DE102021201461A1 - System zur Überwachung von Vitaldaten eines Insassen eines Fahrzeugs - Google Patents
System zur Überwachung von Vitaldaten eines Insassen eines Fahrzeugs Download PDFInfo
- Publication number
- DE102021201461A1 DE102021201461A1 DE102021201461.5A DE102021201461A DE102021201461A1 DE 102021201461 A1 DE102021201461 A1 DE 102021201461A1 DE 102021201461 A DE102021201461 A DE 102021201461A DE 102021201461 A1 DE102021201461 A1 DE 102021201461A1
- Authority
- DE
- Germany
- Prior art keywords
- vital data
- sensors
- sensor
- occupant
- vehicle
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 6
- 238000013528 artificial neural network Methods 0.000 claims abstract description 11
- 238000010801 machine learning Methods 0.000 claims abstract description 10
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000000034 method Methods 0.000 description 3
- 230000036772 blood pressure Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- BUHVIAUBTBOHAG-FOYDDCNASA-N (2r,3r,4s,5r)-2-[6-[[2-(3,5-dimethoxyphenyl)-2-(2-methylphenyl)ethyl]amino]purin-9-yl]-5-(hydroxymethyl)oxolane-3,4-diol Chemical compound COC1=CC(OC)=CC(C(CNC=2C=3N=CN(C=3N=CN=2)[C@H]2[C@@H]([C@H](O)[C@@H](CO)O2)O)C=2C(=CC=CC=2)C)=C1 BUHVIAUBTBOHAG-FOYDDCNASA-N 0.000 description 1
- 241000270725 Caiman Species 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000036626 alertness Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000004397 blinking Effects 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000004424 eye movement Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000005802 health problem Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000000718 qrs complex Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/18—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state for vehicle drivers or machine operators
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/0245—Detecting, measuring or recording pulse rate or heart rate by using sensing means generating electric signals, i.e. ECG signals
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
- A61B2562/08—Sensors provided with means for identification, e.g. barcodes or memory chips
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Psychiatry (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Cardiology (AREA)
- Signal Processing (AREA)
- Psychology (AREA)
- Child & Adolescent Psychology (AREA)
- Developmental Disabilities (AREA)
- Social Psychology (AREA)
- Hospice & Palliative Care (AREA)
- Educational Technology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
Es wird ein System zur Überwachung von Vitaldaten eines Insassen eines Fahrzeugs beschrieben, wobei das System eine Mehrzahl von Sensoren zur Erfassung der Vitaldaten sowie eine zentrale Steuerung zur Auswertung dieser Vitaldaten aufweist.Diese Steuerung weist ein neuronales Netzwerk oder maschinelle Lernalgorithmen zur Auswertung der Vitaldaten auf.Ein an die zentrale Steuerung angeschlossener Sensor wird erkannt, indem sein Sensorsignal ebenfalls durch ein neuronales Netzwerk oder maschinellen Lernalgorithmus hinsichtlich der Art des Sensors analysiert und daraus erkannt wird.
Description
- Die Erfindung betrifft ein System zur Überwachung von Vitaldaten eines Insassen eines Fahrzeugs.
- Derartige Systeme sind beispielsweise aus der
US2007004969A1 ,WO 2015175435 A1 oderUS2019038204A1 bekannt. Als Vitaldaten kommen dabei der Blutdruck, die Herzfrequenz oder auch die Augenbewegung, das Zwinkern oder auch die Körpertemperatur in Betracht, aber auch evtl. Feuchtigkeit auf der Hautoberfläche und dergleichen. Eine Vielzahl unterschiedlicher Sensortypen stehen dabei für die Erfassung dieser Vitaldaten einschließlich eben entsprechend daraus ableitbarer Gesundheits- oder eben auch Stress- oder Aufmerksamkeits-Zustandsdaten an sich bereit. - Die Überwachung von Vitaldaten eines Insassen eines Fahrzeugs, insbesondere aber des Fahrers gewinnt zunehmende Bedeutung für die Sicherheit im Straßenverkehr, da immer häufiger Verkehrsunfälle aufgrund gesundheitlicher Beeinträchtigungen des Fahrers festzustellen sind.
- Andererseits führt die erhöhte Verkehrsdichte zu zunehmenden gesundheitlichen Belastungen des Fahrers und soll durch frühzeitige Erkennung eine Verschlechterung des Gesundheitszustands erkennbar gemacht und mitgeteilt werden, um Langzeitfolgen möglichst auszuschließen oder zu minimieren.
