fachmann normalerweise einfallen würden in der Technik, auf die sich die Erfindung bezieht.
-
Fachleute werden verstehen, dass die vorstehende allgemeine Beschreibung und die folgende detaillierte Beschreibung beispielhaft und erläuternd für die Erfindung sind und diese nicht beschränken sollen.
-
Die Bezugnahme in dieser gesamten Beschreibung auf „einen Aspekt“, „einen anderen Aspekt“ oder ähnliche Ausdrücke bedeutet, dass ein bestimmtes Merkmal, eine bestimmte Struktur oder Eigenschaft, die in Verbindung mit der Ausführungsform beschrieben wird, in mindestens einer Ausführungsform der vorliegenden Offenbarung enthalten ist. Somit können sich die Ausdrücke „in einer Ausführungsform“, „in einer anderen Ausführungsform“ und ähnliche Ausdrücke in dieser Beschreibung alle auf dieselbe Ausführungsform beziehen, müssen dies aber nicht.
-
Die Begriffe „umfassen“, „umfassend“ oder andere Variationen davon sollen einen nicht ausschließlichen Einschluss abdecken, so dass ein Prozess oder Verfahren, das eine Liste von Schritten umfasst, nicht nur diese Schritte umfasst, sondern andere Schritte nicht umfassen kann ausdrücklich aufgeführt oder einem solchen Prozess oder Verfahren innewohnend. In ähnlicher Weise schließen ein oder mehrere Geräte oder Teilsysteme oder Elemente oder Strukturen oder Komponenten, denen „umfasst ... ein“ vorangestellt ist, ohne weitere Einschränkungen nicht die Existenz anderer Geräte oder anderer Teilsysteme oder anderer Elemente oder anderer Strukturen aus oder andere Komponenten oder zusätzliche Geräte oder zusätzliche Teilsysteme oder zusätzliche Elemente oder zusätzliche Strukturen oder zusätzliche Komponenten.
-
Sofern nicht anders definiert, haben alle hierin verwendeten technischen und wissenschaftlichen Begriffe die gleiche Bedeutung, wie sie allgemein von einem Durchschnittsfachmann auf dem Gebiet verstanden wird, zu dem diese Erfindung gehört. Das hierin bereitgestellte System, Verfahren und Beispiele sind nur veranschaulichend und sollen nicht einschränkend sein.
-
Ausführungsformen der vorliegenden Offenbarung werden unten im Detail unter Bezugnahme auf die begleitende Zeichnung beschrieben.
-
Unter Bezugnahme auf 1 ist ein Blockdiagramm eines Systems zur Erkennung und Verhinderung von Covid-19 auf dem Internet der Dinge gemäß einer Ausführungsform der vorliegenden Offenbarung dargestellt. Das System 100 umfasst eine Eingabevorrichtung 102 zum Empfangen eines Satzes von Gesundheitsparametern für eine Vielzahl von Benutzern einer Population.
-
In einer Ausführungsform wird eine maschinell lernende Vorhersagevorrichtung 104 zum Trainieren eines konvolutionellen neuralen Netzwerkmodells 134 unter Verwendung des empfangenen Satzes von Gesundheitsparametern zum Vorhersagen eines ersten akuten Gesundheitszustands, des Beginns eines akuten Gesundheitszustands für einen Benutzer basierend auf dem Satz von Gesundheitsparametern verwendet Benutzer.
-
In einer Ausführungsform wird ein Erfassungsknoten 106 zum Erfassen von Echtzeit-Gesundheitsparametern eines Zielbenutzers verwendet.
-
In einer Ausführungsform wird eine Steuereinheit 108 zum Bestimmen einer Wahrscheinlichkeit des Einsetzens eines akuten Gesundheitszustands für den Zielbenutzer innerhalb eines nachfolgenden Zeitintervalls durch Anwenden des trainierten Faltungsneuronalnetzmodells 134 auf die empfangenen Echtzeit-Gesundheitsparameter für den Zielbenutzer und verwendet als Reaktion darauf, dass die bestimmte Wahrscheinlichkeit des Beginns eines akuten Gesundheitszustands für den Benutzer einen Schwellenwert überschreitet, Ausführen einer oder mehrerer Interventionsmaßnahmen im Namen des Zielbenutzers.
