Vitaldaten-Erfassung
KI für vitale und kognitive Parameter
Die Erfassung und Klassifizierung von vitalen und kognitiven Parametern des Menschen ist in vielen Bereichen wirkungsvoll sowie sinnvoll nutzbar und eröffnet neue Möglichkeiten, zum Beispiel in der Medizintechnik, Automotive/Automatisierung sowie Luft-und Raumfahrt.
Manuelle Tätigkeiten werden im Zuge des technischen Fortschritts zunehmend durch automatisierte Assistenzsysteme unterstützt oder ersetzt. Zukünftig wird die Erkennung wichtiger Bestandteil automatisierter Systeme sein, die eine Zustandsklassifizierung des Menschen notwendig erscheinen lassen. Dementsprechend entwickelt das Unternehmen Trout, Kassel, in verschiedenen Projekten Systeme, die eine automatische Erkennung des Nutzerzustands zum Ziel haben.
Infolge von Entwicklungen für die Märkte Automotive und Medizintechnik hat Trout umfangreiche Kompetenzen auf dem Gebiet der komplexen Datenverarbeitung erworben, speziell für Verfahren des maschinellen Lernens und der künstlichen Intelligenz (KI). So wurden für die Verarbeitung von Messdaten für die nicht-invasive Blutzuckerbestimmung beim Menschen »Künstliche Neuronale Netze« (KNN) angewendet. Das Verfahren ist in [1] ausführlich beschrieben. Neben den künstlichen neuronalen Netzen beschäftigt sich das Unternehmen in einem neuen Projekt: mit »Convolutional Neural Networks«, einer Weiterentwicklung der KNN. Für ein weiteres Projekt (Automotive) wurden anlässlich einer umfassenden Untersuchung zur Nutzerzustandserkennung ebenfalls Werkzeuge der KI für die Verarbeitung der erfassten Daten verwendet.
Anforderungen und Ziele
Um Anforderungen aus dem Bereich Automotive zu genügen, wurde ein F&E-Projekt zur Bewertung vitaler und kognitiver Parameter des Menschen gestartet:
- Der Informationsgehalt der vorliegenden vitalen Daten des Menschen ist anhand einer Auswerte- und Entscheidungsmatrix auf Nutzbarkeit zu bewerten.
- Die relevanten vitalen und daraus abgeleiteten kognitiven Parameter sind in den vorgegebenen Dimensionen zu klassifizieren.
- Eine Vorhersage anhand von Probandenwertungen muss zu mindestens 80 Prozent zutreffen.
- Die zu entwickelnden Verfahren des maschinellen Lernens haben mit hoher Treffsicherheit und innerhalb kürzester Zeit die maximal relevanten Parameter zu erkennen und diese für den Klassifizierungs-Algorithmus zu verarbeiten.
- Das System hat aus einer Gruppe von Personen gemäß der klassifizierten vitalen und kognitiven Parameter die bewertete Person mit hoher Wahrscheinlichkeit zu erkennen.
- Eine Online-Lernfähigkeit (Closed Loop) der Verfahren zum maschinellen Lernen ist zu integrieren.
- Ziel ist die Entwicklung eines funktionalen Prototyps mit verteilter Hard- und Software-Umgebung.
- Alle Ergebnisse sind über Testreihen mit Probanden zu evaluieren.
Ein weiteres Ziel des F&E-Projektes war der Aufbau eines Fahrerzustands-Managements mittels Klassifikation des emotionalen und mentalen Zustands sowie bedarfsgerechter und zielgerichteter Beeinflussung für einen optimalen Zustand.
Die für die Datenverarbeitung entwickelte künstliche Intelligenz nutzt unter anderem das mathematische Verfahren der »Random Forrests« – ein Verfahren für die Klassifikation und Regression von Daten. Anstelle kompletter Datensätze werden lediglich Lernstichproben genutzt. An jedem Knoten erfolgt nur eine zufällige Auswahl von Einflussvariablen [2]. Die Verarbeitung ist so aufgebaut, dass innerhalb einer vorgegebenen Zeitspanne die relevanten Parameter bestimmt und verarbeitet werden können. Mit maschinell lernenden Algorithmen werden in den erhobenen physiologischen Daten und den Bilddaten relevante Muster erkannt. Aus diesen Mustern wird der Fahrerzustand in den Dimensionen kognitive Belastung, Arousal, Valenz und Vigilanz mehrstufig klassifiziert.
Die kognitive Belastung (mental oder cognitive workload) beschreibt nach [3] die Gesamtheit aller erfassbaren Einflüsse, die von außen auf den Menschen zukommen und psychisch auf ihn einwirken. Psychische Belastungen wirken ausgehend von einer Situation auf den Menschen und beanspruchen seine Ressourcen. Der Begriff der Belastung beschreibt demnach eine Eigenschaft von Situationen und nicht von Personen oder den Intensitätsaspekt der menschlichen Informationsverarbeitung, abhängig von der Komplexität der Aufgabe und den individuellen Leistungs-voraussetzungen.
Arousal ist der allgemeine Grad der Aktivierung des zentralen Nervensystems beim Menschen, auch Aufmerksamkeitsvermögen oder allgemeiner Zustand diffuser kortikaler Anregung, der auf sensorische Stimulation folgt. Valenz ist im konkreten Zusammenhang die Wertigkeit, die dazu führt, dass ein Mensch das Verhalten verändert. Die Vigilanz, auch Vigilität oder Wachheit, bezeichnet Zustände andauernder Aufmerksamkeit bei eintöniger Reizfrequenz (z. B. versierter Autofahrer auf Autobahn).
Zur Unterstützung der Entwicklung eines mehrstufigen Algorithmus wurde eine Analyse-Applikation entwickelt, die Daten visualisiert sowie augenscheinliche Auffälligkeiten findet und bewertet. Gleichfalls erfolgen die Normierung und Glättung der Daten mit verschiedenen Filtern und Auswertefunktionen für eine Plausibilitätskontrolle. Mit fachlicher und wissenschaftlicher Unterstützung aus der Medizin, insbesondere über ein Herz- und Kreislaufzentrum, wurden in der Folge die grundlegenden Annahmen verifiziert und weitere Optimierungen vorgenommen. Die weitere Filterung der Daten mit dem höchsten Informationsgehalt in den Dimensionen kognitive Belastung, Arousal, Valenz und Vigilanz über KI-Werkzeuge für eine mehrstufige Klassifizierung ergab schließlich die gewünschten und qualitativen Ergebnisse, die einer Evaluierung unterzogen wurden.
- KI für vitale und kognitive Parameter
- Projekt »VitaB«
