Non-contact vital sensor technology for care - De Gruyter
←
→
Page content transcription
If your browser does not render page correctly, please read the page content below
Abstracts – BMT 2021 – Hannover, 5 – 7 October • DOI 10.1515/bmt-2021-6070 Biomed. Eng.-Biomed. Tech. 2021; 66(s1): S423–S427 • © by Walter de Gruyter • Berlin • Boston S423 Non-contact vital sensor technology for care Christian Wiede, Fraunhofer Institute for Microelectronic Circuits and Systems, Duisburg, Germany, chris- tian.wiede@ims.fraunhofer.de Karsten Seidl, Fraunhofer Institute for Microelectronic Circuits and Systems, Duisburg, Germany and Department of Electronic Components and Circuits and Center for Nanointegration Duisburg-Essen (CENIDE), University of Duisburg- Essen, Duisburg, Germany, karsten.seidl@ims.fraunhofer.de Introduction Vital signs are an important indicator of a person's state of health. A disturbance can result in serious illnesses. Conven- tional methods such as ECG or pulse oximetry have the disadvantage of being contact-based. In addition to low comfort when worn, this poses a problem for people with sensitive skin, such as newborns or the elderly. One solution is optical contactless vital sign measurement. We are presenting an overview and our lastest research for the most accurate and fastest possible detection of these vital signs in different wavelength ranges and quantifies them using machine learning methods. The use of contactless vital parameter sensors offers considerable benefits, particularly for use in nursing sce- narios and care facilities. Methods The following vital signs are scientifically examined: heart rate, respiration rate, oxygen saturation and blood pressure. Our approach to non-contact measurement uses camera-based photoplethysmography (PPG). The physical basis of this technique is the different absorption or reflection spectra of human skin. By measuring and analyzing the time course of color, spectral and temperature values of the human skin, various vital parameters can be determined. The heart rate is measured using color image analysis and extraction and filtering of PPG signals. Through in-depth analysis of RGB (red, green, blue) PPG signals, the oxygen saturation can also be determined without contact. For determining the respiratory rate, intelligent image processing analyses the movement of the chest and filters out the signal of respiratory movement. Latest research includes the determination of the blood pressure. Results We successfully determined and evaluated the heart rate and respiration rate in clinical and care environment. The hospital staff can then make an assessment of the patient based on the displayed values. In particular, the use of neural networks allows to detect critical conditions and changes over time. Conclusion Contactless vital sign measurement offers considerable added value for use in care. In particular, integration into nursing robots is a promising approach. Nursing staff are thus relieved of routine tasks. By using artificial intelligence, critical conditions can be detected and changes over time can be analyzed.
Abstracts – BMT 2021 – Hannover, 5 – 7 October • DOI 10.1515/bmt-2021-6070
Biomed. Eng.-Biomed. Tech. 2021; 66(s1): S423–S427 • © by Walter de Gruyter • Berlin • Boston S424
FA GiAS Fokus-Session: „Smart Health & Care“
Hygiene- und Risikomanagement mit intelligenten Assistenzsystemen am Beispiel
eines Yogastudios
Prof. Dr. Kurt Becker,
Vize Präsident Forschung, Apollon Hochschule der Gesundheitswirtschaft
Abstract:
Die aktuelle corona-Pandemie mit den diversen Wellen und ad-hoc Schließungen von
Yogastudios stellt besondere Anforderungen an das Hygiene- und Risikomanagement.
Neben den notwendigen Regelungen für den Zutritt zu den Yogakursangeboten für
genesene, geimpfte und getestete TeilnehmerInnen müssen auch während des Betriebs
umfassende Maßnahmenpakete implementier und betrieben werden.
Dazu gehören neben der regelmäßigen Desinfektion der Infrastruktur auch die
kontinuierliche Überwachung der Luftqualität und die situationsbedingte Zuschaltung von
Lüftungsanlagen bzw. Zwangslüftung durch automatisierte Öffnung von Fenstern und / oder
Türen. Vorgestellt wird ein umfassendes Konzept zur:
Verringerung/Vermeidung von Gefährdungen durch die Gebäudestruktur
Sicherstellung des Infektionsschutzes innerhalb der Einrichtung
Einbeziehung digitaler Lösungen zur Gefährdungsminimierung.
Hierbei verfolgt das Hygiene- und Risikomanagementkonzept das Ziel, die bestehenden
Risiken bei Normal- und Pandemiebetrieb auf ein vertretbares Restrisiko zu senken.