-
In einer Ausführungsform wird eine zentrale Verarbeitungseinheit 110 zum Generieren eines Berichts basierend auf einem bestimmten akuten Gesundheitszustand verwendet, wodurch ein Rezept entsprechend generiert wird und der Bericht über den akuten Gesundheitszustand und das Rezept auf einer Anzeigeeinheit 112 angezeigt werden, wobei das Rezept automatisch durch Analysieren erzeugt wird den akuten Gesundheitszustandsbericht des Zielpatienten unter Verwendung des Convolutional Neural Network.
-
In einer anderen Ausführungsform stellt der Satz von Gesundheitsparametern körperliche Statistiken und Symptome für die Vielzahl von Benutzern für jeden von mehreren Zeiträumen dar, wobei der Satz von Gesundheitsparametern ausgewählt ist aus Blutsauerstoffsättigung (SpO2), Pulsfrequenz, Perfusion Index, Pleth-Variabilitätsindex, Körpertemperatur und/oder Atemfrequenz .
-
In einer anderen Ausführungsform ist der Messknoten 106 vorzugsweise ein tragbares Gerät 114 , das fern mit der Steuereinheit 108 verbunden ist, wobei der Messknoten 106 einen schnurlosen Pulsoximetriesensor/eine Pulsoximetrievorrichtung 116 zum Messen der Blutsauerstoffsättigung (SpCk), der Pulsfrequenz, Perfusionsindex, Pleth-Variabilitätsindex.
-
In einer Ausführungsform wird ein Atemfrequenz-Überwachungssensor 118 zum Erfassen der Atemfrequenz aus der Photoplethysmographie verwendet.
-
In einer Ausführungsform wird ein Temperatursensor 120 zum Erfassen der Echtzeittemperatur des Zielkörpers verwendet.
-
In einer anderen Ausführungsform erzeugt die zentrale Verarbeitungseinheit 110 die Verschreibung gemäß der Schweregradskala des Zielpatienten, wobei die Schweregradskala beim Vergleichen des akuten Gesundheitszustandsberichts mit einem in einer Cloud-Server-Plattform 122 gespeicherten Schwellengesundheitsparameter bestimmt wird, wobei die Die Schweregradskala wird im Bereich von 1-5 bewertet, wobei 1 für leicht vom Coronavirus betroffen und 5 für stark vom Coronavirus betroffen steht.
-
In einer anderen Ausführungsform eine Warnvorrichtung 124 zum Benachrichtigen des Zielbenutzers über einen Bericht über einen akuten Gesundheitszustand zusammen mit der Verschreibung basierend auf einer Schweregradskala, wobei die Benachrichtigung über eine Kommunikationsvorrichtung 128 an eine registrierte Computervorrichtung 126 des Zielbenutzers gesendet wird.
-
In einer anderen Ausführungsform sind die eine oder mehreren Interventionsmaßnahmen mit einem entsprechenden Wahrscheinlichkeitsschwellenwert verbunden, wobei die eine oder mehreren Interventionsmaßnahmen eine grafische Benutzeroberfläche 130 zum Anzeigen einer Benachrichtigung mit Informationen umfassen, die den Zielbenutzer vor dem akuten Gesundheitszustand warnen.
-
In einer Ausführungsform wird eine Auftragsverarbeitungsvorrichtung 132 zum Bestellen eines Testkits, das dem akuten Gesundheitszustand entspricht, an den Zielbenutzer und zum Ernennen eines Arztes für den Zielbenutzer verwendet.
-
Das Eingabegerät 102 kann in einigen Implementierungen retrospektive Daten über Benutzer verwenden, um die Auswirkung eines AHC auf eine Population zu bestimmen. Das Vorhersagegerät 104 für maschinelles Lernen kann beispielsweise einen vom Benutzer bereitgestellten Satz von Gesundheitsparametern verwenden, um die Belastung einer Bevölkerung durch die Grippe oder einen anderen ILI zu berechnen. Das Vorhersagegerät 104 für maschinelles Lernen kann beispielsweise quantifizieren, dass die durchschnittliche RHF drei Tage lang im Durchschnitt um 1 Schlag/Minute ansteigt, wenn ein Benutzer von der Grippe betroffen ist, dass 10.000 Schritte pro Tag für Personen verloren gehen, die von der Grippe betroffen sind Grippe (als Bevölkerungsdurchschnitt), dass 30 Minuten zusätzlicher Schlaf an zwei oder mehr Tagen während der Grippeperiode erforderlich sind, und so weiter.
