WO2020156686A1 - Verfahren, tragbares gerät und system zum auswerten von vektordaten - Google Patents

Verfahren, tragbares gerät und system zum auswerten von vektordaten Download PDF

Info

Publication number
WO2020156686A1
WO2020156686A1 PCT/EP2019/057974 EP2019057974W WO2020156686A1 WO 2020156686 A1 WO2020156686 A1 WO 2020156686A1 EP 2019057974 W EP2019057974 W EP 2019057974W WO 2020156686 A1 WO2020156686 A1 WO 2020156686A1
Authority
WO
WIPO (PCT)
Prior art keywords
movement
vector
vectors
unit
vector data
Prior art date
Application number
PCT/EP2019/057974
Other languages
English (en)
French (fr)
Inventor
Alfred Mertins
Marco Maaß
Original Assignee
Drägerwerk AG & Co. KGaA
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Drägerwerk AG & Co. KGaA filed Critical Drägerwerk AG & Co. KGaA
Priority to US17/426,997 priority Critical patent/US20220142506A1/en
Priority to CN201980090900.0A priority patent/CN113728395B/zh
Publication of WO2020156686A1 publication Critical patent/WO2020156686A1/de

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/40—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mechanical, radiation or invasive therapies, e.g. surgery, laser therapy, dialysis or acupuncture
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/113—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb occurring during breathing
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Definitions

