Wearable computing applications in eHealth

Nichtübertragbare Krankheiten sind weltweit die Hauptursache für Tod und Invalidität. Fast zwei Drittel der nichtübertragbaren Krankheiten können mit den folgenden Risikofaktoren in Verbindung gebracht werden: körperliche Inaktivität, ungesunde Ernährung, Tabakkonsum und schädlicher Alkoholkonsum. Gleichzeitig ist jeder zunehmend mit Wearables wie Smartphones und Smartwatches umgeben, sodass Wearable Computing ein fester Bestandteil des Alltags ist. Nichtübertragbare Krankheiten mit Hilfe von Wearables anzugehen, scheint eine mögliche Lösung zu sein. In dieser Arbeit wurden Methoden und Algorithmen für drei Wearable Computing Anwendungen im E-Health entwickelt: I) mobile Atemanalyse, II) Mobile Elektrokardiogramm (engl. ECG)-Analyse und III) Aktivitätserkennung mit Inertialsensoren (engl. IMUs).

Mobile Atemwegs-Induktivität-Plethysmographie (engl. RIP) stellt eine nicht-störende Methode dar, um Atmungsmerkmale zu messen. Mit RIP-Geräten könnte auf Durchflussmessgeräte (engl. FMs) verzichtet werden, die das natürliche Atemverhalten beeinflussen. Um korrekte Atemzugvolumina zu erhalten, müssen die mit RIP gemessenen Daten angepasst werden. Dem aktuellen Stand der Technik entsprechende Anpassungsalgorithmen können erst nach den tatsächlichen Messungen verwendet werden, da diese die gleichzeitige Messung von RIP und FM erfordern. In dieser Arbeit wurden neuartige Anpassungsalgorithmen entwickelt, die die Verwendung von RIP auch außerhalb der kontrollierten Laborumgebung ermöglichen. Atemwegserkrankungen und -infektionen gehören zu den häufigsten Todesursachen. Zukünftig sollte untersucht werden, wie RIP- Geräte effektiv für Patienten mit diesen Erkrankungen eingesetzt werden können.

Gründe für die mobile ECG-Analyse waren, echtzeitfähige Algorithmen für zwei bestimmte Bereiche zur Verfügung zu stellen. Im ersten Bereich wurden arrhythmische Herzschläge nur anhand der Zeitpunkte aufeinanderfolgender Herzschläge, der RR-Intervalle, unterschieden. Im zweiten Bereich wurden drei hochgenaue und verzögerungsfreie P- und T-Wellen-Erkennungsalgorithmen miteinander verglichen. Diese beide Bereiche könnten die Reduzierung von Herz-Kreislauf-Erkrankungen, welche weltweit die häufigste Todesursache sind, unterstützen. Ein effektiver und einfach handhabbarer Klassifizierungsalgorithmus für Arrhythmien könnte Personen mit erhöhtem Risiko frühzeitig zu einem Arzt schicken. Hochpräzise P- und T-Wellen-Erkennungsalgorithmen, die nur eine einzelne Ableitung benötigen, sind für alle Bereiche der EKG-Überwachung von Vorteil und erhöhen gleichzeitig den Tragekomfort der Patienten.

Aktivitätserkennung mit IMUs bietet eine objektive Möglichkeit zur Klassifikation von Aktivitäten um den Risikofaktor körperliche Inaktivität anzugehen. Dafür wurde der öffentlich verfügbare Datensatz DaLiAc aufgenommen um den Vergleich von Aktivitätserkennungsalgorithmen zu ermöglichen (http://www.activitynet.org/). Unter der Verwendung von DaLiAc wurde ein hierarcharisches Klassifikationsystem entwickelt. Das Erkennen einzelner Aktivitäten des täglichen Lebens kann das Bewusstsein jedes Einzelnen steigern, die körperliche Aktivität zu erhöhen. Denn, körperliche Inaktivität ist eine der vier Hauptrisikofaktoren für nichtübertragbare Krankheiten.

In dieser Arbeit wurden drei unterschiedliche Wearable Computing Anwendungen, die verschiedene nichtübertragbare Krankheiten angehen, vorgestellt. Wearables wurden in den letzten Jahren – mit anhaltendem steigenden Trend – vermehrt in der Gesundheitsüberwachung eingesetzt, da sie dem Nutzer im täglichen Leben Vorteile bringen. Dies wird durch das Entstehen neuer Anwendungen, gesammeltes Wissen, technische Fortschritte und der fortschreitenden Digitalisierung weiter vorangetrieben.