Die Fähigkeit Vitalparameter zu erfassen und in der Folge den kognitiven Zustand zu klassifizieren, öffnet Türen zu neuen Technologien in verschiedenen Gebieten wie Medizintechnik, Automatisierung, Luft- und Raumfahrt sowie im Bereich von Fitness und Wellness. TROUT hat bei Entwicklungen für die Automobil- und Medizintechnik, die auf maschinellem Lernen und den Einsatz von KI (Künstliche Intelligenz) basieren, weitreichende Kenntnisse in der biometrischen Datenverarbeitung erworben.

Durch Variationen im Herzschlag kann der Organismus optimal auf wechselnde endogene und exogene Einflüsse reagieren und so die aktuellen Bedürfnisse der Blutversorgung regulieren. Die Herzratenvariabilität (HRV) liefert nicht nur Informationen über den Belastungsgrad des kardiovaskulären Systems, sondern auch über die Qualität seiner Regulation. Die zur Bestimmung der HRV notwendige Datenerfassung hat sich in den letzten Jahren durch immer kleinere Messinstrumente bei niedrigeren Kosten etabliert. Ebenso ist es hier gelungen, die Auswerteeinheit in einem Embedded Rechnersystem unterzubringen.

Testfahrt am Simulator bei Maischberger

Projekt Team

Hessenschau

Maischberger

Werden nun im Weiteren auch Informationen über die Aktivitäten des Individuums berücksichtigt, die mit seinen Vitaldaten korrelieren, und beide Datenströme mit einer Kombination aus einem physiologischen Modell und verschiedenen Machine-Learning-Verfahren verarbeitet, so können sehr gute Ergebnisse im Hinblick auf den kognitiven Zustand des Individuums wie Stressniveau und Müdigkeit erzielt werden.

In einer fortlaufenden Studie wird der Proband einer Fahrsimulation unterzogen. Sie beginnt mit einer Entspannungsübung, die dem Probanden für die Erreichung seines Ruhepulses dient. Dann führt die Simulation über eine Landstraße, bevor sie in den Berufsverkehr einer Großstadt eintritt. Es warten Herausforderungen wie Autos auf der falschen Straßenseite oder Kinder, die hinter parkenden Autos herauslaufen. Zur Erhöhung des Stresslevels wird nach einigen Minuten ein mathematischer Test gestartet. Falsche Antworten werden protokolliert und ein Summersignal aktiviert.

Der innovative Ansatz bei der beschriebenen Klassifizierung des kognitiven Zustands einer Person ist die Kombination eines physiologischen Modells mit unterschiedlichen maschinellen Lernverfahren. Zur Ermittlung eines Stressindex (SI), ein in der Weltraummedizin etablierter HRV (Herzratenvariabilitäts)-Parameter von Bayevski, werden innerhalb von zeitlich variablen Fenstern werden folgende Merkmale berechnet:

Die Herzrate in Schläge pro Minute, das Minimum, das Maximum und die Standardabweichung der Herzraten Variabilität, die Quadratwurzel der mittleren quadratischen Abstände aufeinanderfolgender RR-Intervalle sowie das Verhältnis von kürzer werdenden zu länger werdenden RR-Intervallen. Des Weiteren wird eine Fouriertransformation auf den Werten den genannten Werten berechnet.

Um bei der Klassifikation der Daten bestmögliche Ergebnisse zu erzielen, werden mehrere Algorithmen betrachtet und anschließend deren Resultate anhand des F1-Scores verglichen. Folgende Klassifikationsverfahren werden verwendet: Gaussian Naive Bayes (GNB), KNN-Klassifikator, Decision Tree (DT), Random Forest (RF), Support Vector Machine (SVM), Neuronales Netz/ Multilayer Perceptron (MLP) und ein Klassifikator auf Basis eines Gaußschen Mischmodells (GMM).

Herzfrequenz basierend auf der Ruheherzfrequenz (grün), Verhältnis von Puls erhöht zu Puls verringert sich (blau), HRV – Herzfrequenzvariabilität (hellgrün), Ereignismarker (rot), berechneter Stresslevel (gelb) auf einer relativen Skala von 0 (keine Anspannung) bis 7 (maximale Anspannung) auf der Ordinate zeigt die Abszisse die Zeit in Sekunden.