  • the invention relates to a method for evaluating multidimensional vector data of a movement sensor, and a portable device for detecting movement, in particular for detecting a breathing movement.
  • the invention further relates to a system for detecting a movement, in particular for detecting a breathing movement, the system comprising the portable device and a host device.
  • the object of the present invention is to provide an improved method for evaluating multidimensional vector data, in particular a method with a particularly low computing power required to carry out the method.
  • a method for evaluating multidimensional, in particular three-dimensional, vector data of a motion sensor is used to achieve this object in accordance with a first aspect of the invention, in particular for detecting a breathing movement.
  • the method according to the invention has the following steps:
  • the invention is based on the finding that the evaluation and transmission of scalar values requires particularly little computing power for a device implementing the method. Furthermore, it was recognized in the context of the invention that for motion detection, for example for detecting a breath movement, the influence of gravity on the Motion sensor must be deducted from the data obtained. According to the invention, this is achieved by means of the unit vectors oriented in the respective random directions and the random projections of the vectors freed from the mean value which are thereby realized. These allow features to be extracted from the plurality of scalar products that are rotationally invariant compared to spatial alignment.
  • the method according to the invention particularly advantageously permits processing of multidimensional vector data by evaluating scalar variables. This avoids computational processing steps, such as those required for main component analysis. This further leads to a small amount of memory for an apparatus performing the method.
  • the low computing power required for the method according to the invention also leads to low power consumption and thus to a small battery size and / or a longer battery life. This advantageously enables a smaller size of the corresponding device and / or a longer mobile usage time of the device.
  • Determining the evaluation signal based on the comparison between the motion detection and the predetermined motion threshold value advantageously allows a final evaluation of the vector data to be carried out by simply comparing two scalar values even without complex computing processes. This additionally reduces the computation effort required and therefore the computation power required for the method according to the invention. This in turn leads to low power consumption, which enables a small battery size and / or a longer battery life.
  • the method according to the invention advantageously combines a calculation of the motion identifier, which requires little computing power, with an evaluation of the motion identifier by means of a comparison operation, which likewise requires little computing power.
  • the movement identifier is a measure of the breathing movement, which can be designed as a scalar value, but also as a plurality of values. The calculation of the movement identifier therefore implies the calculation of features of a movement evaluated via the movement sensor.
  • the movement threshold value is typically an empirically determined value, which implies a weak breathing movement of a living being to be examined, in particular a person to be examined. For example, this can be a movement value characteristic of a breathing curve. Such a movement value is typically determined from a number of test series in order to determine a threshold value below which it can no longer be safely assumed that a breathing movement is present.
  • Receiving and storing the vector data in a time series means that a vector with determined data from a measurement of the motion sensor is received and stored at predetermined time intervals.
  • the large number of vectors received over time forms the vector data according to the invention.
  • the unit vector has an amount of 1.
  • the random direction is a randomly determined direction, in particular a randomly determined direction equally distributed over all three spatial dimensions. Algorithms for determining a random direction are known and will not be explained further below.
  • the averaging over the first and second time interval is carried out in each case a large number of vectors of the multidimensional vector data that were received within the corresponding time interval.
  • the predetermined time intervals that form the time series are therefore shorter than the first time interval and also shorter than the second time interval.
  • This advantageously ensures that the respective long-term average vector V2 indicates a long-term tendency of a movement or position of the motion sensor implied by the vector data, whereas the respective medium-term vector V1 indicates a value of a movement implied by the vector data for a short time interval.
  • the long-term average vectors V2 and the medium-term vectors V1 thus each represent a moving average, with averages over different terms of the moving average corresponding to the first time interval and the second time interval.
  • high-frequency components are advantageously filtered from the multidimensional vector data, which only reflect short-term measurement inaccuracies of the motion sensor.
  • averaging is to be understood to mean any type of averaging.
  • it can be an arithmetic averaging, a geometric averaging, a quadratic averaging and a harmonic averaging.
  • it can be a multi-stage averaging, in particular a two-stage or three-stage averaging.
  • multi-stage averaging means that a first averaging of several groups of values takes place within a respective group and these averaged values are in turn averaged in a next stage.
  • the multidimensional vector data is three-dimensional vector data.
  • the three components of the vector data are formed by the three spatial directions.
  • the multidimensional vector data are two-dimensional vector data.
  • the two components preferably correspond to two spatial directions.
  • the multidimensional vector data is four-dimensional vector data. The four components correspond to the three spatial directions and time.
  • the determination of the evaluation signal is based on a classification of the movement identifier, which is based on a comparison of movement characteristic values induced by the movement identifier with a plurality of respective movement threshold values.
  • a Comparison with a plurality of movement threshold values enables the evaluation of several parameters of the movement detected via the vector data.
  • the method according to this embodiment allows a particularly precise classification of the movement identifier.
  • the movement identifier is preferably formed by a large number of scalar values, for example in the form of a matrix or in the form of a movement profile.
  • the plurality of movement thresholds are typically a plurality of empirically determined values that imply weak breathing movement. For example, this can be a plurality of movement values characteristic of a breathing curve.
  • Such a plurality of movement values is typically determined from a number of test series in order to determine corresponding threshold values below which it is no longer possible to safely assume the presence of a breathing movement.
  • the classification of the movement identifier is based on a random forrest algorithm.
  • the random forrest algorithm allows a classification with a particularly low computational effort, since only a number of comparisons are used to classify the motion identifier.
  • a detailed description of the structure of a random forrest algorithm can be found in the publication “Random Forrests.”, Breimann, L, Machine Learning, 45, pp 5-32, Kluwer Academic Publishers, 2001.
  • the evaluation signal indicates a movement of the movement sensor providing the vector data, caused by breathing.
  • the method according to the invention leads to a movement identifier that is rotation-invariant.
  • the movement caused by breathing is also possible in all spatial directions, so that the movement identifier according to the invention is particularly advantageous for the detection of breathing.
  • this embodiment takes advantage of the fact that the combination of a feature extraction realized via the motion identifier and a classification based on comparisons leads to a particularly precise detection of a motion can, so that even a small movement, as is to be assumed for breathing, can be detected.
  • the evaluation signal indicates whether breathing is present.
  • the calculation of the movement identifier is based on a sum of squared scalar products.
  • the calculation of the movement identifier is based at least in part on the sum of the squares of the scalar products P.
  • the movement identifier advantageously has a measure of a movement energy of the movement detected by the movement sensor.
  • the movement identifier has both the sum of the squares of the scalar products P and the scalar products P as a measure of an amplitude of the detected movement.
  • the calculation of the movement identifier is based not only on the plurality of scalar products but also on the plurality of vectors V which are exempt from mean values. In this way, an amplitude and / or direction of the movement to be evaluated can be deduced directly from the multidimensional vector data.
  • the time-dependent assignment between medium-term vectors V1 and long-term average vectors V2 takes place such that the first time interval used for the calculation of the respective medium-term vector V1 lies essentially within the second time interval used for the calculation of the respective long-term average vector V2.
  • a respective mean-exempt vector V from the plurality of mean-exempt vectors V induces a movement amplitude, since the current, long-term movement tendency in the form of the long-term average vector V2 is subtracted from the present medium-term vector V1.
  • the first time interval lies entirely within the second time interval, in particular centrally within the second time interval. This ensures that the long-term Average vector V2 shows the long-term movement tendency present during the determination of the data for the medium-term vector V1.
  • the second time interval is at least twice as long as the first time interval, preferably at least four times as long as the first time interval, particularly preferably at least six times as long as the first time interval.
  • the first time interval advantageously has a length of at least 0.2 seconds, preferably of at least 0.5 seconds, particularly preferably of at least 1 second.
  • the method for evaluating sensor data, after receiving and storing the multidimensional vector data comprises, in an additional method step, activity recognition based on the multidimensional vector data, the further method steps being carried out only if an activity characteristic value output by the activity recognition is smaller than a predetermined activity threshold.
  • the output characteristic value is formed by a component or a vector amount of the multidimensional vector data.
  • the predetermined activity threshold is typically an empirically determined value that implies at least a slight limb movement of the subject being examined. Such a value is typically determined from a number of test series in order to determine a threshold value below which it can no longer be safely assumed that there is at least a weak movement of the limbs.
  • the activity is recognized by a Determination of the variation of the recorded multidimensional vector data and the subsequent comparison with the predetermined activity threshold. This will be discussed in detail in the context of the description of FIG. 2.
  • the method further comprises selecting the movement threshold value or a plurality of movement threshold values used for determining the evaluation signal from a predetermined group of movement threshold values, the selection being dependent on evaluating a component of the multidimensional vector data, in particular from an output signal of a prone position detection.
  • the plurality of movement threshold values are used in a random forrest algorithm.
  • movement threshold values can be advantageously used which are particularly suitable for a position of the movement sensor resulting from the evaluation of the component.
  • it is particularly advantageously recognized whether or not the living being to be examined is currently in a prone position, regardless of which the movement threshold value or the plurality of movement threshold values is selected.
  • the predetermined group of movement threshold values is stored on an external device, so that this variant further comprises the method steps that, depending on the evaluation of the component, a selection signal is output and, based on the selection signal, the movement threshold value or the plurality of movement threshold values is output and Will be received.
  • the selection is dependent on an evaluation of a z component of the multidimensional vector data, the z component being to be oriented essentially in the direction of the gravity acting on the motion sensor during a start of data acquisition by the motion sensor, and wherein evaluating the z component on a comparison between one is based on the acceleration component acting on the z component and a predetermined acceleration threshold value based on the force of gravity.
  • the motion sensor is preferably an acceleration sensor.
  • the acceleration threshold lies in a range between 0 m / s 2 and -5 m / s 2 , in particular between -0.2 m / s 2 and -2 m / s 2 , particularly preferably between -0.7 m / s 2 and -1 m / s 2 .
  • the comparison between the acceleration force acting on the z component and gravity is preferably carried out by a comparison with a value for the acceleration force averaged over a corresponding time interval.
  • the mean is an exponential mean.
  • a portable device for detecting a movement in particular for detecting a breathing movement, is proposed according to a second aspect, with a fastening means, a movement sensor, a preprocessing unit and a transmission unit.
  • the fastening means is designed to fasten the portable device to a garment of a wearer of the portable device.
  • the motion sensor is designed to generate multidimensional vector data which imply a direction and an amplitude of the movement of the portable device, and to output these multidimensional vector data in a time series.
  • the preprocessing unit is connected to the motion sensor in terms of signal technology and is designed to receive the multidimensional vector data and to store it in a memory module of the preprocessing unit, and is also designed to to calculate a plurality of medium-term vectors V1 by averaging the received vector data over a respective predetermined first time interval which is longer than the reception intervals in time,
  • a plurality of vectors V exempt from mean values, depending on a difference between a respective medium-term vector V1 from the plurality of medium-term vectors and a respective long-term average vector V2 from the plurality of long-term average vectors, based on a time-dependent assignment between medium-term vectors V1 and long-term average vectors V2 to calculate and store in the memory module,
  • the transmitting unit is at least indirectly connected to the preprocessing unit in terms of signal technology and is designed to transmit a movement signal which is based on the plurality of scalar products P.
  • the portable device advantageously allows preprocessing of multidimensional vector data, which requires particularly low computing power. This is made possible by the calculation and use of scalar values, which very quickly compared to more complex calculation algorithms, such as a main component analysis Processor of the preprocessing unit can be executed. This can support a comparatively low power consumption of the portable device.
  • the low power consumption enables a small battery size and / or a long battery life of a battery within the portable device. This enables a small size of the portable device and / or a particularly long mobile period of use of the portable device.
  • a further unit is arranged between the preprocessing unit and the transmitting unit, so that the preprocessing unit is indirectly connected to the transmitting unit in terms of signal technology.
  • the preprocessing unit is connected directly to the transmission unit.
  • the fastening means according to the invention is typically designed to be fastened to the garment of the wearer by means of a releasable connection.
  • the releasable connection is a magnetic connection, the item of clothing being arranged between two magnets of the magnetic connection.
  • the releasable connection is realized via a pin.
  • the releasable connection is realized via a clamp connection.
  • the portable device furthermore has an energy source which is designed to supply the motion sensor, the preprocessing unit and the transmission unit with current.
  • the energy source is a replaceable battery.
  • the motion sensor is designed as an acceleration sensor. The structure of an acceleration sensor is known and is therefore not described in detail below.
  • the preprocessing unit is further configured to calculate a movement identifier, which is a measure of the breathing movement, based on the plurality of scalar products P.
  • the movement signal can transmit a small amount of data particularly advantageously, since only the movement identifier has to be output to an external device for evaluating the multidimensional vector data.
  • the motion identifier comprises at least one feature of the multidimensional vector data that results from the plurality of scalar products P.
  • the portable device furthermore has a classification unit which is connected to the preprocessing unit for signaling purposes and which is designed to determine an evaluation signal based on a comparison between the movement identifier and a predetermined movement threshold value and to the transmitting unit to spend.
  • the preprocessing unit is indirectly connected to the transmitting unit via the classification unit.
  • motion characteristic values induced by the movement identifier are compared with a plurality of respective movement threshold values. This comparison is particularly advantageously based on a random forrest algorithm.
  • This variant of the embodiment is particularly advantageous in that only the result of the comparison between the movement identifier and the movement threshold value is sent as a movement signal by the transmission unit.
  • the movement signal is particularly simple, so that errors in the transmission by the transmitting unit can be avoided.
  • the selection of a movement threshold value or a plurality of movement threshold values is preferably dependent on an evaluation of a component of the multidimensional vector data by the preprocessing unit, in particular on an output signal from a prone position detection.
  • the movement threshold values which are particularly suitable for the current position of the movement sensor can advantageously be used by the classification unit.
  • the preprocessing unit first carries out the calculation of the medium-term vectors V1 and the long-term average vectors V2 and the subsequent steps, if in an upstream processing step of the preprocessing unit, the activity detection based on the multidimensional vector data comprises, an activity characteristic value output by the activity detection is smaller than a predetermined activity threshold value.
  • a system for detecting a movement in particular for detecting a breathing movement, is proposed according to a third aspect of the invention, which system has the portable device according to at least one of the preceding embodiments of the second aspect of the invention and a host device.
  • the host device is designed to receive the movement signal sent by the transmission unit and to output an optical and / or acoustic output signal based on the movement signal via an output unit of the host device, the output signal implying a movement of the portable device caused by breathing .
  • the system according to the invention advantageously permits an evaluation of the multidimensional vector data by a person spaced apart from the portable device via the host device. This can advantageously be a part of the data necessary for the evaluation of the multidimensional vector data Computing power can be provided by a processing unit within the host device.
  • the system according to the invention allows several portable devices to be connected to one host device and / or the portable device to be connected to several host devices. This allows, for example, a particularly clear evaluation of vector data from several carriers of portable devices, in particular a detection of the breathing movement of several people, simultaneously.
  • the transmission of the motion signal by the transmitting unit to the host device is preferably wireless, for example by a Bluetooth, ZigBee, WLAN, NFC or DECT connection, or by another radio connection.
  • the host device can be a stationary device, for example a multifunctional medical device, or a device intended for mobile use, for example a mobile radio device, a notebook, a smartwatch or a tablet PC.
  • the output signal comprises the information as to whether there is a movement caused by breathing.
  • the output signal additionally comprises an amplitude and / or intensity of the breathing movement.
  • the output signal includes an indication of the point in time at which a breath movement was last detected.
  • the output signal comprises a duration of the previously detected breathing movement. In this way, an intermittent suspension of the breathing movement by a user of the host device can be traced.
  • the host device furthermore has a classification unit, which is designed to determine the plurality of scalar products P from the motion signal and to assign a motion identifier based on the plurality of scalar products P. calculate, and determine and output an evaluation signal based on a comparison between the movement identifier and a predetermined movement threshold value, the optical and / or acoustic output signal being dependent on the evaluation signal.
  • the host device advantageously takes over the classification of the multidimensional vector data preprocessed by the preprocessing unit within the portable device.
  • a host device equipped with a classification unit is preferably combined with a portable device which does not have its own classification unit. This avoids multiple classifications within the system.
  • the determination of the evaluation signal is based on a classification of the movement identifier, which is based on a comparison of movement characteristic values induced by the movement identifier with a plurality of respective movement threshold values, in particular on a random forrest algorithm.
  • the plurality of respective movement threshold values comprises a predetermined plurality of movement threshold values which are stored in an external storage device outside the system, and the host device furthermore has a request unit which is designed to determine the plurality of movement threshold values to request, receive and provide the classification unit to the external storage device via a radio link between the storage device and the request unit.
  • the external storage device can be, for example, an external server of a network that the host device can access.
  • the variant according to the invention avoids the need for large amounts of data to be stored on the host device.
  • the variant according to the invention advantageously allows the predetermined plurality of movement threshold values to be stored once on the external storage device in such a way that all host devices according to the invention can access the preferably an external storage device.
  • Fig. 1 is a flowchart of a first embodiment of a
  • FIG. 2 shows a flowchart of a second exemplary embodiment of a method according to the first aspect of the invention
  • Fig. 3 is a schematic representation of a first
  • Fig. 4 is a schematic representation of a second
  • Fig. 5 is a schematic representation of a first
  • Fig. 6 is a schematic representation of a second
  • Embodiment of a system according to the third aspect of the invention Embodiment of a system according to the third aspect of the invention.
  • FIG. 1 shows a flow diagram of a first exemplary embodiment of a
  • the method 100 is a method for evaluating multidimensional vector data of a motion sensor, in particular for Detect a breath movement.
  • the method 100 has the steps specified below.
  • a first step 1 10 comprises receiving and storing the multidimensional vector data of the motion sensor in a time series.
  • a further step 120 comprises calculating a plurality of medium-term vectors V1 by averaging the received vector data over a respective predetermined first time interval.
  • a next step 130 includes calculating a plurality of long-term average vectors V2 by averaging the received vector data over a predetermined second time interval that is longer than the first time interval.
  • a subsequent step 140 comprises calculating and storing a plurality of vectors V exempt from mean values, depending on a difference between a respective medium-term vector V1 from the plurality of medium-term vectors and a respective long-term average vector V2 from the plurality of long-term average vectors, based on a time-dependent assignment between medium-term vectors V1 and long-term average vectors V2.
  • a next step 150 includes determining a plurality of unit vectors E, a respective unit vector being oriented in a random direction, and assigning a respective unit vector E to a respective mean-exempt vector V.
  • a further step 160 comprises calculating a plurality of scalar products P in each case from a mean-exempt vector V from the plurality of mean-exempt vectors V and the unit vector E assigned to this mean-exempt vector V.
  • a subsequent step 170 includes calculating a movement identifier, which is a measure of the breathing movement, based on the plurality of scalar products P.
  • a final step 180 includes determining and outputting an evaluation signal based on a comparison between the movement identifier and a predetermined movement threshold value.
  • the steps of method 100 are typically carried out partially in parallel with one another.
  • the multidimensional vector data are continuously received and stored over a certain observation period, for example during a sleep phase of a person to be examined, while the medium-term vectors V1 and the long-term average vectors V2 are always also calculated over the entire observation period, and finally in certain temporal terms To output the evaluation signal at intervals during the observation period based on a current movement identifier.
  • the inventive evaluation of multidimensional vector data is carried out continuously over the observation period by repeatedly executing the steps of method 100.
  • the multidimensional vector data are received at a frequency between 10 Hz and 50 Hz, in particular between 20 Hz and 40 Hz, in the present case at approximately 26 Hz.
  • the first time interval has a length of between 0.8 seconds and 2 seconds, preferably between 0.8 seconds and 1.5 seconds, in the present case of about 1 second.
  • the second time interval has a length of between 2 seconds and 6 seconds, in particular between 3 seconds and 4 seconds, in the present case of approximately 3.7 seconds.
  • the first time interval for each calculation is within the second time interval.
  • the evaluation signal indicates whether the calculated movement identifier results in breathing of the patient examining patient is present. In an exemplary embodiment, not shown, the evaluation signal continues to indicate since when uninterrupted breathing was measured. In another exemplary embodiment (not shown), the evaluation signal furthermore shows how large the detected amplitude of the movement of the movement sensor, in particular the breathing movement.
  • the calculated motion identifier is based on a sum of squares of the scalar products P, this sum comprising all those scalar products P that were calculated within a current temporal identifier interval.
  • the sum is a measure of an energy of the movement detected by the movement sensor.
  • the motion identifier has the vectors V which have been calculated and stored within the current temporal identifier interval. These form a measure of the amplitude of a currently detected movement of the motion sensor.
  • these currently calculated mean-exempt vectors are processed further by forming a further moving mean or by specifically taking into account a predefined proportion of the mean-exempt vectors, such as every fourth mean-exempt vector.
  • the calculation of the movement identifier is based on processing the calculated vectors by means of Fourier transformation, for example by implementing the known Cooley-Tukey algorithm.
  • the evaluation signal is determined on the basis of a classification of the movement identifier.
  • the classification is carried out by comparing motion parameters induced by the motion identifier with a plurality of respective movement threshold values. This comparison is designed in detail as a so-called random forrest classification.
  • the movement identifier is classified by a direct comparison of a movement characteristic value induced by the movement identifier with a predetermined movement threshold value.
  • the random forrest classification is particularly suitable for the method 100 according to the invention, since data received on the basis of a comparison-based algorithm is processed particularly quickly and easily in order to ultimately differentiate between two states, such as “breathing present” and “breathing not present” .
  • the calculated data is post-processed before the evaluation signal is output in order to reduce the probability of an error with respect to a result communicated by the evaluation signal.
  • the information that no or only a slight movement of the motion sensor has been detected, that is to say that there is probably no breathing, is output only after a renewed detection of this result in order to avoid a false alarm.
  • FIG. 2 shows a flow diagram of a second exemplary embodiment of a method 200 according to the first aspect of the invention.
  • the method 200 differs from the method 100 shown in FIG. 1 in that after the step 110, namely the reception and storage of the multidimensional vector data, the step 120 is not carried out automatically. Activity detection is provided in an intermediate step 215.
  • an activity characteristic value is calculated and finally compared with a predetermined activity threshold value.
  • the subsequent method steps are only carried out if the activity characteristic value is smaller than the predetermined activity threshold value, that is to say a lower activity is determined than would be necessary to reach the activity threshold value.
  • Such an upstream test is This makes sense because a small movement, such as that which occurs when breathing is detected, could be overlaid by too much activity, so that an incorrect evaluation of the multidimensional vector data would be likely.
  • the vector data are accelerometer data. These accelerometer data are used in the context of the activity detection to determine a moving average.
  • the smoothing used here using a moving average is, for example, exponential smoothing.
  • a variation of the accelerometer data is determined by comparing the original accelerometer data and the moving average. If this variation is greater than a predetermined variation threshold value, a counter is set high for a current activity interval. Accelerometer data that lie outside the running activity interval are no longer taken into account by the counter. This counter forms the activity characteristic for the respective temporal activity interval. If this activity characteristic value exceeds a predetermined activity threshold value, an activity signal is output in the present exemplary embodiment, which indicates that there is currently too much overlapping activity for the detection of a movement according to the invention. When a breathing movement is detected, it can be output that it cannot be detected whether a person is breathing because the person or their surroundings are moving too strongly for this.
  • the method 200 also differs from the one method 100 shown in FIG. 1 by the further intermediate step 285.
  • a component of the multidimensional vector data is evaluated.
  • the plurality of movement threshold values are selected from a predetermined group of movement threshold values.
  • the evaluated component is the z component of the vector data, which is typically at the beginning of a Observation period is aligned in the direction of gravity acting on the motion sensor.
  • the vector data are also accelerometer data, which are therefore suitable for indicating a deviation from the gravitational acceleration typically acting in the direction of gravity.
  • step 285 The evaluation in the context of step 285 is carried out for the exemplary embodiment shown in such a way that a distinction is made between two states, namely between a z component which is below a predetermined acceleration threshold value and a z component which is above the predetermined acceleration threshold value.
  • the acceleration threshold is typically between 0 m / s 2 and -5m / s 2 , in the present case in the range between -0.7 m / s 2 and -1 m / s 2 .
  • this evaluation corresponds to a prone position detection, since if a prone position is present, a z component in the range of the negative acceleration due to gravity, that is to say at -9.81 m / s 2, can be expected.
  • the intermediate step 285 of the prone position detection is only used to determine suitable movement threshold values for executing the method according to the invention.
  • a result of the prone position detection is also output by a corresponding signal, preferably by the evaluation signal.
  • the prone position detection is interposed at another point in the method according to the invention.
  • the result of the activity detection is also output via the evaluation signal.
  • FIG. 3 shows a schematic illustration of a first exemplary embodiment of a portable device 300 according to the second aspect of the invention.
  • the portable device 300 is a device for detecting a movement, in particular for detecting a breathing movement.
  • the portable device 300 includes a fastening means 310, a motion sensor 320, a preprocessing unit 330 and a transmission unit 340.
  • the fastening means 310 is designed to fasten the portable device 300 to a garment 312 of a wearer of the portable device 300.
  • the fastening means 310 is a magnetic connection, which consists of two parts 314, 316, the first part 314 being fastened to a housing 305 of the portable device 300, and the second part 316 in this way underneath the item of clothing 312 is arranged that the magnetic interaction between the two parts 314, 316 holds the portable device 300 on the garment 312.
  • the fastening means forms a releasable connection, which is implemented via a pin or via a clamp connection.
  • the motion sensor 320 is designed to generate multidimensional vector data that imply a direction and an amplitude of the movement of the portable device 300 depending on a movement of the portable device 300, and to output this multidimensional vector data in a time series.
  • the motion sensor 320 is an acceleration sensor.
  • the preprocessing unit 330 is connected to the motion sensor 320 in terms of signals, in the present case by a cable, and it is designed to receive the multidimensional vector data and to store it in a memory module 332 of the preprocessing unit 330.
  • the preprocessing unit 330 is designed to calculate a plurality of medium-term vectors V1 by averaging the received vector data over a respective predetermined first time interval, and a plurality of long-term average vectors V2 by averaging the calculate received vector data over a predetermined second time interval that is longer than the first time interval.
  • the preprocessing unit 330 is further configured to use the plurality of medium-term vectors V1 and the plurality of long-term average vectors V2 to calculate a plurality of mean-exempt vectors V, depending on a difference between a respective medium-term vector V1 and a respective long-term average vector V2 .
  • This calculation is based on a time-dependent assignment between medium-term vectors V1 and long-term average vectors V2.
  • the time-dependent assignment is chosen such that the first time interval of a respective medium-term vector V1 lies within the second time interval of a respective long-term average sector V2.
  • Such a time-dependent assignment ensures that a respective mean value-exempt vector V has a measure of the amplitude of a detected movement.
  • the plurality of vectors V exempt from mean values are also stored in the memory module 332 by the preprocessing unit 330.
  • the preprocessing unit 330 is designed to determine a plurality of unit vectors E, wherein a respective unit vector E is oriented in a random direction, and to assign a respective unit vector E to a respective mean-exempt vector V. Since the unit vectors E are randomly selected vectors, no assignment rule is necessary for the assignment between the unit vector and the mean-exempt vector V.
  • the random direction is a direction randomly selected in accordance with a uniform distribution in all spatial directions. In an exemplary embodiment, not shown, another random distribution in all spatial directions is used for determining the unit vectors.
  • a determined unit vector always has as many components as the vectors of the multidimensional vector data.
  • the preprocessing unit 330 corresponds to the assignment of a respective unit vector E and a respective mean-exempt vector V further designed to calculate a corresponding plurality of scalar products P from vector V, which is free of mean values, and the assigned unit vector E.
  • These scalar products P serve the preprocessing unit 330 as a basis for sending a motion signal 345 based on the plurality of scalar products P via an at least indirect signal connection between the preprocessing unit 330 and the transmitting unit 340.
  • the at least indirect signal connection is a direct connection via a cable.
  • the movement signal 345 is transmitted as a radio signal.
  • the various processing steps of the preprocessing unit 330 are shown in FIG. 3 by different boxes within the preprocessing unit 330. This is an illustration that illustrates the processing steps within a single processor of preprocessing unit 330. In an exemplary embodiment, not shown, the processing steps of the preprocessing unit are divided into at least two spatially separated preprocessing modules.
  • the processing steps carried out within the preprocessing unit 330 can be implemented differently for the method according to the invention analogous to the exemplary embodiments discussed in the context of FIGS. 1 and 2.
  • the movement signal 345 comprises the plurality of scalar products P.
  • the movement signal additionally or alternatively comprises a movement identifier calculated based on the scalar products P.
  • the movement signal additionally comprises the plurality of vectors V exempt from mean values.
  • FIG. 4 shows a schematic illustration of a second exemplary embodiment of a portable device 400 according to the second aspect of the invention.
  • the portable device 400 differs from the portable device 300 shown in FIG. 3 in that a classification unit 450 is arranged between the preprocessing unit 430 and the transmission unit 340 and is connected in terms of signal technology to the preprocessing unit 430 and the transmission unit 340.
  • the preprocessing unit 430 is additionally designed to calculate the movement identifier based on the plurality of scalar products P.
  • the motion identifier here comprises a sum of squares of the scalar products P and a measure for a current motion amplitude based on the plurality of vectors V exempt from the mean.
  • the classification unit 450 is designed to determine an evaluation signal 455 based on a comparison between the movement identifier and predetermined movement threshold values and to output it to the transmission unit 340.
  • the transmission unit 340 sends the movement signal 345 based on the evaluation signal 455 of the classification unit 450.
  • the comparison between the movement identifier and the predetermined movement threshold values and the selection of the predetermined movement threshold values is carried out in the present case within the framework of a random forrest classification.
  • the movement threshold values are selected from a predetermined group of movement threshold values, the predetermined group of movement threshold values being stored in a memory of the classification unit.
  • preprocessing unit 430 and classification unit 450 form separate units. In a not shown In the exemplary embodiment, both units are formed by a common processor.
  • FIG. 5 shows a schematic illustration of a first exemplary embodiment of a system 500 according to the third aspect of the invention.
  • the system 500 is a system for detecting a movement, in particular for detecting a breathing movement. It includes the portable device 400 according to at least one embodiment according to the second aspect of the invention and a host device 550.
  • the portable device 400 is the portable device 400 shown in FIG. 4.
  • the flost device 550 is designed to receive the movement signal 345 sent by the transmitting unit via a receiving unit 560 and to output an optical and / or acoustic output signal 575 based on the movement signal 345 via an output unit 570 of the flost device 550.
  • the output unit 570 in the present case has an LED 577, the optical output signal 575 of which is formed by the state of whether the LED 577 is lit or not.
  • a luminous LED 577 means that no movement of the movement sensor, that is to say in particular no breathing of the examined person, has been detected.
  • a non-illuminated LED 577 indicates that breathing is detected.
  • the flost device 550 is a mobile device with its own housing 555.
  • the flost device is a mobile phone, a tablet PC, a notebook or a smartwatch.
  • FIG. 6 shows a schematic illustration of a second exemplary embodiment of a system 600 according to the third aspect of the invention.
  • the system 600 according to the invention differs from the system 500 shown in FIG. 5 in that the flost device 650 also has a classification unit 660. Since the portable device 300 therefore does not require a classification unit, in the exemplary embodiment shown it is the portable device 300 shown in FIG. 3.
  • the movement signal 345 transmitted by the portable device 300 implies the plurality of scalar products P.
  • the classification unit 660 is designed to determine the plurality of scalar products P from the movement signal 345 and to calculate a movement identifier based on the plurality of scalar products P. Furthermore, the classification unit 660 is designed to compare the movement identifier with at least one movement threshold value and to output an evaluation signal 665 on the basis of this comparison.
  • the output unit 670 is also designed to output the output signal 675 as a function of the evaluation signal 665.
  • the classification is carried out by comparing movement characteristic values induced by the movement identifier with a plurality of respective movement threshold values.
  • the plurality of movement threshold values is selected and output from a group of predetermined movement threshold values which are stored within a memory module 667 of the classification unit 660, in accordance with a random forrest algorithm.
  • the group of predetermined movement threshold values is stored on an external storage device outside the system according to the invention.
  • the host device is also designed to use a query unit of the Flost device to determine the plurality of movement threshold values to request from the external storage device, to receive and to provide the classification unit.
  • the output unit 670 has a display 677 as an optical output for the output signal 675, on which a result of the evaluation of the vector data of the motion sensor is displayed.
  • Prone position detection is also implemented together or separately in exemplary embodiments of the portable device according to the second aspect of the invention and the system according to the third aspect of the invention, which are not shown.
  • features of the method according to the invention can also be implemented within processing steps of the portable device or the system.
  • advantages of the method according to the invention result in the correspondingly operated portable device or the correspondingly operated system likewise having these advantages.