Durch das Ergreifen geeigneter Maßnahmen wird sichergestellt, dass alle gesetzlichen
Anforderungen zum Schutz der Gesundheit umgesetzt werden und den TeilnehmerInnen ein
sicherer Rückzugsort zur Regeneration zur Verfügung steht.
Folgende Aspekte werden im vorgestellten Konzept berücksichtigt:
Gesetzliche Anforderungen an das Hygiene- und Risikomanagement
Gesetzliche und pandemiebedingte Anforderungen an das Hygienemanagement
Planung von Prozessen und Maßnahmen zum Umgang mit Risiken
Festlegung von Eintrittswahrscheinlichkeiten und zum Schweregraden von Risiken
Überführung in eine Risiko-Level-Matrix
Maßnahmen zur Risikobeherrschung mit intelligenten Assistenzsystemen.Abstracts – BMT 2021 – Hannover, 5 – 7 October • DOI 10.1515/bmt-2021-6070 Biomed. Eng.-Biomed. Tech. 2021; 66(s1): S423–S427 • © by Walter de Gruyter • Berlin • Boston S425 Integration of Intelligent Assistance Systems Uwe Tronnier, Prof. Dr.-Ing. (Fachbereich Informatik und Mikrosystemtechnik, Hochschule Kaiserslautern), Zweibrücken, Germany, uwe.tronnier@hs-kl.de Introduction Implementation of maschine learning based health assistance systems needs large amout of highly personalizes health data as a learning base. On the oposit there exists several obstancles gathering such databases. First, personal health data has to be handled with special care in order to comply the European General Data Protection Regulation. Second, to gather personal health data a technical platform has to be used. Such plattforms may vary form closed hospital based systems to network plattforms like Google Health. Third, to avoid bias of the learning phase, it is extremely worthy to have widest possible range of data gathering across institutions / countires / etnic groups etc. Bundeling these three points, it becomes obvious that standardisation of data is the major rule player, when building data plattforms for mas- chine learing. Methods During the last 5 years the author contributed in the definition of the Imaging Agent Administration Structured Report- ing (IAASR) as a part of the DICOM standard. This standard was introduced to describe a closed loop scenario when using contrast in radiology examinations, which is not the case nowerdays: First, a prescription for examination and contrast is made by the radiologist in a paper process or verbally. Second, when examination is performed the applica- tion of radiation dose and contrast shall be documented. State of the art is to document radiation dose in a digital way, but not contrast. When done contrast is documented in a book at the scanner site. IAASR improves this situation. Any kind of contrast application either manual or automated by contrast injectors can be documented in a standartizied scheme. These documents could be stored by the same systems as used for image archiving, so no additional technolog- ical platform is needed. The so called Perforned IAASR objects are fully maschine readable and could be used for mas- chine learning either directly or transformed as DICOM AI objects. Configured ML systems can be used to support ra- diologist in better decision making, when specifying examination and contrast usage for further patients, especially for patients with allergic risks or nephrological deseases. Specifying such better decisions is also supported by IAASR as the IAASR Plan objects. As these objects are also digital the can be loaded into automated injector systems and avoid errors in programming these devices. IAASR Plans fully describe the contrast applications and, because of being an in- tegral part of the DICOM standard, could be recalled when a scheduled examination will take place, because of using the same indexing strategies as used within the radiological workflow (Medical Work List). Configuration data could be loaded into injectors of different manufacturers since the use of a vendor independent protocol specified by the CANo- pen standard. But putting this described scenario into work needs to define one more thing: the integration of the standards and the use of the objects within use cases in a system. As the result of the work of the last three month the author was asked to contribute also to the IHE specification of the Contrast Adminstration Management (CAM) Profile, which describes roles used protocols and minnimal needed data to put creation, storage and retrival of Performed IAASR objects into work. The technical implemantaion is currently under way. Results IAASR specification definies a standardized way for documentation of contrast application in radiology. As a base specification it allows vendor independent data aggregation for ML algorithms to be appied. When trained such algo- rithms could specify (better) contrast applications to (risk) patients by IAASR Plans. A vertical prototype for an Per- formed IAASR Contrast Information Creator was build and also first contrast injector products are on the way. In future the whole loop will be based on digital structuered information. Putting this all to work additional work has to be done in order to define workflows for these new objects within the radiological IHE model. With the publication of the CAM document for technical trial implementation This phase is now under work. Conclusion Standards are extremely usefull when specifying system in multi vendor situations. They are necessary, when building large databases for ML applications. Relying on existing standards and integration plattforms helps to assure requierments to data safty and compatibility to existing systems.
