Critical Systems Engineering Living Lab - Medical Process Modeling (CSE LL-MPM)
Das Living Lab Medical Process Modeling entwickelt Forschungsinfrastruktur für medizinspezifische Fragestellungen. Es ermöglicht die Erfassung und Modellierung standardisierter zeitkritischer Prozesse wie z.B. der prähospitalen Reanimation (dem Mega Code Training). Hierauf aufbauen wird die Analyse der individuellen Durchführungsgüte, Benchmarking und Vorhersage von menschlichen Verhaltensweisen in einem definierten sozio-technischen System, sowie die Optimierung der Abläufe, Mensch-Technik-Interaktion.
Somit leistet das Living Lab CMP einen wesentlichen Beitrag zur Quantifizierung, Optimierung und Standardisierung medizinischer Prozesse.
Ansatz
In einem ersten Schritt wird die nötige Infrastruktur entwickelt um medizinische Arbeitsabläufe (wie der prähospitalen Wiederbelebung) in typischen sicherheitskritischen Situationen technisch mit Fokus auf funktionale Eigenschaften wie Timing, Workloads und Aufmerksamkeitsspanne während der Ausführung zu modellieren.
Hierzu gilt es relevante Bewegungsabläufe der Teilnehmer hochpräzise sowohl über Umgebungs- als auch Inertialsensoren zu verfolgen (Motion Capture). Die Kombination dieser beiden unterschiedlichen Motion Capture Ansätze vermeidet die Schwächen der einzelnen Systeme; beispielsweise sind optische Motion Capture Verfahren sehr anfällig für einfallendes Sonnenlicht und Inertialsensoren werden am Ende des kinematischen Baums (z. B. an den Händen) unpräzise. Desweiteren werden die kognitive Auslastung und die Blickwinkel der Beteiligten vermessen und modelliert.
Darüber hinaus werden alle Aktivitäten, die den Patienten betreffen, mit Hilfe eines A(C)LS Simulators und EKGs erfasst und in einer Evaluierungsplattform zusammengeführt. Zusätzlich soll untersucht werden, welche Sensorik für zukünftige Entscheidungsunterstützungssysteme für den Einsatz im Feld geeignet ist.
Basierend auf den so gewonnenen Kontextinformationen werden die betrachteten Prozesse hinsichtlich Timing, Workloads und Aufmerksamkeitsspanne während der Ausführung modelliert und individuelle Ausführungen gebanchmarkt.
In einem zweiten Schritt werden im Projekt darüber hinaus Simulationsdarstellungen exemplarisch für das Mega Codes Training erstellt und dieses somit optimiert.
Förderung / Kooperationen
Das Interdisziplinäre Forschungszentrum für den Entwurf sicherheitskritischer soziotechnischer Systeme („Interdisciplinary Research Center for Critical Systems Engineering for Socio-Technical Systems") untersucht die Rolle des Menschen bei der Beherrschung komplexer Verkehrssysteme auf dem Land und dem Wasser. Kooperationspartner waren das Oldenburger Informatikinstitut OFFIS, das Department für Versorgungsforschung der CvO Universität Oldenburg, das DLR-Institut für Verkehrssystemtechnik in Braunschweig und das Kompetenznetzwerk SafeTRANS. Das Land Niedersachsen stellte in der zweiten Förderphase eine weitere Anschubfinanzierung in Höhe von 2 Millionen Euro zur Verfügung, die Laufzeit wurde hier um 18 Monate verlängert (2017-2018). Das LL MPM wurde in Kooperation mit der Professur Medizininformatik der Universität Oldenburg (R. Röhrig) entwickelt.
Publikationen
2019 | |
[10] | C. Lins, D. Eckhoff, A. Klausen, S. Hellmers, A. Hein, S. Fudickar. Cardiopulmonary resuscitation quality parameters from motion capture data using Differential Evolution fitting of sinusoids. Applied Soft Computing. 2019. |
2018 | |
[9] | C. Lins, S. Fudickar, A. Hein. XML Skeleton Definitions for Human Posture Assessments. Studies in Health Technology and Informatics. 2018. |
[8] | C. Lins, A. Klausen, S. Fudickar, S. Hellmers, M. Lipprandt, R. Röhrig, A. Hein. Determining Cardiopulmonary Resuscitation Parameters with Differential Evolution Optimization of Sinusoidal Curves. In: Proceedings of the 11th International Joint Conference on Biomedical Engineering Systems and Technologies. Funchal - Madeira, Portugal: SCITEPRESS - Science and Technology Publications; 2018:665–670. |
[7] | C. Lins, SM. Müller, M. Pfingsthorn, M. Eichelberg, A. Gerka, A. Hein. Unsupervised Temporal Segmentation of Skeletal Motion Data using Joint Distance Representation. In: Proceedings of the 11th International Joint Conference on Biomedical Engineering Systems and Technologies. Funchal - Madeira, Portugal: SCITEPRESS; 2018:478–485. |
[6] | C. Lins, S. Fudickar, A. Hein. SKAML: An XML Markup Language for Abstract Skeleton Definitions in the Context of Human Posture Assessments. In: in Proc. 4th International Conference on Information and Communication Technologies for Ageing Well and e-Health (ICT4AWE 2018). 2018. |
[5] | C. Lins, S. Fudickar, A. Gerka, A. Hein. A Wearable Vibrotactile Interface for Unfavorable Posture Awareness Warning. In: in Proc. 4th International Conference on Information and Communication Technologies for Ageing Well and e-Health (ICT4AWE 2018). 2018. |
2017 | |
[4] | S. Blum, S. Debener, R. Emkes, N. Volkening, S. Fudickar, MG. Bleichner. EEG Recording and Online Signal Processing on Android: A Multiapp Framework for Brain-Computer Interfaces on Smartphone. BioMed Research International Hindawi. 2017;2017:12. |
2016 | |
[3] | C. Lins, A. Hein, L. Halder, P. Gronotte. Still in flow — long-term usage of an activity motivating app for seniors. In: 2016 IEEE 18th International Conference on e-Health Networking, Applications and Services (Healthcom). Munich: IEEE; 2016:1–4. |
[2] | N. Volkening, A. Unni, BS. Löffler, S. Fudickar, JW.. Rieger, A. Hein. Characterizing the Influence of Muscle Activity in fNIRS Brain Activation Measurements. In: IFAC-PapersOnLine. 2016;49(11):84–88. |
[1] | C. Lins, SM. Müller, A. Hein. Model-Based Approach for Posture and Movement Classification in Working Environments. Chapter in R. Wichert, H. Klausing, eds. Ambient Assisted Living: 8. AAL-Kongress 2015,Frankfurt/M, April 29-30. April, 2015. Frankfurt/M: Springer International Publishing; 2016:25–33. |
- Forschung
- KI und Deep Learning in der Medizin
- Medizinische Bildverarbeitung und VR-Simulation
- Integration und Nutzbarmachung von medizinischen Daten
- Sensordatenanalyse für assistive Gesundheitstechnologien
- AG Medical Image Computing and Artificial Intelligence
- AG Medical Data Science
- AG Medical Deep Learning
- AG Medical Data Engineering
- Nachwuchsgruppe Diagnostik und Erforschung von Bewegungsstörungen