Abstract

Die Erfindung betrifft ein Verfahren zum Auswerten von mehrdimensionalen Vektordaten eines Bewegungssensors, insbesondere zum Detektieren einer Atembewegung, aufweisend - Empfangen und Speichern der mehrdimensionalen Vektordaten des Bewegungssensors in einer Zeitreihe; - Berechnen einer Mehrzahl von mittelfristigen Vektoren V1 und einer Mehrzahl von langfristigen Durchschnittsvektoren V2; - Berechnen und Speichern einer Mehrzahl von mittelwertbefreiten Vektoren V, abhängig von einer Differenz zwischen einem jeweiligen mittelfristigen Vektor V1 und einem jeweiligen langfristigen Durchschnittsvektor V2; - Ermitteln einer Mehrzahl von Einheitsvektoren E, wobei ein jeweiliger Einheitsvektor in eine Zufallsrichtung ausgerichtet ist; - Berechnen einer Mehrzahl von skalaren Produkten P jeweils aus einem mittelwertbefreiten Vektor V und dem diesem mittelwertbefreiten Vektor V zugeordneten Einheitsvektor E; - Berechnen einer Bewegungskennung, die ein Maß für die Atembewegung ist, basierend auf der Mehrzahl von skalaren Produkten P; und - Bestimmen und Ausgeben eines Auswertesignals basierend auf einem Vergleich zwischen der Bewegungskennung und einem vorbestimmten Bewegungsschwellenwert.