Abstracts – BMT 2021 – Hannover, 5 – 7 October • DOI 10.1515/bmt-2021-6070 Biomed. Eng.-Biomed. Tech. 2021; 66(s1): S423–S427 • © by Walter de Gruyter • Berlin • Boston S426 KI in der Pflege Thomas Wittenberg, Fraunhofer-Institut für Integrierte Schaltungen IIS, thomas.wittenberg@iis.fraunhofer.de Im Kontext des aktuell vorhandenen und weiter steigenden Mangels an professionellen Pflege- und Pflegehilfskräften in der stationären und ambulanten Umgebung, und der damit verbunden zunehmenden Arbeitsbelastung dieser Branche ergibt sich ein sogenannter „kognitiver Workload“, der auf Dauer kritisches Denken und somit reflektiertes und sicheres Handeln erschwert. Somit besteht ein akuter Bedarf an geeigneten technischen KI-basierten Hilfsmitteln, um die Fachlichkeit der Pflegenden zu stärken und gleichzeitig eine kognitive Entlastung zu ermöglichen. Grundlagen für geeignete KI-System in der Pflege bilden zum einen die vielfach vorhandener Pflegedokumentationsdaten, da damit alle relevanten Informationen über die Patienten und die verabreichten pflegerischen Daten erfasst sind. Zum anderen muss das langjährige Erfahrungswissen und weiteres bereits systematisiertes Wissen erfasst und geeignet aufbereitet werden. Auf der Basis dieser vorhanden „Wissens“-Sammlungen lassen sich geeignete KI-basierte Entscheidungsunterstützungs-systeme (EUS) definieren, kon- zipieren und realisieren. Der KI-basierte EUS Systeme für die Pflege müssen zudem interaktiv sein, um kooperativ mit den Pflegekräften zu interagieren, aber auch transparent, um jeden Vorschlag und jede Entscheidung zu plausibilisieren. Ziel solcher KI-basierter EUS muss daher immer sein, kritische Situationen in Bezug auf die Gesundheit oder die Le- bensqualität (z.B. Sturzrisiken, Fehlernährung, Prädiktion von Infektionen) frühzeitig vorherzusagen, in einer adäquaten Form zu visualisieren als auch den geeignete Pflegenden Interventionsoptionen aufzuzeigen und deren Herleitung abzu- bilden bzw. zu erklären.
Abstracts – BMT 2021 – Hannover, 5 – 7 October • DOI 10.1515/bmt-2021-6070 Biomed. Eng.-Biomed. Tech. 2021; 66(s1): S423–S427 • © by Walter de Gruyter • Berlin • Boston S427 Das intelligente Pflegezimmer – Aktueller Status und Ausblick Bruno F. Ristok, C&S Computer und Software GmbH, Augsburg, Germany, brunoristok@cs-ag.de Aktueller Status Unter dem Begriff “Das intelligente Pflegezimmer” werden aktuell analoge und digitale Lösungen sowie Konzepte zu einer “Mensch- Technik-Organisationslösung” zusammengefasst. Ziel dieses systemischen Ansatzes ist es durch die Integration der bisher meist vereinzelt eingesetzen Komponenten zu einer erhöhen Systemleistung zu gelangen. Im Rah- men des Vortrages wird der aktuelle Stand der “modularen CareValley Systemlösung” dargestellt. Der Schwerpunkt liegt dabei auf der Darstellung der 3 Systemkomponenten “Analog- Digital-Konzeption” und deren Impact auf die Versorgung von Klienten sowie die Arbeitsbedingungen der Pflegekräfte. Ausblick Der konzeptionelle Rahmen des “Intelligenten Pflegezimmers” bietet ein enormes Potential für die zukünftige Integration von weiteren analogen und digitalen Lösungen sowie Konzepten. Zudem eigenet sich der Ansatz für zukünftige zielgereichtete Forschungsaktivitäten mit dem Ziel die pflegerische Versorgung des Klientensystems zu verbessern, die Arbeitsproduktivität zu erhöhen sowie die Arbeitsbedingungen der Pflegekräfte zu verbessern.
You can also read