- Zudem können gesamte Vitaldaten neben der primären Verkehrssicherung auch langfristige gesundheitliche Veränderungen der Insassen messen und entsprechende Informationen ausgelesen und ausgewertet werden.
- Entsprechend werden in Fahrzeugen zunehmend eine Mehrzahl von Sensoren zur Erfassung der Vitaldaten sowie eine zentrale Steuerung zur Auswertung dieser Vitaldaten vorgesehen.
- Für die Auswertung solcher Vitaldaten stehen, wie eingangs erwähnt, bereits verschiedene Sensortypen mit unterschiedlichen Messprinzipien und daher teils auch abweichenden Signaleigenschaften zur Verfügung.
- Für die Auswertung und Steuerung werden zunehmend neuronale Netzwerke oder maschinelle Lernalgorithmen zur Auswertung der Vitaldaten vorgesehen, um die Komplexität der relevanten Faktoren in diesen Vitaldaten einfacher analysieren und entsprechende Situationen daraus ableiten zu können.
- So ist beispielsweise aus der
US 2019097362 A1 ein System zu entnehmen, bei welchem verschiedene Sensormodule an einer Steuereinheit anschließbar sind und deren Signale durch sogenannte Artifical Intelligence, also neuronale Netzwerke bzw. andere maschinelle Lernalgorithmen analysiert werden können, indem entsprechende Funktionen für die jeweils angeschlossenen Sensoren geladen werden. Die entsprechend geladenen neuronalen Netzwerke oder maschinelle Lernalgorithmen dienen der Analyse der spezifischen Vitaldaten bzgl. der gesuchten Parameter. - Als Mittel zum Erkennen des Vorhandenseins von Sensoren und zur Adaption der Auswertung sind dient eine Sensorkennung, also ID, welche den Sensor identifiziert und über diese Sensor-ID der geeignete AI-Algorithmus geladen wird. Aufgabe der Erfindung ist es, dass Potential solcher Systeme weiter zu verbessern. Dies wird durch die Merkmale des Anspruchs 1 erreicht. Vorteilhafte Weiterbildungen sind den Unteransprüchen zu entnehmen.
- Grundgedanke ist dabei, dass die für die Analyse der Vitaldaten ja bereits an sich vorhandenen neuronalen Netzwerke bzw. anderen maschinellen Lernalgorithmen grundsätzlich auch in der Lage sind, die Art der angeschlossenen Sensoren und deren Sensorsignaleigenschaften schon grundsätzlich selbst zu erkennen, so dass ein neu angeschlossener Sensor nicht etwa über eine Kennung erkannt werden muss, sondern entsprechend vorbereitete grobe Strukturen des neuronalen Netzwerks zunächst aus dem Sensorsignal nur den entsprechenden Sensortyp bzw. die Art des empfangenen Vitalsignals ableiten und erst daraufhin die an sich aber bekannte verfeinerte Analyse der Vitaldaten hinsichtlich der abzuleitenden Vitalparameter und Gesundheitsdaten erfolgt.
- Dadurch wird es aber nicht nur möglich, Sensoren ohne entsprechende Kennung zu verwenden, sondern eben auch neuartige Sensoren, deren Kennung zum Zeitpunkt der Auslieferung des Fahrzeugs mit der Steuerung noch gar nicht spezifiziert waren.
- So kann ein größerer Kreis von Bio-Vitalsensorsignalen leichter berücksichtigt werden.
- Über an sich bekannte Fusionstechniken, wie bspw. die diversen Kaimantypen können die verschiedenen Sensorsignale verknüpft werden. Dies erhöht die Flexibilität hinsichtlich der verwendeten Sensoren als auch deren Nutzung über die vorliegende Steuerung. Neuartige Sensoren mit neuen Funktionen können so erkannt und integriert werden.
- Die vorgeschlagene Methode nutzt also bereits zur Erkennung des Sensortyps Klassifikationen des neuronalen Netzwerks und wendet diese auf die Sensorsignale selbst an. Jeder Typ von Vitaldaten-Sensoren, wie EEG, EKG usw. hat personen- und gesundheitsunabhängig zumindest grobe und dennoch spezifische Merkmale, welche zur Erkennung zunächst des Sensortyps genutzt werden. Maschinelle oder sogenannte Deep Learning Algorithmen können angewendet werden, um die Modelle zur Erkennung einer Vielzahl von Sensortypen zu trainieren, und zwar unabhängig von der Art der elektrischen Verbindung oder dem jeweiligen Insassen oder dessen Gesundheitszustand.