Description

Verfahren, tragbares Gerät und System zum Auswerten von Vektordaten
Beschreibung
Die Erfindung betrifft ein Verfahren zum Auswerten von mehrdimensionalen Vektordaten eines Bewegungssensors, sowie ein tragbares Gerät zum Erfassen einer Bewegung, insbesondere zum Detektieren einer Atembewegung. Weiterhin betrifft die Erfindung ein System zum Erfassen einer Bewegung, insbesondere zum Detektieren einer Atembewegung, wobei das System das tragbare Gerät und ein Host-Gerät umfasst.
Eine Vielzahl von Verfahren zur Auswertung von Vektordaten eines Beschleunigungssensors ist bekannt. Hierbei haben sich Algorithmen etabliert, um aus den Vektordaten zuverlässig auf vorbestimmte Merkmale einer Bewegung des Beschleunigungssensors schließen zu können.
Im Bereich der Bewegungsdetektion beschreibt das Patent US 9,510,775 B2 die weit verbreitete Methode der Hauptkomponentenanalyse zum Auswerten von mehrdimensionalen Vektordaten.
Weiterhin ist bekannt, Verfahren zur Auswertung von Vektordaten im Rahmen einer Patientenüberwachung anzuwenden, beispielsweise bei der Detektion einer Aktivität eines Patienten durch einen Beschleunigungssensor.
Aufgabe der vorliegenden Erfindung ist es, ein verbessertes Verfahren zum Auswerten von mehrdimensionalen Vektordaten, insbesondere ein Verfahren mit einer besonders geringen zum Ausführen des Verfahrens erforderlichen Rechenleistung, bereitzustellen.
Erfindungsgemäß wird zur Lösung dieser Aufgabe gemäß einem ersten Aspekt der Erfindung ein Verfahren zur Auswertung von mehrdimensionalen, insbesondere dreidimensionalen, Vektordaten eines Bewegungssensors, insbesondere zum Detektieren einer Atembewegung, vorgeschlagen. Das erfindungsgemäße Verfahren weist hierbei die folgenden Schritte auf:
- Empfangen und Speichern der mehrdimensionalen Vektordaten des Bewegungssensors in einer Zeitreihe, insbesondere in regelmäßigen zeitlichen Abständen;
- Berechnen einer Mehrzahl von mittelfristigen Vektoren V1 durch eine Mittelung der empfangenen Vektordaten über ein jeweiliges vorbestimmtes erstes Zeitintervall;
- Berechnen einer Mehrzahl von langfristigen Durchschnittsvektoren V2 durch eine Mittelung der empfangenen Vektordaten über ein vorbestimmtes zweites Zeitintervall, das länger als das erste Zeitintervall ist;
- Berechnen und Speichern einer Mehrzahl von mittelwertbefreiten Vektoren V, abhängig von einer Differenz zwischen einem jeweiligen mittelfristigen Vektor V1 aus der Mehrzahl von mittelfristigen Vektoren und einem jeweiligen langfristigen Durchschnittsvektor V2 aus der Mehrzahl von langfristigen Durchschnittsvektoren, basierend auf einer zeitabhängigen Zuordnung zwischen mittelfristigen Vektoren V1 und langfristigen Durchschnittsvektoren V2;
- Ermitteln einer Mehrzahl von Einheitsvektoren E, wobei ein jeweiliger Einheitsvektor in eine Zufallsrichtung ausgerichtet ist, und Zuordnen eines jeweiligen Einheitsvektors E zu einem jeweiligen mittelwertbefreiten Vektor V;
- Berechnen einer Mehrzahl von skalaren Produkten P jeweils aus einem mittelwertbefreiten Vektor V aus der Mehrzahl von mittelwertbefreiten Vektoren V und dem diesem mittelwertbefreiten Vektor V zugeordneten Einheitsvektor E;
- Berechnen einer Bewegungskennung, die ein Maß für die Atembewegung ist, basierend auf der Mehrzahl von skalaren Produkten P; und
- Bestimmen und Ausgeben eines Auswertesignals basierend auf einem Vergleich zwischen der Bewegungskennung und einem vorbestimmten Bewegungsschwellenwert.
Der Erfindung liegt die Erkenntnis zugrunde, dass das Auswerten und Übertragung von skalaren Werten besonders wenig Rechenleistung für eine das Verfahren umsetzende Vorrichtung erfordert. Weiterhin wurde im Rahmen der Erfindung erkannt, dass für eine Bewegungserkennung, beispielsweise zur Detektion einer Atembewegung, der Einfluss der Schwerkraft auf den Bewegungssensor aus den gewonnenen Daten herausgerechnet werden muss. Erfindungsgemäß wird dies durch die in jeweilige Zufallsrichtungen ausgerichteten Einheitsvektoren erreicht und die dadurch realisierten Zufallsprojektionen der mittelwertbefreiten Vektoren. Durch diese lassen sich aus der Mehrzahl von skalaren Produkten Merkmale extrahieren, die rotationsinvariant gegenüber einer räumlichen Ausrichtung sind.
Das erfindungsgemäße Verfahren erlaubt besonders vorteilhaft eine Verarbeitung von mehrdimensionalen Vektordaten durch eine Auswertung von skalaren Größen. Hierdurch werden rechenaufwendige Verarbeitungsschritte, wie sie beispielsweise bei der Hauptkomponentenanalyse erforderlich sind, vermieden. Dies führt weiterhin zu einem geringen Speicheraufwand für eine das Verfahren ausführende Vorrichtung.
Die geringe erforderliche Rechenleistung für das erfindungsgemäße Verfahren führt weiterhin zu einem geringen Stromverbrauch und mithin zu einer geringen Batteriegröße und/oder einer längeren Batterielaufzeit. Hierdurch wird vorteilhaft eine geringere Baugröße der entsprechenden Vorrichtung und/oder eine längere mobile Einsatzzeit der Vorrichtung ermöglicht.
Das Bestimmen des Auswertesignals basierend auf dem Vergleich zwischen der Bewegungserkennung und dem vorbestimmten Bewegungsschwellenwert erlaubt vorteilhaft, dass auch ohne aufwändige Rechenprozesse, durch einfaches Vergleichen zweier skalarer Werte eine abschließende Auswertung der Vektordaten erfolgt. Dies reduziert zusätzlich den erforderlichen Rechenaufwand und mithin die für das erfindungsgemäß Verfahren bereitzustellende erforderliche Rechenleistung. Dies führt wiederum zu einem geringen Stromverbrauch, der eine geringe Batteriegröße und/oder eine längere Batterielaufzeit ermöglicht.
Vorteilhaft kombiniert das erfindungsgemäße Verfahren ein Berechnen der Bewegungskennung, das wenig Rechenleistung erfordert, mit einem Auswerten der Bewegungskennung durch eine Vergleichs-Operation, die ebenfalls wenig Rechenleistung erfordert. Bei der Bewegungskennung handelt es sich um ein Maß für die Atembewegung, die als ein skalarer Wert, aber auch als eine Mehrzahl von Werten ausgebildet sein kann. Das Berechnen der Bewegungskennung impliziert also das Berechnen von Merkmalen einer über den Bewegungssensor ausgewerteten Bewegung.
Der Bewegungsschwellenwert ist typischerweise ein empirisch bestimmter Wert, der eine schwache Atembewegung eines zu untersuchenden Lebewesens, insbesondere einer zu untersuchenden Person, impliziert. Beispielsweise kann dies ein für eine Atemkurve charakteristischer Bewegungswert sein. Ein solcher Bewegungswert wird typischerweise aus mehreren Versuchsreihen ermittelt, um einen Schwellenwert festzulegen, unter dem nicht mehr sicher von dem Vorliegen einer Atembewegung ausgegangen werden kann.
Das Empfangen und Speichern der Vektordaten in einer Zeitreihe bedeutet, dass in vorbestimmten zeitlichen Abständen jeweils ein Vektor mit ermittelten Daten einer Messung des Bewegungssensors empfangen und gespeichert wird. Die über die Zeit empfangene Vielzahl an Vektoren bildet die erfindungsgemäßen Vektordaten.
Der Einheitsvektor weist einen Betrag von 1 auf. Die Zufallsrichtung ist eine zufällig ermittelte Richtung, insbesondere eine über alle drei Raumdimensionen gleichverteilte zufällig ermittelte Richtung. Algorithmen zum Ermitteln einer zufälligen Richtung sind bekannt und werden im Folgenden nicht weiter erläutert.
Die Mittelung über das erste und zweite Zeitintervall erfolgt jeweils überall eine Vielzahl von Vektoren der mehrdimensionalen Vektordaten, die innerhalb des entsprechenden Zeitintervalls empfangen wurde. Die vorbestimmten zeitlichen Abstände, die die Zeitreihe bilden, sind also kürzer als das erste Zeitintervall und auch kürzer als das zweite Zeitintervall. Hierdurch wird vorteilhaft sichergestellt, dass der jeweilige langfristige Durchschnittsvektor V2 eine langfristige Tendenz einer durch die Vektordaten implizierten Bewegung oder Lage des Bewegungssensors anzeigt, wohingegen der jeweilige mittelfristige Vektor V1 einen für ein kurzes Zeitintervall vorliegenden Wert einer durch die Vektordaten implizierten Bewegung anzeigt. Die langfristigen Durchschnittsvektoren V2 und die mittelfristigen Vektoren V1 stellen somit jeweils einen gleitenden Mittelwert dar, wobei entsprechend dem ersten Zeitintervall und dem zweiten Zeitintervall über verschiedene Laufzeiten des gleitenden Mittelwerts gemittelt wird. Im Ergebnis werden dadurch vorteilhaft hochfrequente Anteile aus den mehrdimensionalen Vektordaten gefiltert, die lediglich kurzfristige Messungenauigkeiten des Bewegungssensors wiederspiegeln.
Unter Mittelung ist im Rahmen der Erfindung jegliche Art von Mittelung zu verstehen. Insbesondere kann es sich um eine arithmetische Mittelung, eine geometrische Mittelung, eine quadratische Mittelung und eine harmonische Mittelung handeln. Weiterhin kann es sich um eine mehrstufige Mittelung, insbesondere eine zweistufige oder dreistufige Mittelung handeln. Hierbei bedeutet mehrstufige Mittelung, dass eine erste Mittelung von mehreren Gruppen von Werten innerhalb einer jeweiligen Gruppe stattfindet und diese gemittelten Werte werden untereinander in einer nächsten Stufe wiederum gemittelt.
Nachfolgend werden bevorzugte Ausführungsformen des Verfahrens gemäß dem ersten Aspekt der Erfindung beschrieben.
In einer bevorzugten Ausführungsform sind die mehrdimensionalen Vektordaten dreidimensionale Vektordaten. Hierbei werden die drei Komponenten der Vektordaten durch die drei Raumrichtungen gebildet. In einer anderen Ausführungsform handelt es sich bei den mehrdimensionalen Vektordaten um zweidimensionale Vektordaten. Hierbei entsprechen die zwei Komponenten vorzugsweise zwei Raumrichtungen. In einer weiteren anderen Ausführungsform sind die mehrdimensionalen Vektordaten vierdimensionale Vektordaten. Hierbei entsprechen die vier Komponenten den drei Raumrichtungen und der Zeit.
In einer besonders bevorzugten Ausführungsform basiert das Bestimmen des Auswertesignals auf einer Klassifikation der Bewegungskennung, die auf einem Vergleich von durch die Bewegungskennung induzierten Bewegungskennwerten mit einer Mehrzahl von jeweiligen Bewegungsschwellenwerten basiert. Ein Vergleich mit einer Mehrzahl von Bewegungsschwell werten ermöglicht das Auswerten mehrerer Parameter der über die Vektordaten detektierten Bewegung. Das Verfahren gemäß dieser Ausführungsform erlaubt eine besonders präzise Klassifikation der Bewegungskennung. Die Bewegungskennung wird hierbei vorzugsweise durch eine Vielzahl von skalaren Werten, beispielsweise in Form einer Matrix oder in Form eines Bewegungsverlaufs gebildet. Die Mehrzahl von Bewegungsschwellenwerten ist typischerweise eine Mehrzahl von empirisch bestimmten Werten, die eine schwache Atembewegung implizieren. Beispielsweise kann dies eine für eine Atemkurve charakteristische Mehrzahl von Bewegungswerten sein. Eine solche Mehrzahl von Bewegungswerten wird typischerweise aus mehreren Versuchsreihen ermittelt, um entsprechende Schwellenwerte festzulegen, unter denen nicht mehr sicher von dem Vorliegen einer Atembewegung ausgegangen werden kann. In einer besonders bevorzugten Variante dieser Ausführungsform basiert die Klassifikation der Bewegungskennung auf einem Random Forrest Algorithmus. Im Vergleich zu anderen bekannten Algorithmen zur Klassifikation, erlaubt der Random Forrest Algorithmus eine Klassifikation mit besonders geringem Rechenaufwand, da lediglich über eine Anzahl von Vergleichen eine Klassifikation der Bewegungskennung erfolgt. Eine detaillierte Beschreibung des Aufbaus eines Random Forrest Algorithmus findet man unter anderem in der Druckschrift„Random Forrests.“, Breimann, L, Machine Learning,45 , pp 5-32, Kluwer Academic Publishers, 2001 .
In einer besonders bevorzugten Ausführungsform des erfindungsgemäßen Verfahrens zeigt das Auswertesignal eine durch eine Atmung verursachte Bewegung des die Vektordaten bereitstellenden Bewegungssensors an. H ierbei wird vorteilhaft ausgenutzt, dass das erfindungsgemäße Verfahren zu einer Bewegungskennung führt, die rotationsinvariant ist. Die durch die Atmung verursachte Bewegung ist ebenfalls in allen Raumrichtungen möglich, so dass die erfindungsgemäße Bewegungskennung besonders vorteilhaft für die Detektion der Atmung ist. Weiterhin wird in dieser Ausführungsform vorteilhaft ausgenutzt, dass die Kombination aus einer über die Bewegungskennung realisierten Merkmalsextraktion und einer auf Vergleichen beruhenden Klassifikation zu einer besonders genauen Detektion einer Bewegung führen kann, sodass auch eine kleine Bewegung, wie sie für die Atmung anzunehmen ist, detektiert werden kann. In einer bevorzugten Variante dieser Ausführungsform zeigt das Auswertesignal an, ob eine Atmung vorliegt.
In einer weiteren vorteilhaften Ausführungsform der Erfindung basiert die Berechnung der Bewegungskennung auf einer Summe aus quadrierten skalaren Produkten. In einer bevorzugten Variante dieser Ausführungsform basiert die Berechnung der Bewegungskennung zumindest teilweise auf der Summe der Quadrate der skalaren Produkte P. Hierdurch weist die Bewegungskennung vorteilhaft ein Maß für eine Bewegungsenergie der durch den Bewegungssensor detektieren Bewegung auf. In einer besonders bevorzugten Variante dieser Ausführungsform weist die Bewegungskennung sowohl die Summe der Quadrate der skalaren Produkte P, als auch die skalaren Produkte P als Maß für eine Amplitude der detektieren Bewegung auf.
In einer weiteren vorteilhaften Ausführungsform basiert die Berechnung der Bewegungskennung neben der Mehrzahl von skalaren Produkten auch auf der Mehrzahl von mittelwertbefreiten Vektoren V. Hierdurch kann unmittelbar aus den mehrdimensionalen Vektordaten auf eine Amplitude und/oder Richtung der auszuwertenden Bewegung geschlossen werden.
In einer vorteilhaften Ausführungsform erfolgt die zeitabhängige Zuordnung zwischen mittelfristigen Vektoren V1 und langfristigen Durchschnittsvektoren V2 derart, dass das für die Berechnung des jeweiligen mittelfristigen Vektors V1 genutzte erste Zeitintervall im Wesentlichen innerhalb des für die Berechnung des jeweiligen langfristigen Durchschnittsvektors V2 genutzten zweiten Zeitintervalls liegt. Hierdurch induziert ein jeweiliger mittelwertbefreiter Vektor V aus der Mehrzahl von mittelwertbefreiten Vektoren V eine Bewegungsamplitude, da von dem aktuell vorliegenden mittelfristigen Vektor V1 die aktuelle, langfristige Bewegungstendenz in Form des langfristigen Durchschnittsvektors V2 abgezogen wird. In einer bevorzugten Variante liegt das erste Zeitintervall vollständig innerhalb des zweiten Zeitintervalls, insbesondere zentral innerhalb des zweiten Zeitintervalls. Hierdurch wird sichergestellt, dass der langfristige Durchschnittsvektor V2 die zeitlich während der Ermittlung der Daten für den mittelfristigen Vektor V1 vorliegende langfristige Bewegungstendenz anzeigt.
In einer vorteilhaften Ausführungsform ist das zweite Zeitintervall mindestens zweimal so lang wie das erste Zeitintervall, vorzugsweise mindestens viermal so lang wie das erste Zeitintervall, besonders bevorzugt mindestens sechsmal so lang wie das erste Zeitintervall. Vorteilhaft hat das erste Zeitintervall eine Länge von mindestens 0,2 Sekunden, bevorzugt von mindestens 0,5 Sekunden, besonders bevorzugt von mindestens 1 Sekunde.