-
Die Messung der Belastung durch ein AHC in freier Wildbahn kann für die öffentliche Gesundheit von Vorteil sein. Beispielsweise wird nur ein kleiner Teil der Grippefälle dem Gesundheitssystem gemeldet, sodass der Großteil der Belastung der Gesellschaft durch die Grippe nicht gemessen wird. Darüber hinaus wird die Belastung durch Produktivitätsverluste (Krankheitstage), Schlafentzug und die allgemeine Verschlechterung des Gesundheitszustands nicht mit herkömmlichen Methoden gemessen, selbst wenn Grippefälle dem Gesundheitssystem gemeldet werden. Andere AHCs haben ähnliche Umstände, für die die Vorhersagevorrichtung 104 für maschinelles Lernen eine Belastung auf Bevölkerungsebene messen kann.
-
Der Satz von Gesundheitsparametern kann verwendet werden, um die AHC-Belastung genau und präzise zu messen, wodurch es möglich wird, vergleichende Wirksamkeitsbewertungen verschiedener AHC-Behandlungen oder -Ansätze durchzuführen. Das maschinelle Lernvorhersagegerät 104 kann beispielsweise verwendet werden, um die Wirkungen von Grippebehandlungen wie antiviralen Mitteln oder Impfstoffen auf die Grippe in realen Umgebungen zu bewerten. Die Vorhersagevorrichtung 104 für maschinelles Lernen kann zusätzliche empfangene Daten über Behandlungen verwenden, die von jeder Person genommen wurden, wie beispielsweise Informationen über die Einnahme von Medikamenten und Impfstoffen für die Gruppe von Benutzern, um eine vergleichende Wirksamkeitsanalyse durchzuführen. Eine vergleichende Wirksamkeitsanalyse könnte beispielsweise ergeben, dass eine antivirale Behandlung mehr oder weniger wirksam ist als andere, um den grippebedingten Verlust an körperlicher Aktivität, Schlafentzug und die allgemeine Lebensqualität zu reduzieren. Da der Grippeimpfstoff die Grippe nicht zu 100 % wirksam verhindert, kann eine vergleichende Wirksamkeitsanalyse zeigen, dass Menschen, die gegen die Grippe geimpft sind, aber trotzdem die Grippe bekommen, eine Grippe bekommen, die ihre körperliche Aktivität (Schritte), Schlaf und RHF weniger beeinträchtigt schwerer als nicht geimpfte Benutzer.
-
Die normale Aktivität eines Benutzers während Perioden von selbstberichtetem AHC kann verwendet werden, um in einigen Ausführungsformen, wie zuvor erwähnt, ein Residuum von einer individuellen Basislinie zu berechnen. Die vorhergesagten physikalischen Grundlinienstatistiken des Benutzers werden verwendet, um die Behandlungswirkung einer AHC auf den Satz von Gesundheitsparametern in einigen Implementierungen abzuschätzen. Die Vorhersagevorrichtung 104 für maschinelles Lernen kann den empfangenen Satz von Gesundheitsparametern, die eine AHC anzeigen, von der Basislinie in Ausführungsformen mit einer starken Basislinie (Nicht-AHC) subtrahieren, was zu Residuen führt, die die Grippelast des Benutzers darstellen können. Um zusätzliche Confounder zu eliminieren, die entweder nicht beobachtet oder nur teilweise vom Basismodell erfasst wurden, können andere Versionen der maschinellen Lernvorhersage fortgeschrittenere Modelle für die Residuen verwenden. Beispiele für solche Residuenmodelle sind Impuls-Prior-Modelle oder Spline-basierte Modelle, die in der Lage sind, die erwartete Form des Satzes von Gesundheitsparametern über die Zeit zu erfassen.
-
In einigen Fällen entspricht der individuelle Behandlungseffekt (ITE) eines AHC auf das Verhalten oder die Physiologie einer Person der berechneten Belastung durch den AHC. Die maschinelle Lernvorhersage kann berechnete ITEs verwenden, um zu verfolgen, wie sich ITEs im Laufe der Zeit ändern, um AHC-Muster auf Bevölkerungsebene zu finden (Überwachung) oder um Symptomniveaus für einzelne Benutzer zu verfolgen und vorherzusagen. In ähnlicher Weise kann das maschinelle Lernvorhersagesystem ITEs von Benutzern in einer Kohorte verwenden, um durchschnittliche Behandlungseffekte (ATEs) für Benutzer in verschiedenen Populationskohorten zu berechnen. Benutzer innerhalb einer Kohorte können in unterschiedlichen Ausführungsformen verschiedenen Behandlungen (z. B. Virostatika) oder vorbeugenden Pflegemaßnahmen (z. B. Impfstoffen) für die AHC ausgesetzt gewesen sein. Beispielsweise können Kohortenmitglieder ähnliche demografische Merkmale aufweisen. Danach kann die maschinelle Lernvorhersage die Wirksamkeit verschiedener Behandlungen abschätzen und vergleichende Analysen von Behandlungen und Vorsorgemaßnahmen durchführen (die in Zukunft prospektiv validiert werden können).