- Störsignale werden vorzugsweise ausgefiltert, um die Erkennung zu verbessern. Das Modell oder Netzwerk wird also trainiert, um Typen von Vitaldatensignalen und damit deren Sensoren zu erkennen. So kann bspw. ein EKG Signal über unterschiedliche Sensortypen, bspw. resistiv oder kapazitiv, ermittelt werden. Jedoch sind die klassischen Parameter, der sogenannte QRS-Komplex dennoch grundsätzlich vorhanden und selbst bei unterschiedlichen Personen oder Gesundheits- oder Belastungszuständen zumindest dem Grunde nach vorhanden und aus dem Signalverlauf erkennbar. Dieses Muster kann bspw. erlernt werden und dazu dienen, Signalverläufe eines EKG von anderen Vitaldatensensoren, wie bspw. EEG usw. zu unterscheiden. Analog gilt dies bspw. auch für Blutdrucksignale oder Temperaturverläufe. Die Möglichkeiten und Techniken maschinellen Lernens bieten hierfür gute Möglichkeiten und sogenannte Long Short Term Memory Networks als besonders effiziente Lösung ermittelt worden. Intervallbasierte dynamische Entscheidungsbäume, sogenannte time warping decison trees, RNN, CNN können für die Analyse zeitlicher Verläufe verwendet werden.
- Die Erkennung und Klassifizierung angeschlossener Sensoren erfolgt als anhand der Sensorsignale der Sensoren selbst. Dadurch ist es auch möglich, die angeschlossenen Sensoren zu wechseln, sogar neuartige Sensoren zu verwenden, bspw. wenn bestimmte Vorerkrankungen des Insassen bekannt sind und daher besondere Parameter erfasst werden sollen. Insbesondere können auch an sich nicht im Fahrzeug permanent vorhandene, sondern vom Insassen mitgeführte Sensoren, wie die modernen Pulsuhren oder andere mobile am Körper zu tragende Sensoren zur Erfassung von Vitaldaten mit in das System integriert werden, so lange diese sich im Fahrzeug befinden.
- Diese Lösung eignet sich dabei nicht nur für den Fahrer eines klassischen Automobils, sondern auch für 2- oder 3-Räder, Lastkraftwagen oder andere Land-, Wasser- oder Luftfahrzeuge als auch für andere Insassen, Mitfahrer bis hin zur Überwachung der Gesundheit von Insassen von fahrerlosen Verkehrssystemen.
- ZITATE ENTHALTEN IN DER BESCHREIBUNG
- Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
- Zitierte Patentliteratur
-
- US 2007004969 A1 [0002]
- WO 2015175435 A1 [0002]
- US 2019038204 A1 [0002]
- US 2019097362 A1 [0009]
Claims (3)
- System zur Überwachung von Vitaldaten eines Insassen eines Fahrzeugs, wobei das System eine Mehrzahl von Sensoren zur Erfassung der Vitaldaten sowie eine zentrale Steuerung zur Auswertung dieser Vitaldaten aufweist, wobei diese Steuerung ein neuronales Netzwerk oder maschinelle Lernalgorithmen zur Auswertung der Vitaldaten aufweist, wobei Mittel zum Erkennen des Vorhandenseins von Sensoren und zur Adaption der Auswertung in Abhängigkeit vorgesehen sind, dadurch gekennzeichnet, dass ein an die zentrale Steuerung angeschlossener Sensor erkannt wird, indem sein Sensorsignal ebenfalls durch ein neuronales Netzwerk oder maschinellen Lernalgorithmus hinsichtlich der Art des Sensors erkannt wird.
- System nach
Anspruch 1 , dadurch gekennzeichnet, dass fürdie unterschiedlichen Typen von Sensoren zur Erfassung der Vitaldaten dem neuronales Netzwerk oder maschinellen Lernalgorithmus insassenunabhängige, typenspezifische Klassifikatoren oder Referenzsignalverläufe vorgegeben sind und daraus der Typ des angeschlossenen Sensors abgeleitet wird. - Kraftfahrzeug mit einem System nach
Anspruch 1 oder2 .