In einer weiteren bevorzugten Ausführungsform umfasst das Verfahren zum Auswerten von Sensordaten, nach dem Empfangen und Speichern der mehrdimensionalen Vektordaten, in einem zusätzlichen Verfahrensschritt eine auf den mehrdimensionalen Vektordaten basierende Aktivitätserkennung, wobei die weiteren Verfahrensschritte nur ausgeführt werden, wenn ein durch die Aktivitätserkennung ausgegebener Aktivitätskennwert kleiner als ein vorbestimmter Aktivitätsschwellenwert ist. In einer Variante dieser Ausführungsform wird der ausgegebene Aktivitätskennwert gebildet durch eine Komponente oder einen Vektorbetrag der mehrdimensionalen Vektordaten. In dieser Ausführungsform wird vorteilhaft sichergestellt, dass das erfindungsgemäße, präzise Verfahren zum Auswerten von Vektordaten nur angewendet wird, wenn nicht schon ein deutlich weniger rechenaufwändiges Verfahren zur Aktivitätserkennung eine Bewegung anzeigt. Hierdurch wird vorteilhaft ein Rechenaufwand des erfindungsgemäßen Verfahrens weiter reduziert. Weiterhin kann hierdurch sichergestellt werden, dass nicht durch eine Aktivität eines untersuchten Lebewesens eine fehlerhafte Auswertung hinsichtlich einer Atembewegung als Auswertesignal ausgegeben wird. Der vorbestimmte Aktivitätsschwellenwert ist typischerweise ein empirisch bestimmter Wert, der zumindest eine schwache Bewegung von Gliedmaßen des untersuchten Lebewesens impliziert. Ein solcher Wert wird typischerweise aus mehreren Versuchsreihen ermittelt, um einen Schwellenwert festzulegen, unter dem nicht mehr sicher von dem Vorliegen einer zumindest schwachen Bewegung der Gliedmaßen ausgegangen werden kann. In einer Variante dieser Ausführungsform erfolgt die Aktivitätserkennung durch eine Variationsbestimmung der erfassten mehrdimensionalen Vektordaten und dem nachgelagerten Vergleich mit dem vorbestimmten Aktivitätsschwellenwert. Im Rahmen der Beschreibung von Fig. 2 wird hierauf detailliert eingegangen werden.
In einer bevorzugten Ausführungsform des erfindungsgemäßen Verfahrens, weist das Verfahren weiterhin ein Auswählen des Bewegungsschwellenwerts oder einer für das Bestimmen des Auswertesignals verwendeten Mehrzahl von Bewegungsschwellenwerten aus einer vorbestimmten Gruppe von Bewegungsschwellenwerten auf, wobei das Auswählen abhängig ist von einem Auswerten einer Komponente der mehrdimensionalen Vektordaten, insbesondere von einem Ausgabesignal einer Bauchlagendetektion. In einer besonders bevorzugten Variante dieser Ausführungsform wird die Mehrzahl von Bewegungsschwellenwerten in einem Random Forrest Algorithmus verwendet. In dieser Ausführungsform können vorteilhaft Bewegungsschwellenwerte verwendet werden, die für eine sich aus dem Auswerten der Komponente ergebende Lage des Bewegungssensors besonders geeignet sind. Besonders vorteilhaft wird in einer Variante dieser Ausführungsform erkannt, ob das zu untersuchende Lebewesen sich gerade in einer Bauchlage befindet oder nicht, unabhängig davon wird der Bewegungsschwellenwert oder die Mehrzahl von Bewegungsschwellenwerten ausgewählt. Die vorbestimmte Gruppe von Bewegungsschwellwerten wird in einer Variante dieser Ausführungsform auf einem externen Gerät gespeichert, sodass diese Variante weiterhin die Verfahrensschritte umfasst, dass abhängig von dem Auswerten der Komponente ein Auswahlsignal ausgegeben wird und basierend auf dem Auswahlsignal der Bewegungsschwellenwert oder die Mehrzahl von Bewegungsschwellenwerten ausgegeben und empfangen wird.
In einer vorteilhaften Variante der vorhergehenden Ausführungsform ist das Auswählen abhängig von einem Auswerten einer z-Komponente der mehrdimensionalen Vektordaten, wobei die z-Komponente während eines Beginns einer Datenaufnahme durch den Bewegungssensor im Wesentlichen in Richtung der auf den Bewegungssensor wirkenden Schwerkraft auszurichten ist, und wobei das Auswerten der z-Komponente auf einem Vergleich zwischen einer auf die z-Komponente wirkenden Beschleunigungskraft und einem an der Schwerkraft orientierten, vorbestimmten Beschleunigungsschwellenwert basiert. Durch den Vergleich zwischen der auf die z-Komponente wirkenden Beschleunigungskraft und der Schwerkraft, kann bestimmt werden, ob die z- Komponente immer noch in Richtung der Schwerkraft ausgerichtet ist, oder ob eine Lageänderung des Bewegungssensors seit dem Beginn der Datenaufnahme stattgefunden hat. Insbesondere kann eine Bauchlage des zu untersuchenden Lebewesens detektiert werden. Der Bewegungssensor ist in dieser Ausführungsform vorzugsweise ein Beschleunigungssensor. In einer Variante dieser Ausführungsform liegt der Beschleunigungsschwellenwert in einem Bereich zwischen 0 m/s2 und -5 m/s2, insbesondere zwischen -0,2 m/s2 und -2 m/s2, besonders bevorzugt zwischen -0,7 m/s2 und -1 m/s2. Der Vergleich zwischen der auf die z-Komponente wirkenden Beschleunigungskraft und der Schwerkraft erfolgt vorzugsweise durch einen Vergleich mit einem über ein entsprechendes Zeitintervall gemittelten Wert für die Beschleunigungskraft. Bei dem Mittelwert handelt es sich in einem Beispiel um einen exponentiellen Mittelwert.
Zur Lösung der Aufgabe der Erfindung wird gemäß einem zweiten Aspekt ein tragbares Gerät zum Erfassen einer Bewegung, insbesondere zum Detektieren einer Atembewegung, vorgeschlagen, mit einem Befestigungsmittel, einem Bewegungssensor, einer Vorverarbeitungseinheit und einer Sendeeinheit.
Das Befestigungsmittel ist dazu ausgebildet, das tragbare Gerät an einem Kleidungsstück eines Trägers des tragbaren Geräts zu befestigen.
Der Bewegungssensor ist dazu ausgebildet, abhängig von einer Bewegung des tragbaren Gerätes mehrdimensionale Vektordaten zu erzeugen, die eine Richtung und eine Amplitude der Bewegung des tragbaren Geräts implizieren, und diese mehrdimensionalen Vektordaten in einer Zeitreihe auszugeben.
Die Vorverarbeitungseinheit ist mit dem Bewegungssensor signaltechnisch verbunden und ist dazu ausgebildet, die mehrdimensionalen Vektordaten zu empfangen und in einem Speichermodul der Vorverarbeitungseinheit zu speichern, und ist weiterhin dazu ausgebildet, - eine Mehrzahl von mittelfristigen Vektoren V1 durch eine Mittelung der empfangen Vektordaten über ein jeweiliges vorbestimmtes erstes Zeitintervall, das länger als die zeitlichen Empfangs-Abstände ist, zu berechnen,
- eine Mehrzahl von langfristigen Durchschnittsvektoren V2 durch eine Mittelung der empfangenen Vektordaten über ein vorbestimmtes zweites Zeitintervall, das länger als das erste Zeitintervall ist, zu berechnen,
- eine Mehrzahl von mittelwertbefreiten Vektoren V, abhängig von einer Differenz zwischen einem jeweiligen mittelfristigen Vektor V1 aus der Mehrzahl von mittelfristigen Vektoren und einem jeweiligen langfristigen Durchschnittsvektor V2 aus der Mehrzahl von langfristigen Durchschnittsvektoren, basierend auf einer zeitabhängigen Zuordnung zwischen mittelfristigen Vektoren V1 und langfristigen Durchschnittsvektoren V2 zu berechnen und in dem Speichermodul zu speichern,
- eine Mehrzahl von Einheitsvektoren E zu ermitteln, wobei ein jeweiliger Einheitsvektor E in eine Zufallsrichtung ausgerichtet ist, und einen jeweiligen Einheitsvektors E zu einem jeweiligen mittelwertbefreiten Vektor V zuzuordnen, und wobei die Vorverarbeitungseinheit weiterhin dazu ausgebildet ist,
- eine Mehrzahl von skalaren Produkten P jeweils aus einem mittelwertbefreiten Vektor V aus der Mehrzahl von mittelwertbefreiten Vektoren und dem diesem mittelwertbefreiten Vektor V zugeordneten Einheitsvektor E zu berechnen.
Die Sendeeinheit ist mit der Vorverarbeitungseinheit zumindest indirekt signaltechnisch verbunden, und ist ausgebildet, ein Bewegungssignal zu senden, das auf der Mehrzahl von skalaren Produkten P basiert.
Vorteilhaft erlaubt das tragbare Gerät eine Vorverarbeitung von mehrdimensionalen Vektordaten, die eine besonders geringe Rechenleistung erfordert. Dies wird durch die Berechnung und Verwendung skalarer Werte ermöglicht, die verglichen mit aufwändigeren Berechnungsalgorithmen, wie beispielsweise einer Hauptkomponentenanalyse, sehr schnell durch einen Prozessor der Vorverarbeitungseinheit ausgeführt werden kann. Dies kann einen vergleichsweise geringen Stromverbrauch des tragbaren Gerätes unterstützen.
Der geringe Stromverbrauch ermöglicht eine geringe Batteriegröße und/oder eine lange Batterielaufzeit einer Batterie innerhalb des tragbaren Gerätes. Hierdurch wird eine geringe Baugröße des tragbaren Gerätes und/oder eine besonders lange mobile Einsatzdauer des tragbaren Gerätes ermöglicht.
In verschiedenen erfindungsgemäßen Ausführungsformen des tragbaren Gerätes ist zwischen der Vorverarbeitungseinheit und der Sendeeinheit eine weitere Einheit angeordnet, sodass die Vorverarbeitungseinheit indirekt signaltechnisch mit der Sendeeinheit verbunden ist. In alternativen oder ergänzenden Ausführungsformen ist die Vorverarbeitungseinheit direkt mit der Sendeeinheit verbunden.
Nachfolgend werden bevorzugte Ausführungsformen des tragbaren Geräts gemäß dem zweiten Aspekt der Erfindung beschrieben.
Das erfindungsgemäße Befestigungsmittel ist typischerweise dazu ausgebildet, an dem Kleidungsstück des Trägers mittels einer lösbaren Verbindung befestigt zu sein. In einer Ausführungsform handelt es sich bei der lösbaren Verbindung um eine magnetische Verbindung, wobei das Kleidungsstück zwischen zwei Magneten der magnetischen Verbindung angeordnet ist. In einer weiteren Ausführungsform ist die lösbare Verbindung über eine Anstecknadel realisiert. In einer weiteren Ausführungsform ist die lösbare Verbindung über eine Klammerverbindung realisiert.
In einer besonders bevorzugten Ausführungsform weist das tragbare Gerät weiterhin eine Energiequelle auf, die ausgebildet ist, den Bewegungssensor, die Vorverarbeitungseinheit und die Sendeeinheit mit Strom zu versorgen. In einer vorteilhaften Variante dieser Ausführungsform ist die Energiequelle eine auswechselbare Batterie. In einer weiteren besonders bevorzugten Ausführungsform ist der Bewegungssensor als ein Beschleunigungssensor ausgebildet. Der Aufbau eines Beschleunigungssensors ist bekannt und wird daher im Folgenden nicht detailliert geschildert.
In einer weiteren Ausführungsform des erfindungsgemäßen tragbaren Gerätes ist die Vorverarbeitungseinheit weiterhin dazu ausgebildet, eine Bewegungskennung, die ein Maß für die Atembewegung ist, basierend auf der Mehrzahl von skalaren Produkten P zu berechnen. In dieser Ausführungsform kann das Bewegungssignal besonders vorteilhaft eine geringe Datenmenge übertragen, da lediglich die Bewegungskennung an ein externes Gerät zum Auswerten der mehrdimensionalen Vektordaten ausgegeben werden muss. Die Bewegungskennung umfasst mindestens ein Merkmal der mehrdimensionalen Vektordaten, dass sich aus der Mehrzahl von skalaren Produkten P ergibt.
In einer besonders vorteilhaften Variante der vorhergehenden Ausführungsform weist das tragbare Gerät weiterhin eine Klassifikationseinheit auf, die mit der Vorverarbeitungseinheit signaltechnisch verbunden ist, und die dazu ausgebildet ist, ein Auswertesignal basierend auf einem Vergleich zwischen der Bewegungskennung und einem vorbestimmten Bewegungsschwellenwert zu bestimmen und an die Sendeeinheit auszugeben. In einem vorteilhaften Beispiel dieser Variante ist die Vorverarbeitungseinheit über die Klassifikationseinheit indirekt mit der Sendeeinheit signaltechnisch verbunden. In einem besonders vorteilhaften Beispiel dieser Variante werden durch die Bewegungskennung induzierte Bewegungskennwerte mit einer Mehrzahl von jeweiligen Bewegungsschwellenwerten verglichen. Besonders vorteilhaft basiert dieser Vergleich auf einem Random Forrest Algorithmus. Diese Variante der Ausführungsform ist dadurch besonders vorteilhaft, dass lediglich das Ergebnis des Vergleiches zwischen Bewegungskennung und Bewegungsschwellenwert als Bewegungssignal von der Sendeeinheit gesendet wird. Flierdurch ist das Bewegungssignal besonders einfach ausgestaltet, sodass Fehler in der Übertragung durch die Sendeeinheit vermieden werden können. Das Auswahlen eines Bewegungsschwellenwertes oder einer Mehrzahl von Bewegungsschwellenwerten ist vorzugsweise abhängig von einem Auswerten einer Komponente der mehrdimensionalen Vektordaten durch die Vorverarbeitungseinheit, insbesondere von einem Ausgabesignal einer Bauchlagendetektion. Hierdurch können vorteilhaft die für die aktuelle Lage des Bewegungssensors besonders geeigneten Bewegungsschwellenwerte durch die Klassifikationseinheit verwendet werden.
In einer weiteren Ausführungsform des tragbaren Gerätes gemäß dem zweiten Aspekt der Erfindung führt die Vorverarbeitungseinheit erst die Berechnung der mittelfristigen Vektoren V1 und der langfristigen Durchschnittsvektoren V2 und die darauffolgenden Schritte aus, falls in einem vorgeschalteten Verarbeitungsschritt der Vorverarbeitungseinheit, der eine auf den mehrdimensionalen Vektordaten basierende Aktivitätserkennung umfasst, ein durch die Aktivitätserkennung ausgegebener Aktivitätskennwert kleiner als ein vorbestimmter Aktivitätsschwellenwert ist.
Zur Lösung der erfindungsgemäßen Aufgabe wird gemäß einem dritten Aspekt der Erfindung ein System zum Erfassen einer Bewegung, insbesondere zum Detektieren einer Atembewegung, vorgeschlagen, das das tragbare Gerät gemäß mindestens einer der vorhergehenden Ausführungsformen des zweiten Aspekts der Erfindung und ein Host-Gerät aufweist.
Das Host-Gerät ist dazu ausgebildet, das durch die Sendeeinheit versendete Bewegungssignal zu empfangen und basierend auf dem Bewegungssignal ein optisches und/oder akustisches Ausgabesignal über eine Ausgabeeinheit des Host-Gerätes auszugeben, wobei das Ausgabesignal eine durch eine Atmung verursachte Bewegung des tragbaren Gerätes impliziert.
Vorteilhaft erlaubt das erfindungsgemäße System eine Ausgabe einer Auswertung der mehrdimensionalen Vektordaten durch eine von dem tragbaren Gerät beabstandete Person über das Host-Gerät. Hierdurch kann vorteilhaft ein Teil der für die Auswertung der mehrdimensionalen Vektordaten notwendigen Rechenleistung durch eine Verarbeitungseinheit innerhalb des Host-Gerätes bereitgestellt werden.
Weiterhin erlaubt das erfindungsgemäße System mehrere tragbare Geräte mit einem Host-Gerät zu verbinden und/oder das tragbare Gerät mit mehreren Host- Geräten zu verbinden. Hierdurch kann beispielsweise eine besonders übersichtliche Auswertung von Vektordaten mehrerer Träger von tragbaren Geräten, insbesondere eine Detektion der Atembewegung von mehreren Personen, gleichzeitig erfolgen.
Nachfolgend werden bevorzugte Ausführungsformen des Systems gemäß dem dritten Aspekt der Erfindung beschrieben.
Die Übertragung des Bewegungssignals durch die Sendeeinheit an das Host- Gerät erfolgt vorzugsweise kabellos, beispielsweise durch eine Bluetooth-, ZigBee-, WLAN-, NFC- oder DECT-Verbindung, oder durch eine andere Funkverbindung.