-
Das maschinelle Lernvorhersagegerät 104 kann Parameterschätzungen direkt vergleichen, um Unterschiede in der AHC-Belastung zu messen, wie z. B. in der Spitze oder Dauer der Änderung der Aktivität oder der RHF im Vergleich zur Grundlinie, wenn parametrische Verfahren verwendet werden, um die Grippebelastung separat für diese Kohorten zu schätzen. Das maschinelle Lernvorhersagesystem nimmt die Summe der täglichen Residuen (relativ zur vorhergesagten Basisaktivität) dieser Aktivitätsmaße und vergleicht das Integral der für jede Kohorte geschätzten Belastung unter Verwendung nichtparametrischer Verfahren in einigen Ausführungsformen. Methoden der kausalen Inferenz wie Propensity Score Matching oder die Verwendung des Augmented Inverse Probability Weighted Estimator können verwendet werden, um die ATEs der Behandlung für jede Kohorte zu schätzen, da verschiedene Populationskohorten unterschiedliche Raten haben, eine AHC zu bekommen. Zum Beispiel haben Kinder und ältere Erwachsene eine höhere Gripperate als Erwachsene im Alter zwischen 18 und 49. Neigungsschätzungen von Gesundheitsorganisationen oder Grippeumfragedaten, die von Benutzern des Vorhersagegeräts 104 für maschinelles Lernen gesammelt wurden, können in einigen Implementierungen von verwendet werden das System.
-
Die Zeichnung und die vorstehende Beschreibung geben Ausführungsbeispiele. Der Fachmann wird erkennen, dass eines oder mehrere der beschriebenen Elemente gut zu einem einzigen Funktionselement kombiniert werden können. Alternativ können bestimmte Elemente in mehrere Funktionselemente aufgeteilt werden. Elemente von einer Ausführungsform können zu einer anderen Ausführungsform hinzugefügt werden. Beispielsweise können hierin beschriebene Reihenfolgen von Prozessen geändert werden und sind nicht auf die hierin beschriebene Weise beschränkt. Darüber hinaus müssen die Aktionen irgendeines Flussdiagramms nicht in der gezeigten Reihenfolge implementiert werden; auch müssen nicht unbedingt alle Handlungen durchgeführt werden. Auch solche Handlungen, die nicht von anderen Handlungen abhängig sind, können parallel zu den anderen Handlungen durchgeführt werden. Der Umfang der Ausführungsformen ist keineswegs durch diese spezifischen Beispiele beschränkt. Zahlreiche Variationen, ob ausdrücklich in der Beschreibung angegeben oder nicht, wie Unterschiede in Struktur, Abmessung und Materialverwendung, sind möglich. Der Umfang der Ausführungsformen ist mindestens so breit wie durch die folgenden Ansprüche angegeben.
-
Vorteile, andere Vorzüge und Problemlösungen wurden oben in Bezug auf spezifische Ausführungsformen beschrieben. Die Vorteile, Vorzüge, Problemlösungen und Komponenten, die dazu führen können, dass Vorteile, Vorzüge oder Lösungen auftreten oder stärker ausgeprägt werden, sind jedoch nicht als kritische, erforderliche oder wesentliche Merkmale oder Komponenten von auszulegen einige oder alle Ansprüche.
-
Bezugszeichenliste
-
- 100
- Eine auf dem Internet der Dinge basierende Covid-Erkennung und -Prävention.
- 102
- Eingabegerät
- 104
- Gerät für maschinelles Lernen zur Vorhersage
- 106
- Erfassungsknoten
- 108
- Steuereinheit
- 110
- Zentraleinheit wird bearbeitet
- 112
- Anzeigeeinheit
- 114
- tragbares Gerät
- 116
- schnurloser Pulsoximetriesensor/Pulsoximetriegerät
- 118
- Atemfrequenzüberwachungssensor
- 120
- Temperatursensor
- 122
- Cloud-Server-Plattform
- 124
- Alarmgerät
- 126
- Rechengerät
- 128
- Kommunikationsgerät
- 130
- grafische Benutzeroberfläche
- 132
- Auftragsbearbeitungsgerät
- 134
- Convolutional Neural Network Model
