Eingebettete KI zur sensornahen Auswertung von BCG Signalen

• Typ der Arbeit: Masterarbeit
• Status der Arbeit: abgeschlossen
• Betreuer: Ulf Kulau
• Ende der Arbeit: 14. Feb 2023

BCG und auch SCG Signale werden üblicherweise mit Hilfe von Beschleunigungssensoren aufgezeichnet. Sie bilden die durch das Herz verursachte Bewegung an der Körperoberfläche ab. Die SCG bzw. BCG Signale können so etablierte Methoden wie das EKG ergänzen.

Ein Problem ist, dass das Signal recht komplex ist und eine aufwändige Auswertung notwendig ist. Aus diesem Grund werden zumeist Rohwerte von Sensorsystemen nicht weiter verarbeitet, sondern direkt an eine datenverarbeitende Senke übermittelt. Eine wesentlich effizientere Methode ist die sensornahe Auswertung der Daten, wobei hier eingebettete KI Methoden auch auf ressourcenbeschränkten Systemen komplexe Signalanalysen ermöglichen.

Mit Hilfe von Frameworks wie AIfES oder Tensorflow Lite soll ein neuroanles Netz entworfen und implementiert werden, welches mit vorhandenen Daten trainiert und evaluiert wird. Das trainierte Netz soll ferner auf einem Mikrocontroller übertragen und dort evaluiert werden.

Tasks

• Einarbeitung in das Thema auf Basis verwandter Arbeiten (Related Work)
• Auswahl eines Frameworks und Implementierung eines neuronalen Netzes zur SCG Datenverarbeitung
• Training und Evaluation des neuronalen Netzes (offline)
• Implementierung des trainierten Netzes auf einem Mikrocontroller und evaluation
• Ausarbeitung und Zusammenfassung aller Ergebnisse

Further Reading

• Journal
  A Precise, Parallel and Scalable Measurement System for Ballistocardiographic Research

  Thiemo Clausen, Tobias Jura, Nico Jähne-Raden, Marie Cathrine Wolf, Lars Wolf, Ulf KulauSmart Health192021.
  https://doi.org/10.1016/j.smhl.2020.100169 [BibTex]

  🗙

  BibTex Entry

  @article{kulau_BCG:2020,
  abstract = {Ballistocardiography (BCG) is the measurement of heart and cardiovascular related acceleration of the body. Due to the availability of inexpensive and small accelerometers, scientific interest in BCG increased in recent years. A variety of different measurement systems have emerged. Many of them lack on data quality, such as resolution and temporal precision. A deterministic timing behaviour is essential to produce meaningful results, especially when dealing with data from multiple sensors at once. We present a novel measurement system, which allows for parallel digital data acquisition in the presence of strict deterministic timing constraints. A dedicated server manages multiple measurement boards and acts as a data sink. All connected boards are synchronized, which renders all acquired data comparable in time. On each board, data from 4 parallel channels is pre-processed and time-stamped in Field Programmable Gate Array logic. The presented system enables distributed measurements and is scalable within the limitations of the available network. A field test with over 30 subjects proved the usability and reliability of the system, while all data are made available for the community and first results of this campaign are presented within this paper.},
  author = {Thiemo Clausen and Tobias Jura and Nico Jähne-Raden and Marie Cathrine Wolf and Lars Wolf and Ulf Kulau},
  doi = {https://doi.org/10.1016/j.smhl.2020.100169},
  entrysubtype = {Journal},
  issn = {2352-6483},
  journaltitle = {Smart Health},
  keywords = {Ballistocardiography, Measurement system, Data acquisition, Field test},
  pages = {100169},
  title = {{A Precise, Parallel and Scalable Measurement System for Ballistocardiographic Research}},
  url = {https://www.sciencedirect.com/science/article/pii/S2352648320300611},
  volume = {19},
  year = {2021},
  }

  Close

• TOSN Journal
  IdealVolting – Reliable Undervolting on Wireless Sensor Nodes

  Ulf Kulau, Felix Büsching, Lars WolfACM Transactions on Sensor Networks (TOSN)12.2ACM2016.
  10.1145/2885500 [BibTex]

  🗙

  BibTex Entry

  @article{kulau:TOSN:2016,
  location = {New York, NY, USA},
  author = {Ulf Kulau and Felix Büsching and Lars Wolf},
  doi = {10.1145/2885500},
  entrysubtype = {Journal},
  ibrauthors = {kulau buesch wolf},
  ibrgroups = {cm},
  ibrprojects = {inga potatonet},
  journaltitle = {ACM Transactions on Sensor Networks (TOSN)},
  month = {April},
  number = {2},
  publisher = {ACM},
  title = {{IdealVolting – Reliable Undervolting on Wireless Sensor Nodes}},
  volume = {12},
  year = {2016},
  }

  Close

• Towards automatic and fast annotation of seismocardiogram signals using machine learning

  Hiren Kumar Thakkar, Prasan Kumar SahooIEEE Sensors Journal20.5IEEE2019.
  [BibTex]

  🗙

  BibTex Entry

  @article{thakkar2019towards,
  author = {Thakkar, Hiren Kumar and Sahoo, Prasan Kumar},
  journaltitle = {IEEE Sensors Journal},
  number = {5},
  pages = {2578–2589},
  publisher = {IEEE},
  title = {Towards automatic and fast annotation of seismocardiogram signals using machine learning},
  volume = {20},
  year = {2019},
  }

  Close