Das Host-Gerät kann ein stationäres Gerät, beispielsweise ein multifunktionales Medizingerät sein, oder ein für den mobilen Einsatz vorgesehenes Gerät, beispielsweise ein Mobilfunkgerät, ein Notebook, eine Smartwatch oder ein Tablett-PC.
In einer Ausführungsform des erfindungsgemäßen Systems umfasst das Ausgabesignal die Information, ob eine durch die Atmung verursachte Bewegung vorliegt. In einer weiteren Ausführungsform umfasst das Ausgabesignal zusätzlich eine Amplitude und/oder Intensität der Atembewegung. In einer weiteren Ausführungsform umfasst das Ausgabesignal eine Angabe des Zeitpunkts an welchem letztmalig eine Atembewegung detektiert wurde. In einer weiteren Ausführungsform umfasst das Ausgabesignal eine Dauer der bisher detektierten Atembewegung. Hierdurch kann ein zwischenzeitliches Aussetzen der Atembewegung durch einen Nutzer des Host-Gerätes nachvollzogen werden. In einer weiteren Ausführungsform des Systems gemäß dem dritten Aspekt der Erfindung weist das Host-Gerät weiterhin eine Klassifikationseinheit auf, die dazu ausgebildet ist, die Mehrzahl an skalaren Produkten P aus dem Bewegungssignal zu ermitteln, eine Bewegungskennung basierend auf der Mehrzahl von skalaren Produkten P zu berechnen, und ein Auswertesignal basierend auf einem Vergleich zwischen der Bewegungskennung und einem vorbestimmten Bewegungsschwellenwert zu bestimmen und auszugeben, wobei das optische und/oder akustische Ausgabesignal abhängig ist von dem Auswertesignal. In dieser Ausführungsform übernimmt das Host-Gerät vorteilhaft die Klassifikation der durch die Vorverarbeitungseinheit innerhalb des tragbaren Gerätes vorverarbeiteten multidimensionalen Vektordaten. Hierdurch kann der Stromverbrauch des tragbaren Gerätes weiter reduziert werden, wodurch eine längere Laufzeit der Energieversorgung des tragbaren Gerätes und/oder eine kleinere Bauweise der Energieversorgung und mithin eine kleinere Bauweise des tragbaren Gerätes ermöglicht wird. Vorzugsweise wird für das erfindungsgemäße System ein mit einer Klassifikationseinheit ausgestattetes Host-Gerät kombiniert mit einem tragbaren Gerät, welches keine eigene Klassifikationseinheit aufweist. Hierdurch wird eine mehrfache Klassifikation innerhalb des Systems vermieden.
In einer weiteren vorteilhaften Ausführungsform des erfindungsgemäßen Systems basiert das Bestimmen des Auswertesignals auf einer Klassifikation der Bewegungskennung, die auf einem Vergleich von durch die Bewegungskennung induzierten Bewegungskennwerten mit einer Mehrzahl von jeweiligen Bewegungsschwellenwerten, insbesondere auf einem Random Forrest Algorithmus, basiert. In einer besonders vorteilhaften Variante dieser Ausführungsform umfasst die Mehrzahl von jeweiligen Bewegungsschwellenwerten eine vorbestimmte Mehrzahl von Bewegungsschwellenwerten, die in einem externen Speichergerät außerhalb des Systems gespeichert ist, und wobei das Host-Gerät weiterhin eine Anfrageeinheit aufweist, die dazu ausgebildet ist, die Mehrzahl von Bewegungsschwellenwerten bei dem externen Speichergerät über eine Funkverbindung zwischen dem Speichergerät und der Anfrageeinheit anzufragen, zu empfangen und der Klassifikationseinheit bereitzustellen. Bei dem externen Speichergerät kann es sich beispielsweise um einen externen Server eines Netzwerkes handeln, auf den das Host-Gerät zugreifen kann. In dieser Variante wird vermieden, dass auf dem Host-Gerät große Datenmengen gespeichert sein müssen. So erlaubt die erfindungsgemäße Variante vorteilhaft, dass die vorbestimmte Mehrzahl von Bewegungsschwellenwerten einmalig auf dem externen Speichergerät abgelegt wird, derart, dass alle erfindungsgemäßen Host-Geräte auf das vorzugsweise eine externe Speichergerät zugreifen können.
Die Erfindung soll nun anhand von in den Figuren schematisch dargestellten, vorteilhaften Ausführungsbeispielen näher erläutert werden. Von diesen zeigen im Einzelnen:
Fig. 1 ein Flussdiagramm eines ersten Ausführungsbeispiels eines
Verfahrens gemäß dem ersten Aspekt der Erfindung;
Fig. 2 ein Flussdiagramm eines zweiten Ausführungsbeispiels eines Verfahrens gemäß dem ersten Aspekt der Erfindung; Fig. 3 eine schematische Darstellung eines ersten
Ausführungsbeispiels eines tragbaren Gerätes gemäß dem zweiten Aspekt der Erfindung;
Fig. 4 eine schematische Darstellung eines zweiten
Ausführungsbeispiels eines tragbaren Gerätes gemäß dem zweiten Aspekt der Erfindung;
Fig. 5 eine schematische Darstellung eines ersten
Ausführungsbeispiels eines Systems gemäß dem dritten Aspekt der Erfindung; und
Fig. 6 eine schematische Darstellung eines zweiten
Ausführungsbeispiels eines Systems gemäß dem dritten Aspekt der Erfindung.
Fig. 1 zeigt ein Flussdiagramm eines ersten Ausführungsbeispiels eines
Verfahrens 100 gemäß dem ersten Aspekt der Erfindung.
Das erfindungsgemäße Verfahren 100 ist ein Verfahren zum Auswerten von mehrdimensionalen Vektordaten eines Bewegungssensors, insbesondere zum Detektieren einer Atembewegung. Das Verfahren 100 weist dabei die im Folgenden angegebenen Schritte auf.
Ein erster Schritt 1 10 umfasst ein Empfangen und Speichern der mehrdimensionalen Vektordaten des Bewegungssensors in einer Zeitreihe.
Ein weiterer Schritt 120 umfasst ein Berechnen einer Mehrzahl von mittelfristigen Vektoren V1 durch eine Mittelung der empfangen Vektordaten über ein jeweiliges vorbestimmtes erstes Zeitintervall.
Ein nächster Schritt 130 umfasst ein Berechnen einer Mehrzahl von langfristigen Durchschnittsvektoren V2 durch eine Mittelung der empfangenen Vektordaten über ein vorbestimmtes zweites Zeitintervall, das länger als das erste Zeitintervall ist.
Ein darauffolgender Schritt 140 umfasst ein Berechnen und Speichern einer Mehrzahl von mittelwertbefreiten Vektoren V, abhängig von einer Differenz zwischen einem jeweiligen mittelfristigen Vektor V1 aus der Mehrzahl von mittelfristigen Vektoren und einem jeweiligen langfristigen Durchschnittsvektor V2 aus der Mehrzahl von langfristigen Durchschnittsvektoren, basierend auf einer zeitabhängigen Zuordnung zwischen mittelfristigen Vektoren V1 und langfristigen Durchschnittsvektoren V2.
Ein nächster Schritt 150 umfasst ein Ermitteln einer Mehrzahl von Einheitsvektoren E, wobei ein jeweiliger Einheitsvektor in eine Zufallsrichtung ausgerichtet ist, und ein Zuordnen eines jeweiligen Einheitsvektors E zu einem jeweiligen mittelwertbefreiten Vektor V.
Ein weiterer Schritt 160 umfasst ein Berechnen einer Mehrzahl von skalaren Produkten P jeweils aus einem mittelwertbefreiten Vektor V aus der Mehrzahl von mittelwertbefreiten Vektoren V und dem diesem mittelwertbefreiten Vektor V zugeordneten Einheitsvektor E. Ein darauffolgender Schritt 170 umfasst ein Berechnen einer Bewegungskennung, die ein Maß für die Atembewegung ist, basierend auf der Mehrzahl von skalaren Produkten P.
Ein abschließender Schritt 180 umfasst ein Bestimmen und Ausgeben eines Auswertesignals basierend auf einem Vergleich zwischen der Bewegungskennung und einem vorbestimmten Bewegungsschwellenwert.
Die Schritte des Verfahrens 100 werden typischerweise teilweise parallel zueinander ausgeführt. So werden die mehrdimensionalen Vektordaten über einen gewissen Beobachtungszeitraum, beispielsweise während einer Schlafphase einer zu untersuchenden Person, immer weiter empfangen und gespeichert, während über den gesamten Beobachtungszeitraum immer auch die mittelfristigen Vektoren V1 und die langfristigen Durchschnittsvektoren V2 weiter berechnet werden, um schließlich in gewissen zeitlichen Abständen während des Beobachtungszeitraums basierend auf einer aktuellen Bewegungskennung das Auswertesignal auszugeben. So erfolgt das erfindungsgemäße Auswerten von mehrdimensionalen Vektordaten durch wiederholtes Ausführen der Schritte des Verfahrens 100 kontinuierlich über den Beobachtungszeitraum.
In dem dargestellten Ausführungsbeispiel werden die mehrdimensionalen Vektordaten mit einer Frequenz zwischen 10 Hz und 50 Hz, insbesondere zwischen 20 Hz und 40 Hz, vorliegend von etwa 26 Hz empfangen. Das erste Zeitintervall hat eine Länge zwischen 0,8 Sekunden und 2 Sekunden, vorzugsweise zwischen 0,8 Sekunden und 1 ,5 Sekunden, vorliegend von etwa 1 Sekunde. Das zweite Zeitintervall hat in dem dargestellten Ausführungsbeispiel eine Länge zwischen 2 Sekunden und 6 Sekunden, insbesondere zwischen 3 Sekunden und 4 Sekunden, vorliegend von etwa 3,7 Sekunden. Hierbei liegt das erste Zeitintervall bei jeder Berechnung jeweils innerhalb des zweiten Zeitintervalls.
In dem dargestellten ersten Ausführungsbeispiel zeigt das Auswertesignal an, ob sich aus der berechneten Bewegungskennung ergibt, dass eine Atmung des zu untersuchenden Patienten vorliegt. In einem nicht dargestellten Ausführungsbeispiel zeigt das Auswertesignal weiterhin an, seit wann eine ununterbrochene Atmung gemessen wurde. In einem anderen nicht dargestellten Ausführungsbeispiel zeigt das Auswertesignal weiterhin an, wie groß die detektierte Amplitude der Bewegung des Bewegungssensors, insbesondere der Atembewegung ist.
In dem ersten Ausführungsbeispiel basiert die berechnete Bewegungskennung auf einer Summe von Quadraten der skalaren Produkte P, wobei diese Summe alle diejenigen skalaren Produkte P aufweist, die innerhalb eines aktuellen zeitlichen Kennungsintervalls berechnet wurden. Dadurch ist die Summe ein Maß für eine Energie der durch den Bewegungssensor detektieren Bewegung. Weiterhin weist die Bewegungskennung in dem dargestellten Ausführungsbeispiel die innerhalb des aktuellen zeitlichen Kennungsintervalls berechneten und gespeicherten mittelwertbefreiten Vektoren V auf. Diese bilden ein Maß für die Amplitude einer aktuell detektierten Bewegung des Bewegungssensors. In einem nicht dargestellten Ausführungsbeispiel werden zur Berechnung der Bewegungskennung diese aktuell berechneten mittelwertbefreiten Vektoren durch die Bildung eines weiteren gleitenden Mittelwertes oder durch die gezielte Berücksichtigung eines vordefinierten Anteils der mittelwertbefreit Vektoren, wie etwa jedes vierten mittelwertbefreiten Vektors, weiterverarbeitet.
In einem weiteren nicht dargestellten Ausführungsbeispiel basiert die Berechnung der Bewegungskennung auf einer Verarbeitung der berechneten Vektoren mittels Fouriertransformation, beispielsweise durch eine Implementierung des bekannten Cooley-Tukey-Algorithmus.
Das Bestimmen des Auswertesignals basiert in dem dargestellten Ausführungsbeispiel auf einer Klassifikation der Bewegungskennung. Die Klassifikation erfolgt durch einen Vergleich von durch die Bewegungskennung induzierten Bewegungskennwerten mit einer Mehrzahl von jeweiligen Bewegungsschwellenwerten. Dieser Vergleich ist im Detail ausgestaltet als eine sogenannte Random Forrest Klassifikation. In einem nicht dargestellten Ausführungsbeispiel erfolgt die Klassifikation der Bewegungskennung durch einen direkten Vergleich eines durch die Bewegungskennung induzierten Bewegungskennwerts mit einem vorbestimmten Bewegungsschwellenwert.
Die Random Forrest Klassifikation ist für das erfindungsgemäße Verfahren 100 besonders geeignet, da durch eine auf Vergleichen basierende Algorithmik empfangene Daten besonders schnell und unkompliziert verarbeitet werden, um am Ende zwischen zwei Zuständen, wie etwa„Atmung vorhanden“ und„Atmung nicht vorhanden“ zu unterscheiden.
In einem nicht dargestellten Ausführungsbeispiel des erfindungsgemäßen Verfahrens erfolgt vor der Ausgabe des Auswertesignals eine Nachverarbeitung der berechneten Daten, um eine Fehlerwahrscheinlichkeit bezüglich eines durch das Auswertesignal mitgeteilten Ergebnisses zu reduzieren. Insbesondere erfolgt in diesem Ausführungsbeispiel die Ausgabe der Information, dass keine oder nur eine geringfügige Bewegung des Bewegungssensors detektiert wurde, also das wahrscheinlich keine Atmung vorliegt, nur nach einer erneuten Detektion dieses Ergebnisses, um einen Fehlalarm zu vermeiden.
Fig. 2 zeigt ein Flussdiagramm eines zweiten Ausführungsbeispiels eines Verfahrens 200 gemäß dem ersten Aspekt der Erfindung.
Das Verfahren 200 unterscheidet sich dadurch von dem in Fig. 1 dargestellten Verfahren 100, dass nach dem Schritt 1 10, nämlich dem Empfangen und Speichern der mehrdimensionalen Vektordaten, nicht automatisch der Schritt 120 ausgeführt wird. So ist in einem zwischengeschalteten Schritt 215 eine Aktivitätserkennung vorgesehen.
Im Rahmen der Aktivitätserkennung wird ein Aktivitätskennwert berechnet und abschließend mit einem vorbestimmten Aktivitätsschwellenwert verglichen. Die darauffolgenden Verfahrensschritte werden nur dann ausgeführt, wenn der Aktivitätskennwert kleiner als der vorbestimmte Aktivitätsschwellenwert ist, also eine geringere Aktivität ermittelt wird, als sie zum Erreichen des Aktivitätsschwellenwerts notwendig wäre. Eine derart vorgelagerte Prüfung ist sinnvoll, weil eine kleine Bewegung, wie sie beispielsweise bei der Detektion einer Atmung vorliegt, durch eine zu große Aktivität überlagert werden könnte, sodass eine fehlerhafte Auswertung der mehrdimensionalen Vektordaten wahrscheinlich wäre.
In dem dargestellten Ausführungsbeispiel handelt es sich bei den Vektordaten um Accelerometerdaten. Diese Accelerometerdaten werden im Rahmen der Aktivitätserkennung zum Bestimmen eines gleitenden Mittelwertes genutzt. Bei der hierbei verwendeten Glättung mittels gleitendem Mittelwert handelt es sich beispielsweise um eine exponentielle Glättung. Durch einen Vergleich zwischen den ursprünglichen Accelerometerdaten und dem gleitenden Mittelwert, wird eine Variation der Accelerometerdaten bestimmt. Falls diese Variation größer ist als ein vorbestimmter Variationsschwellenwert, wird ein Zähler für ein aktuell vorliegendes zeitliches Aktivitätsintervall hoch gesetzt. Accelerometerdaten, die außerhalb des mitlaufenden Aktivitätsintervalls liegen, werden von dem Zähler nicht mehr berücksichtigt. Dieser Zähler bildet für das jeweils vorliegende zeitliche Aktivitätsintervall den Aktivitätskennwert. Falls diese Aktivitätskennwert einen vorbestimmten Aktivitätsschwellenwert überschreitet, wird in dem vorliegenden Ausführungsbeispiel ein Aktivitätssignal ausgegeben, welches anzeigt, dass für die erfindungsgemäße Detektion einer Bewegung zur Zeit eine zu große überlagernde Aktivität vorliegt. So kann bei der Detektion einer Atembewegung ausgegeben werden, dass nicht detektiert werden kann, ob eine Person atmet, da sich die Person oder deren Umgebung hierfür zu stark bewegt.
Weiterhin unterscheidet sich das Verfahren 200 von dem einen Fig. 1 dargestellten Verfahren 100 durch den weiteren zwischengeschalteten Schritt 285.
In dem Schritt 285 wird eine Komponente der mehrdimensionalen Vektordaten ausgewertet. Anhand dieser Auswertung wird die Mehrzahl von Bewegungsschwellenwerten aus einer vorbestimmten Gruppe von Bewegungsschwellenwerten ausgewählt. In dem dargestellten Ausführungsbeispiel handelt es sich bei der ausgewerteten Komponente um die z-Komponente der Vektordaten, welche typischerweise zu Beginn eines Beobachtungszeitraums in Richtung der auf den Bewegungssensor wirkenden Schwerkraft ausgerichtet ist. Bei den Vektordaten handelt sich weiterhin um Accelerometerdaten, die mithin geeignet sind eine Abweichung von der typischerweise in Richtung der Schwerkraft wirkenden Erdbeschleunigung anzuzeigen.
Die Auswertung im Rahmen des Schrittes 285 erfolgt für das dargestellte Ausführungsbeispiel derart, dass zwischen zwei Zuständen unterschieden wird, nämlich zwischen einer z-Komponente, die unterhalb eines vorbestimmten Beschleunigungsschwellenwertes liegt, und einer z-Komponente, die oberhalb des vorbestimmten Beschleunigungsschwellenwertes liegt. Der Beschleunigungsschwellenwert liegt typischerweise zwischen 0 m/s2 und -5m/s2, vorliegend im Bereich zwischen -0,7 m/s2 und -1 m/s2. Im Ergebnis entspricht diese Auswertung einer Bauchlagendetektion, da bei Vorliegen einer Bauchlage eine z-Komponente im Bereich der negativen Erdbeschleunigung, also bei -9,81 m/s2 zu erwarten ist.
In dem dargestellten Ausführungsbeispiel wird der zwischengeschaltete Schritt 285 der Bauchlagendetektion lediglich zur Bestimmung von geeigneten Bewegungsschwellenwerten für das Ausführen des erfindungsgemäßen Verfahrens verwendet. In einem nicht dargestellten Ausführungsbeispiel wird ein Ergebnis der Bauchlagendetektion ebenfalls durch ein entsprechendes Signal, vorzugsweise durch das Auswertesignal, ausgegeben. In einem weiteren nicht dargestellten Ausführungsbeispiel wird die Bauchlagendetektion an einer anderen Stelle des erfindungsgemäßen Verfahrens zwischengeschaltet.
In einem weiteren nicht dargestellten Ausführungsbeispiel wird das Ergebnis der Aktivitätserkennung ebenfalls über das Auswertesignal ausgegeben.
Fig. 3 zeigt eine schematische Darstellung eines ersten Ausführungsbeispiels eines tragbaren Gerätes 300 gemäß dem zweiten Aspekt der Erfindung.
Das tragbare Gerät 300 ist ein Gerät zum Erfassen einer Bewegung, insbesondere zum Detektieren einer Atembewegung. Das tragbare Gerät 300 umfasst dabei ein Befestigungsmittel 310, einen Bewegungssensor 320, eine Vorverarbeitungseinheit 330 und eine Sendeeinheit 340.
Das Befestigungsmittel 310 ist dazu ausgebildet, das tragbare Gerät 300 an einem Kleidungsstück 312 eines Trägers des tragbaren Geräts 300 zu befestigen. In dem dargestellten Ausführungsbeispiel handelt es sich bei dem Befestigungsmittel 310 um eine magnetische Verbindung, der aus zwei Teilen 314, 316 besteht, wobei das erste Teil 314 an einem Gehäuse 305 des tragbaren Geräts 300 befestigt ist, und dass zweite Teil 316 derart unterhalb des Kleidungsstücks 312 angeordnet ist, dass die magnetische Wechselwirkung zwischen den zwei Teilen 314, 316 das tragbare Gerät 300 an dem Kleidungsstück 312 hält.
In einem nicht dargestellten Ausführungsbeispiel bildet das Befestigungsmittel eine lösbare Verbindung, die über eine Anstecknadel oder über eine Klammerverbindung realisiert ist.
Der Bewegungssensor 320 ist ausgebildet, abhängig von einer Bewegung des tragbaren Gerätes 300 mehrdimensionale Vektordaten zu erzeugen, die eine Richtung und eine Amplitude der Bewegung des tragbaren Geräts 300 implizieren, und diese mehrdimensionalen Vektordaten in einer Zeitreihe auszugeben. In dem dargestellten Ausführungsbeispiel handelt es sich bei dem Bewegungssensor 320 um einen Beschleunigungssensor.
Die Vorverarbeitungseinheit 330 ist mit dem Bewegungssensor 320 signaltechnisch verbunden, vorliegend durch ein Kabel, und sie ist dazu ausgebildet, die mehrdimensionalen Vektordaten zu empfangen und in einem Speichermodul 332 der Vorverarbeitungseinheit 330 zu speichern.
Weiterhin ist die Vorverarbeitungseinheit 330 dazu ausgebildet, eine Mehrzahl von mittelfristigen Vektoren V1 durch eine Mittelung der empfangen Vektordaten über ein jeweiliges vorbestimmtes erstes Zeitintervall zu berechnen, und eine Mehrzahl von langfristigen Durchschnittsvektoren V2 durch eine Mittelung der empfangenen Vektordaten über ein vorbestimmtes zweites Zeitintervall, das länger als das erste Zeitintervall ist, zu berechnen.
Die Vorverarbeitungseinheit 330 ist weiterhin dazu ausgebildet, die Mehrzahl von mittelfristigen Vektoren V1 und die Mehrzahl von langfristigen Durchschnittsvektoren V2 zu nutzen, um eine Mehrzahl von mittelwertbefreiten Vektoren V, abhängig von einer Differenz zwischen einem jeweiligen mittelfristigen Vektor V1 und einem jeweiligen langfristigen Durchschnittsvektor V2 zu berechnen. Diese Berechnung basiert auf einer zeitabhängigen Zuordnung zwischen mittelfristigen Vektoren V1 und langfristigen Durchschnittsvektoren V2. Die zeitabhängige Zuordnung ist dabei so gewählt, dass das erste Zeitintervall eines jeweiligen mittelfristigen Vektors V1 innerhalb des zweiten Zeitintervalls eines jeweiligen langfristigen Durchschnittssektors V2 liegt. Eine derartige zeitabhängige Zuordnung sorgt dafür, dass ein jeweiliger mittelwertbefreiter Vektor V ein Maß für die Amplitude einer detektierten Bewegung aufweist. Die Mehrzahl von mittelwertbefreiten Vektoren V wird durch die Vorverarbeitungseinheit 330 ebenfalls in dem Speichermodul 332 gespeichert.
Weiterhin ist die Vorverarbeitungseinheit 330 dazu ausgebildet, eine Mehrzahl von Einheitsvektoren E zu ermitteln, wobei ein jeweiliger Einheitsvektor E in eine Zufallsrichtung ausgerichtet ist, und einen jeweiligen Einheitsvektors E zu einem jeweiligen mittelwertbefreiten Vektor V zuzuordnen. Da es sich bei den Einheitsvektoren E um zufällig ausgewählte Vektoren handelt, ist keine Zuordnungsvorschrift für die Zuordnung zwischen Einheitsvektor und mittelwertbefreitem Vektor V notwendig. In dem vorliegenden Ausführungsbeispiel ist die Zufallsrichtung eine gemäß einer Gleichverteilung in alle Raumrichtungen zufällig ausgewählte Richtung. In einem nicht dargestellten Ausführungsbeispiel wird eine andere zufällige Verteilung in alle Raumrichtungen für das Ermitteln der Einheitsvektoren genutzt. Ein ermittelter Einheitsvektor hat stets genauso viele Komponenten wie die Vektoren der mehrdimensionalen Vektordaten.
Entsprechend der Zuordnung eines jeweiligen Einheitsvektors E und eines jeweiligen mittelwertbefreiten Vektors V ist die Vorverarbeitungseinheit 330 weiter dazu ausgebildet, eine entsprechende Mehrzahl von skalaren Produkten P jeweils aus mittelwertbefreitem Vektor V und dem zugeordneten Einheitsvektor E zu berechnen.
Diese skalaren Produkte P dienen der Vorverarbeitungseinheit 330 als Grundlage, um über eine zumindest indirekte signaltechnische Verbindung zwischen Vorverarbeitungseinheit 330 und Sendeeinheit 340 ein Bewegungssignal 345 zu senden, das auf der Mehrzahl von skalaren Produkten P basiert. In dem dargestellten Ausführungsbeispiel handelt es sich bei der zumindest indirekten signaltechnischen Verbindung um eine direkte Verbindung über ein Kabel. Das Bewegungssignal 345 wird vorliegend als ein Funksignal gesendet.
Die verschiedenen Verarbeitungsschritte der Vorverarbeitungseinheit 330 sind in Fig. 3 durch verschiedene Kästen innerhalb der Vorverarbeitungseinheit 330 dargestellt. Dies stellt eine Veranschaulichung dar, die die Verarbeitungsschritte innerhalb eines einzigen Prozessors der Vorverarbeitungseinheit 330 verdeutlicht. In einem nicht dargestellten Ausführungsbeispiel sind die Verarbeitungsschritte der Vorverarbeitungseinheit auf mindestens zwei räumlich getrennte Vorverarbeitungsmodule aufgeteilt.
Die innerhalb der Vorverarbeitungseinheit 330 ausgeführten Verarbeitungsschritte können analog zu den im Rahmen von Fig. 1 und Fig. 2 diskutierten Ausführungsbeispielen für das erfindungsgemäße Verfahren verschieden realisiert sein.
In dem dargestellten Ausführungsbeispiel umfasst das Bewegungssignal 345 die Mehrzahl der skalaren Produkte P. In einem nicht dargestellten Ausführungsbeispiel umfasst das Bewegungssignal zusätzlich oder alternativ eine basierend auf den skalaren Produkten P berechnete Bewegungskennung. In einem anderen nicht dargestellten Ausführungsbeispiel umfasst das Bewegungssignal zusätzlich die Mehrzahl von mittelwertbefreiten Vektoren V. Fig. 4 zeigt eine schematische Darstellung eines zweiten Ausführungsbeispiels eines tragbaren Gerätes 400 gemäß dem zweiten Aspekt der Erfindung.
Das tragbare Gerät 400 unterscheidet sich von dem in Fig. 3 gezeigten tragbaren Gerät 300 dadurch, dass zwischen der Vorverarbeitungseinheit 430 und der Sendeeinheit 340 einer Klassifikationseinheit 450 angeordnet ist, die mit der Vorverarbeitungseinheit 430 und der Sendeeinheit 340 signaltechnisch verbunden ist.
Die Vorverarbeitungseinheit 430 ist hierbei zusätzlich dazu ausgebildet, die Bewegungskennung basierend auf der Mehrzahl von skalaren Produkten P zu berechnen. Die Bewegungskennung umfasst hierbei eine Summe von Quadraten der skalaren Produkte P und ein Maß für eine aktuelle Bewegungsamplitude basierend auf der Mehrzahl von mittelwertbefreiten Vektoren V.
Die Klassifikationseinheit 450 ist dazu ausgebildet, ein Auswertesignal 455 basierend auf einem Vergleich zwischen der Bewegungskennung und vorbestimmten Bewegungsschwellenwerten zu bestimmen und an die Sendeeinheit 340 auszugeben. Die Sendeeinheit 340 sendet hierbei das Bewegungssignal 345 basierend auf dem Auswertesignal 455 der Klassifikationseinheit 450.
Der Vergleich zwischen Bewegungskennung und vorbestimmten Bewegungsschwellenwerten sowie die Auswahl der vorbestimmten Bewegungsschwellenwerte ist vorliegend im Rahmen einer Random Forrest Klassifikation realisiert. In einem nicht dargestellten Ausführungsbeispiel werden die Bewegungsschwellenwerte aus einer vorbestimmten Gruppe von Bewegungsschwellenwerten ausgewählt, wobei die vorbestimmte Gruppe von Bewegungsschwellenwerten in einem Speicher der Klassifikationseinheit hinterlegt ist.
In dem dargestellten Ausführungsbeispiel bilden Vorverarbeitungseinheit 430 und Klassifikationseinheit 450 separate Einheiten. In einem nicht dargestellten Ausführungsbeispiel werden beide Einheiten von einem gemeinsamen Prozessor gebildet.
Fig. 5 zeigt eine schematische Darstellung eines ersten Ausführungsbeispiels eines Systems 500 gemäß dem dritten Aspekt der Erfindung.
Das erfindungsgemäße System 500 ist ein System zum Erfassen einer Bewegung, insbesondere zum Detektieren einer Atembewegung. Es umfasst das tragbare Gerät 400 gemäß mindestens einem Ausführungsbeispiel gemäß dem zweiten Aspekt der Erfindung und ein Host-Gerät 550.
Vorliegend handelt es sich bei dem tragbaren Gerät im das in Fig. 4 dargestellte tragbare Gerät 400.
Das Flost-Gerät 550 ist dazu ausgebildet, das durch die Sendeeinheit versendete Bewegungssignal 345 über eine Empfangseinheit 560 zu empfangen und basierend auf dem Bewegungssignal 345 ein optisches und/oder akustisches Ausgabesignal 575 über eine Ausgabeeinheit 570 des Flost-Gerätes 550 auszugeben. Die Ausgabeeinheit 570 weist vorliegend eine LED 577 auf, deren optisches Ausgabesignal 575 durch den Zustand gebildet wird, ob die LED 577 leuchtet oder nicht. Vorliegend bedeutet eine leuchtende LED 577, dass keine Bewegung des Bewegungssensors, also insbesondere keine Atmung der untersuchten Person, detektiert wurde. Eine nicht-leuchtende LED 577 gibt an, dass eine Atmung detektiert wird.
Das Flost-Gerät 550 ist vorliegend ein mobiles Gerät mit eigenem Gehäuse 555. In einem nicht dargestellten Ausführungsbeispiel ist das Flost-Gerät ein Mobiltelefon, ein Tablett-PC, ein Notebook oder eine Smartwatch.
Die Übertragung zwischen tragbarem Gerät 400 und Flost-Gerät 550 erfolgt vorliegend über eine kabellose Verbindung, nämlich eine Bluetooth-Verbindung. In einem nicht dargestellten Ausführungsbeispiel erfolgt die Übertragung über eine alternative kabellose Verbindung, wie etwa eine NFC-, eine WLAN-, eine ZigBee-Verbindung oder eine andere Funkverbindung. Fig. 6 zeigt eine schematische Darstellung eines zweiten Ausführungsbeispiels eines Systems 600 gemäß dem dritten Aspekt der Erfindung.
Das erfindungsgemäße System 600 unterscheidet sich von dem in Fig. 5 dargestellten System 500 dadurch, dass das Flost-Gerät 650 weiterhin eine Klassifikationseinheit 660 aufweist. Da das tragbare Gerät 300 mithin keine Klassifikationseinheit benötigt, handelt es sich in dem dargestellten Ausführungsbeispiel um das in Fig. 3 dargestellte tragbare Gerät 300.
Das durch das tragbare Gerät 300 gesendete Bewegungssignal 345 impliziert die Mehrzahl von skalaren Produkten P. Die Klassifikationseinheit 660 ist dazu ausgebildet, aus dem Bewegungssignal 345 die Mehrzahl an skalaren Produkten P zu ermitteln und eine Bewegungskennung basierend auf der Mehrzahl von skalaren Produkten P zu berechnen. Weiterhin ist die Klassifikationseinheit 660 dazu ausgebildet, die Bewegungskennung mit mindestens einem Bewegungsschwellenwert zu vergleichen und anhand dieses Vergleiches ein Auswertesignal 665 auszugeben. Die Ausgabeeinheit 670 ist weiterhin dazu ausgebildet, dass Ausgabesignal 675 abhängig von dem Auswertesignal 665 auszugeben.
In dem dargestellten Ausführungsbeispiel erfolgt die Klassifikation über einen Vergleich von durch die Bewegungskennung induzierten Bewegungskennwerten mit einer Mehrzahl von jeweiligen Bewegungsschwellenwerten. Die Mehrzahl von Bewegungsschwellenwerten wird aus einer Gruppe von vorbestimmten Bewegungsschwellenwerten, die innerhalb eines Speichermoduls 667 der Klassifikationseinheit 660 hinterlegt sind, entsprechend einem Random Forrest Algorithmus ausgewählt und ausgegeben.
In einem nicht dargestellten Ausführungsbeispiel ist die Gruppe von vorbestimmten Bewegungsschwellenwerten auf einem externen Speichergerät außerhalb des erfindungsgemäßen Systems gespeichert. In diesem Ausführungsbeispiel ist das Host-Gerät weiterhin ausgebildet, über eine Anfrageeinheit des Flost-Gerätes die Mehrzahl von Bewegungsschwellenwerten bei dem externen Speichergerät anzufragen, zu empfangen und der Klassifikationseinheit bereitzustellen.
Die Ausgabeeinheit 670 weist als optische Ausgabe für das Ausgabesignal 675 ein Display 677 auf, auf dem ein Ergebnis der Auswertung der Vektordaten des Bewegungssensors angezeigt wird.
Die im Rahmen von Fig. 2 erläuterte Aktivitätserkennung und
Bauchlagendetektion sind in nicht dargestellten Ausführungsbeispielen des tragbaren Geräts gemäß dem zweiten Aspekt der Erfindung und des Systems gemäß dem dritten Aspekt der Erfindung ebenfalls zusammen oder getrennt voneinander realisiert.
Grundsätzlich können Merkmale des erfindungsgemäßen Verfahrens innerhalb von Verarbeitungsschritten des tragbaren Gerätes oder des Systems ebenfalls realisiert sein. Insbesondere führen Vorteile des erfindungsgemäßen Verfahrens dazu, dass das entsprechend betriebene tragbare Gerät oder das entsprechend betriebene System ebenfalls diese Vorteile aufweist.
Bezuqszeichenliste
100, 200 Verfahren
110, 120, 130, 140, 150 Verfahrensschritte
160, 170, 180
215 Aktivitätserkennung
285 Bauchlagendetektion
300, 400 tragbares Gerät
305 Gehäuse des tragbaren Geräts
310 Befestigungsmittel
312 Kleidungsstück
314, 316 Teile einer magnetischen Verbindung 320 Bewegungssensor
330, 430 Vorverarbeitungseinheit
332 Speichermodul der Vorverarbeitungseinheit 340 Sendeeinheit
345 Bewegungssignal
450, 660 Klassifikationseinheit
455, 665 Auswertesignal
500, 600 System
550, 650 Host-Gerät
555 Gehäuse des Host-Geräts
560 Empfangseinheit
570, 670 Ausgabeeinheit
575, 675 Ausgabesignal
577 LED
667 Speichermodul der Klassifikationseinheit 677 Display

Claims

Patentansprüche
1. Verfahren (100) zum Auswerten von mehrdimensionalen Vektordaten eines Bewegungssensors (320), insbesondere zum Detektieren einer
Atembewegung, aufweisend
- Empfangen und Speichern der mehrdimensionalen Vektordaten des Bewegungssensors (320) in einer Zeitreihe;
- Berechnen einer Mehrzahl von mittelfristigen Vektoren V1 durch eine Mittelung der empfangenen Vektordaten über ein jeweiliges vorbestimmtes erstes
Zeitintervall;
- Berechnen einer Mehrzahl von langfristigen Durchschnittsvektoren V2 durch eine Mittelung der empfangenen Vektordaten über ein vorbestimmtes zweites Zeitintervall, das länger als das erste Zeitintervall ist;
- Berechnen und Speichern einer Mehrzahl von mittelwertbefreiten Vektoren V, abhängig von einer Differenz zwischen einem jeweiligen mittelfristigen Vektor V1 aus der Mehrzahl von mittelfristigen Vektoren und einem jeweiligen langfristigen Durchschnittsvektor V2 aus der Mehrzahl von langfristigen Durchschnittsvektoren, basierend auf einer zeitabhängigen Zuordnung zwischen mittelfristigen Vektoren V1 und langfristigen Durchschnittsvektoren V2;
- Ermitteln einer Mehrzahl von Einheitsvektoren E, wobei ein jeweiliger Einheitsvektor in eine Zufallsrichtung ausgerichtet ist, und Zuordnen eines jeweiligen Einheitsvektors E zu einem jeweiligen mittelwertbefreiten Vektor V;
- Berechnen einer Mehrzahl von skalaren Produkten P jeweils aus einem mittelwertbefreiten Vektor V aus der Mehrzahl von mittelwertbefreiten Vektoren
V und dem diesem mittelwertbefreiten Vektor V zugeordneten Einheitsvektor E;
- Berechnen einer Bewegungskennung, die ein Maß für die Atembewegung ist, basierend auf der Mehrzahl von skalaren Produkten P; und
- Bestimmen und Ausgeben eines Auswertesignals (455) basierend auf einem Vergleich zwischen der Bewegungskennung und einem vorbestimmten
Bewegungsschwellenwert.
2. Verfahren (100) gemäß Anspruch 1 , wobei das Bestimmen des Auswertesignals (455) auf einer Klassifikation der Bewegungskennung basiert, die auf einem Vergleich von durch die Bewegungskennung induzierten Bewegungskennwerten mit einer Mehrzahl von jeweiligen
Bewegungsschwellenwerten basiert.
3. Verfahren (100) gemäß Anspruch 2, wobei die Klassifikation der Bewegungskennung auf einem Random Forrest Algorithmus basiert.
4. Verfahren (100) gemäß mindestens einem der vorhergehenden
Ansprüche, wobei das Auswertesignal (455) eine durch eine Atmung verursachte Bewegung des die Vektordaten bereitstellenden Bewegungssensors (320) anzeigt.
5. Verfahren (100) gemäß mindestens einem der vorhergehenden
Ansprüche, wobei die Berechnung der Bewegungskennung auf einer Summe aus quadrierten skalaren Produkten basiert.
6. Verfahren (100) gemäß mindestens einem der vorhergehenden
Ansprüche, wobei die zeitabhängigen Zuordnung zwischen mittelfristigen Vektoren V1 und langfristigen Durchschnittsvektoren V2 derart erfolgt, dass das für die Berechnung des jeweiligen mittelfristigen Vektors V1 genutzte erste Zeitintervall im Wesentlichen innerhalb des für die Berechnung des jeweiligen langfristigen Durchschnittsvektors V2 genutzten zweiten Zeitintervalls liegt.
7. Verfahren (100) gemäß mindestens einem der vorhergehenden
Ansprüche, wobei das Verfahren zum Auswerten von Sensordaten, nach dem Empfangen und Speichern der mehrdimensionalen Vektordaten, in einem zusätzlichen Verfahrensschritt (215) eine auf den mehrdimensionalen Vektordaten basierende Aktivitätserkennung (215) umfasst, wobei die weiteren Verfahrensschritte nur ausgeführt werden, wenn ein durch die Aktivitätserkennung (215) ausgegebener Aktivitätskennwert kleiner als ein vorbestimmter Aktivitätsschwellenwert ist.
8. Verfahren (100) gemäß mindestens einem der vorhergehenden
Ansprüche, weiterhin aufweisend ein Auswählen des Bewegungsschwellenwerts oder einer für das Bestimmen des Auswertesignals verwendeten Mehrzahl von Bewegungsschwellenwerten aus einer vorbestimmten Gruppe von Bewegungsschwellenwerten, wobei das Auswahlen abhängig ist von einem Auswerten einer Komponente der mehrdimensionalen Vektordaten, insbesondere von einem Ausgabesignal einer Bauchlagendetektion (285).
9. Verfahren (100) gemäß Anspruch 8, wobei das Auswählen abhängig ist von einem Auswerten einer z-Komponente der mehrdimensionalen Vektordaten, wobei die z-Komponente während eines Beginns einer Datenaufnahme durch den Bewegungssensor (455) im Wesentlichen in Richtung der auf den Bewegungssensor (455) wirkenden Schwerkraft auszurichten ist, und wobei das Auswerten der z-Komponente auf einem Vergleich zwischen einer auf die z- Komponente wirkenden Beschleunigungskraft und einem an der Schwerkraft orientierten, vorbestimmten Beschleunigungsschwellenwert basiert.
10. Tragbares Gerät (300) zum Erfassen einer Bewegung, insbesondere zum Detektieren einer Atembewegung, mit
- einem Befestigungsmittel (310), das dazu ausgebildet ist, das tragbare Gerät (300) an einem Kleidungsstück (312) eines Trägers des tragbaren Geräts (300) zu befestigen;
- einem Bewegungssensor (455), der ausgebildet ist, abhängig von einer Bewegung des tragbaren Gerätes (300) mehrdimensionale Vektordaten zu erzeugen, die eine Richtung und eine Amplitude der Bewegung des tragbaren Geräts (300) implizieren, und diese mehrdimensionalen Vektordaten in einer Zeitreihe auszugeben;
- einer Vorverarbeitungseinheit (330), die mit dem Bewegungssensor (455) signaltechnisch verbunden ist, und die dazu ausgebildet ist, die mehrdimensionalen Vektordaten zu empfangen und in einem Speichermodul der Vorverarbeitungseinheit (332) zu speichern, und die weiterhin ausgebildet ist,
- eine Mehrzahl von mittelfristigen Vektoren V1 durch eine Mittelung der empfangen Vektordaten über ein jeweiliges vorbestimmtes erstes Zeitintervall, zu berechnen, - eine Mehrzahl von langfristigen Durchschnittsvektoren V2 durch eine Mittelung der empfangenen Vektordaten über ein vorbestimmtes zweites Zeitintervall, das länger als das erste Zeitintervall ist, zu berechnen,
- eine Mehrzahl von mittelwertbefreiten Vektoren V, abhängig von einer Differenz zwischen einem jeweiligen mittelfristigen Vektor V1 aus der Mehrzahl von mittelfristigen Vektoren und einem jeweiligen langfristigen Durchschnittsvektor V2 aus der Mehrzahl von langfristigen Durchschnittsvektoren, basierend auf einer zeitabhängigen Zuordnung zwischen mittelfristigen Vektoren V1 und langfristigen Durchschnittsvektoren V2 zu berechnen und in dem Speichermodul (332) zu speichern,
- eine Mehrzahl von Einheitsvektoren E zu ermitteln, wobei ein jeweiliger Einheitsvektor E in eine Zufallsrichtung ausgerichtet ist, und einen jeweiligen Einheitsvektors E zu einem jeweiligen mittelwertbefreiten Vektor V zuzuordnen, und wobei die Vorverarbeitungseinheit (330) weiterhin dazu ausgebildet ist,
- eine Mehrzahl von skalaren Produkten P jeweils aus einem mittelwertbefreiten Vektor V aus der Mehrzahl von mittelwertbefreiten Vektoren und dem diesem mittelwertbefreiten Vektor V zugeordneten Einheitsvektor E zu berechnen;
- einer Sendeeinheit (340), die mit der Vorverarbeitungseinheit (330) zumindest indirekt signaltechnisch verbunden ist, und die ausgebildet ist, ein Bewegungssignal (345) zu senden, das auf der Mehrzahl von skalaren Produkten P basiert.
1 1 . Tragbares Gerät (300) gemäß Anspruch 10, wobei die Vorverarbeitungseinheit (330) weiterhin dazu ausgebildet ist, eine Bewegungskennung, die ein Maß für die Atembewegung ist, basierend auf der Mehrzahl von skalaren Produkten P zu berechnen.
12. Tragbares Gerät (300) gemäß Anspruch 1 1 , wobei das tragbare Gerät (300) weiterhin eine Klassifikationseinheit (450) aufweist, die mit der Vorverarbeitungseinheit (330) signaltechnisch verbunden ist, und die dazu ausgebildet ist, ein Auswertesignal (455) basierend auf einem Vergleich zwischen der Bewegungskennung und einem vorbestimmten Bewegungsschwellenwert zu bestimmen und an die Sendeeinheit (340) auszugeben.
13. System (500) zum Erfassen einer Bewegung, insbesondere zum Detektieren einer Atembewegung, aufweisend
- ein tragbares Gerät (300) gemäß mindestens einem der Ansprüche 10 bis 12, und
- ein Host-Gerät (550), das dazu ausgebildet ist, das durch die Sendeeinheit (340) versendete Bewegungssignal (345) zu empfangen und basierend auf dem Bewegungssignal (345) ein optisches und/oder akustisches Ausgabesignal (575) über eine Ausgabeeinheit (570) des Host-Gerätes (550) auszugeben, wobei das Ausgabesignal (575) eine durch eine Atmung verursachte Bewegung des tragbaren Gerätes (300) impliziert.
14. System (500) gemäß Anspruch 13, wobei das tragbare Gerät (300) gemäß Anspruch 10 oder 1 1 ausgebildet ist, und wobei das Host-Gerät (550) weiterhin eine Klassifikationseinheit (660) aufweist, die dazu ausgebildet ist, die Mehrzahl an skalaren Produkten P aus dem Bewegungssignal (345) zu ermitteln, eine Bewegungskennung basierend auf der Mehrzahl von skalaren Produkten P zu berechnen, und ein Auswertesignal (455) basierend auf einem Vergleich zwischen der Bewegungskennung und einem vorbestimmten Bewegungsschwellenwert zu bestimmen und auszugeben, wobei das optische und/oder akustische Ausgabesignal (575) abhängig ist von dem Auswertesignal (455).
15. System (500) gemäß Anspruch 14, wobei das Bestimmen des
Auswertesignals (455) auf einer Klassifikation der Bewegungskennung basiert, die auf einem Vergleich von durch die Bewegungskennung induzierten Bewegungskennwerten mit einer Mehrzahl von jeweiligen
Bewegungsschwellenwerten, insbesondere auf einem Random Forrest Algorithmus, basiert.
16. System (500) gemäß Anspruch 15, wobei die Mehrzahl von jeweiligen Bewegungsschwellenwerten eine vorbestimmte Mehrzahl von Bewegungsschwellenwerten umfasst, die in einem externen Speichergerät außerhalb des Systems (500) gespeichert ist, und wobei das Host-Gerät (550) weiterhin eine Anfrageeinheit aufweist, die dazu ausgebildet ist, die Mehrzahl von Bewegungsschwellenwerten bei dem externen Speichergerät über eine Funkverbindung zwischen dem Speichergerät und der Anfrageeinheit anzufragen, zu empfangen und der Klassifikationseinheit (660) bereitzustellen.
PCT/EP2019/057974 2019-01-30 2019-03-29 Verfahren, tragbares gerät und system zum auswerten von vektordaten WO2020156686A1 (de)

Priority Applications (2)

Application Number Priority Date Filing Date Title
US17/426,997 US20220142506A1 (en) 2019-01-30 2019-03-29 Process, portable device and system for analyzing vector data
CN201980090900.0A CN113728395B (zh) 2019-01-30 2019-03-29 用于评估矢量数据的方法、便携式设备和系统

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102019000608.9A DE102019000608A1 (de) 2019-01-30 2019-01-30 Verfahren, tragbares Gerät und System zum Auswerten von Vektordaten
DE102019000608.9 2019-01-30

Publications (1)

Publication Number Publication Date
WO2020156686A1 true WO2020156686A1 (de) 2020-08-06

Family

ID=65995746

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2019/057974 WO2020156686A1 (de) 2019-01-30 2019-03-29 Verfahren, tragbares gerät und system zum auswerten von vektordaten

Country Status (4)

Country Link
US (1) US20220142506A1 (de)
CN (1) CN113728395B (de)
DE (1) DE102019000608A1 (de)
WO (1) WO2020156686A1 (de)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3973866A1 (de) * 2020-09-25 2022-03-30 Koninklijke Philips N.V. Prozessor und verfahren zur bestimmung einer atemfrequenz
CN115590505B (zh) * 2022-12-15 2023-03-14 楠楠聚智信息科技有限责任公司 一种智能运动监测装置数据异常分析方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090062628A1 (en) * 2005-05-18 2009-03-05 Matsushita Electric Works, Ltd. Sleep diagnosis device
US20120065524A1 (en) * 2009-06-05 2012-03-15 Koninklijke Philips Electronics N.V. Motion determination apparatus
WO2018222291A1 (en) * 2017-05-30 2018-12-06 Qualcomm Incorporated Heart rate determination in power-constrained environment

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6580944B1 (en) * 2000-11-28 2003-06-17 The United States Of America As Represented By The Secretary Of The Navy Method and apparatus for diagnosing sleep breathing disorders while a patient in awake
FR2836049B1 (fr) * 2002-02-15 2004-12-24 Ela Medical Sa Dispositif medical actif, notamment stimulateur cardiaque, comprenant des moyens perfectionnes de detection et de traitement des troubles ventilatoires du sommeil
US7844317B2 (en) * 2003-11-26 2010-11-30 General Electric Company Method and system for estimating three-dimensional respiratory motion
US20100076061A1 (en) * 2008-04-30 2010-03-25 University Of Iowa Research Foundation Repeated administration of lentiviral vectors to respiratory cells
US8409108B2 (en) * 2009-11-05 2013-04-02 Inovise Medical, Inc. Multi-axial heart sounds and murmur detection for hemodynamic-condition assessment
JP5797208B2 (ja) * 2010-02-11 2015-10-21 コーニンクレッカ フィリップス エヌ ヴェ 呼吸信号を決定するための方法と装置
EP3030148B1 (de) * 2013-08-09 2019-03-27 Koninklijke Philips N.V. Verarbeitungsvorrichtung und verarbeitungsverfahren zum bestimmen eines atemsignals einer testperson
CN106470598B (zh) * 2014-07-01 2020-03-10 心脏起搏器股份公司 用于检测医疗治疗的系统
TW201612845A (en) * 2014-08-28 2016-04-01 Resmed Ltd Method, system and apparatus for diagnosis, monitoring and treatment of respiratory disorders

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090062628A1 (en) * 2005-05-18 2009-03-05 Matsushita Electric Works, Ltd. Sleep diagnosis device
US20120065524A1 (en) * 2009-06-05 2012-03-15 Koninklijke Philips Electronics N.V. Motion determination apparatus
US9510775B2 (en) 2009-06-05 2016-12-06 Koninklijke Philips N.V. Motion determination apparatus
WO2018222291A1 (en) * 2017-05-30 2018-12-06 Qualcomm Incorporated Heart rate determination in power-constrained environment

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
BREIMANN, L.: "Machine Learning", vol. 45, 2001, KLUWER ACADEMIC PUBLISHERS, article "Random Forrests", pages: 5 - 32
PHAN DUY HUNG: "Estimating respiration rate using an accelerometer sensor", PROCEEDINGS OF THE 8TH INTERNATIONAL CONFERENCE ON COMPUTATIONAL SYSTEMS-BIOLOGY AND BIOINFORMATICS , CSBIO '17, 7 December 2017 (2017-12-07) - 8 December 2017 (2017-12-08), New York, New York, USA, pages 11 - 14, XP055627625, ISBN: 978-1-4503-5350-2, DOI: 10.1145/3156346.3156349 *
SAJJAD HOSSAIN H M ET AL: "An Active Sleep Monitoring Framework Using Wearables", ACM TRANSACTIONS ON INTERACTIVE INTELLIGENT SYSTEMS (TIIS), ACM, 2 PENN PLAZA, SUITE 701 NEW YORK NY 10121-0701 USA, vol. 8, no. 3, 13 July 2018 (2018-07-13), pages 1 - 30, XP058410297, ISSN: 2160-6455, DOI: 10.1145/3185516 *
XIAO SUN ET AL: "SleepMonitor : Monitoring Respiratory Rate and Body Position During Sleep Using Smartwatch", PROCEEDINGS OF THE ACM ON INTERACTIVE, MOBILE, WEARABLE AND UBIQUITOUS TECHNOLOGIES, vol. 1, no. 3, 11 September 2017 (2017-09-11), pages 1 - 22, XP055627921, DOI: 10.1145/3130969 *

Also Published As

Publication number Publication date
CN113728395B (zh) 2024-04-12
US20220142506A1 (en) 2022-05-12
DE102019000608A1 (de) 2020-07-30
CN113728395A (zh) 2021-11-30

Similar Documents

Publication Publication Date Title
DE102017204628B4 (de) Schlafzustandsvorhersagevorrichtung
DE112016005965B4 (de) Vorrichtung zur überwachung unbeaufsichtigter objekte, mit derselben versehenes system zur überwachung unbeaufsichtigter objekte und verfahren zur überwachung unbeaufsichtigter objekte
DE102007038392B4 (de) Vorrichtung und Verfahren zur Vorhersage eines Kontrollverlustes über einen Muskel
EP2569953B1 (de) Optische selbstdiagnose eines stereoskopischen kamerasystems
DE112014002347T5 (de) Ganghaltungsmesser und Programm
DE112015006877B4 (de) Verhaltens-Identifizierungseinrichtung, Klimaanlage und Robotersteuerung
DE102019113830A1 (de) Informationsverarbeitungsverfahren, Informationsverarbeitungsgerät und Programm
WO2020156686A1 (de) Verfahren, tragbares gerät und system zum auswerten von vektordaten
DE102014217504A1 (de) Zonenbasierte Ortung in einem Nahfeld-Suchraumbereich
DE102014002172A1 (de) Überwachungsmonitor zur elektronischen Überwachung von Sensorsignalen im Rahmen eines Sepsismonitorings, sowie ein entsprechendes Verfahren
DE102018004119A1 (de) Verfahren zur Erzeugung von Erinnerungsmeldungen oder Warnhinweisen aufgrund der Ähnlichkeit einer beliebigen Bewegung zu einer beliebigen, aufgezeichneten Referenzbewegung
EP3748536A1 (de) System und verfahren zur automatischen erkennung von gefährdungssituationen
DE102015208771B3 (de) Vorrichtung und Verfahren zur Diebstahlerkennung
EP3467722B1 (de) Konfiguration einer kraftfahrzeug-fahrerassistenzvorrichtung mit einem neuronalen netzwerk im laufenden betrieb
DE102017219269A1 (de) Klassifizierung mit automatischer Auswahl aussichtsreicher Lerndaten
DE102017221852A1 (de) System und Verfahren zum Überwachen einer Arbeitssituation
EP3273418A1 (de) Mehrstufiges totmann-alarmsystem und -verfahren
EP2359308A1 (de) Vorrichtung zur erzeugung und/oder verarbeitung einer objektsignatur, überwachungsvorrichtung, verfahren und computerprogramm
WO2019042689A1 (de) Personenerkennung in bereichen mit eingeschränkter datenübertragung und datenverarbeitung
DE102019006326A1 (de) System und Verfahren zur Überwachung einer Lagesicherheit
EP2284576B1 (de) Verfahren und System zur Vorhersage von Ereignissen
EP2196086A1 (de) Einrichtung zur Überwachung von Großtieren
DE102018117484A1 (de) Verfahren und Vorrichtung zur Erfassung von Herzflimmern basierend auf einem hochempfindlichen Photopletysmogramm unter Verwendung einer tragbaren Vorrichtung
DE102017125089A1 (de) Alarmkontrollierungsverfahren und Vorrichtung für Patientenmonitor und adaptives Alarmierungsverfahren für einen Patientenmonitor
DE202018006488U1 (de) System zur Ereigniserkennung

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19714642

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19714642

Country of ref document: EP

Kind code of ref document: A1