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102021201461.5A DE102021201461A1 (de) | 2021-02-16 | 2021-02-16 | System zur Überwachung von Vitaldaten eines Insassen eines Fahrzeugs |
PCT/DE2022/200004 WO2022174871A1 (de) | 2021-02-16 | 2022-01-18 | System zur überwachung von vitaldaten eines insassen eines fahrzeugs |
KR1020237021423A KR20230109748A (ko) | 2021-02-16 | 2022-01-18 | 차량 탑승자의 생체 데이터를 모니터링하는 시스템 |
CN202280009359.8A CN116829043A (zh) | 2021-02-16 | 2022-01-18 | 监控车辆乘员生命体征数据的*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102021201461.5A DE102021201461A1 (de) | 2021-02-16 | 2021-02-16 | System zur Überwachung von Vitaldaten eines Insassen eines Fahrzeugs |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102021201461A1 true DE102021201461A1 (de) | 2022-08-18 |
Family
ID=80684904
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102021201461.5A Pending DE102021201461A1 (de) | 2021-02-16 | 2021-02-16 | System zur Überwachung von Vitaldaten eines Insassen eines Fahrzeugs |
Country Status (4)
Country | Link |
---|---|
KR (1) | KR20230109748A (de) |
CN (1) | CN116829043A (de) |
DE (1) | DE102021201461A1 (de) |
WO (1) | WO2022174871A1 (de) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10337235A1 (de) | 2003-08-13 | 2005-03-24 | Trium Analysis Online Gmbh | Verfahren zur Kommunikation von Einheiten in einem Patienten-Überwachungssystem |
US20070004969A1 (en) | 2005-06-29 | 2007-01-04 | Microsoft Corporation | Health monitor |
DE102014103520A1 (de) | 2014-03-14 | 2015-09-17 | Elmeditec GmbH | Medizinische Datenerfassungseinrichtung und Adaptereinrichtung |
WO2015175435A1 (en) | 2014-05-12 | 2015-11-19 | Automotive Technologiesinternational, Inc. | Driver health and fatigue monitoring system and method |
DE102014003783B4 (de) | 2014-03-15 | 2016-11-10 | Audi Ag | Sicherheitseinrichtung für ein Kraftfahrzeug und zugehöriges Betriebsverfahren |
US10136861B2 (en) | 2010-03-15 | 2018-11-27 | Singapore Health Services Pte Ltd. | System and method for predicting acute cardiopulmonary events and survivability of a patient |
US20190038204A1 (en) | 2017-08-01 | 2019-02-07 | Panasonic Intellectual Property Management Co., Lrtd. | Pupillometry and sensor fusion for monitoring and predicting a vehicle operator's condition |
US20190097362A1 (en) | 2017-09-26 | 2019-03-28 | Xcelsis Corporation | Configurable smart object system with standard connectors for adding artificial intelligence to appliances, vehicles, and devices |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11702066B2 (en) * | 2017-03-01 | 2023-07-18 | Qualcomm Incorporated | Systems and methods for operating a vehicle based on sensor data |
WO2019212833A1 (en) * | 2018-04-30 | 2019-11-07 | The Board Of Trustees Of The Leland Stanford Junior University | System and method to maintain health using personal digital phenotypes |
DE102019202523A1 (de) * | 2019-02-25 | 2020-08-27 | Robert Bosch Gmbh | Verfahren und Vorrichtung zum Betreiben eines Steuerungssystems |
-
2021
- 2021-02-16 DE DE102021201461.5A patent/DE102021201461A1/de active Pending
-
2022
- 2022-01-18 WO PCT/DE2022/200004 patent/WO2022174871A1/de active Application Filing
- 2022-01-18 CN CN202280009359.8A patent/CN116829043A/zh active Pending
- 2022-01-18 KR KR1020237021423A patent/KR20230109748A/ko unknown
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10337235A1 (de) | 2003-08-13 | 2005-03-24 | Trium Analysis Online Gmbh | Verfahren zur Kommunikation von Einheiten in einem Patienten-Überwachungssystem |
US20070004969A1 (en) | 2005-06-29 | 2007-01-04 | Microsoft Corporation | Health monitor |
US10136861B2 (en) | 2010-03-15 | 2018-11-27 | Singapore Health Services Pte Ltd. | System and method for predicting acute cardiopulmonary events and survivability of a patient |
DE102014103520A1 (de) | 2014-03-14 | 2015-09-17 | Elmeditec GmbH | Medizinische Datenerfassungseinrichtung und Adaptereinrichtung |
DE102014003783B4 (de) | 2014-03-15 | 2016-11-10 | Audi Ag | Sicherheitseinrichtung für ein Kraftfahrzeug und zugehöriges Betriebsverfahren |
WO2015175435A1 (en) | 2014-05-12 | 2015-11-19 | Automotive Technologiesinternational, Inc. | Driver health and fatigue monitoring system and method |
US20190038204A1 (en) | 2017-08-01 | 2019-02-07 | Panasonic Intellectual Property Management Co., Lrtd. | Pupillometry and sensor fusion for monitoring and predicting a vehicle operator's condition |
US20190097362A1 (en) | 2017-09-26 | 2019-03-28 | Xcelsis Corporation | Configurable smart object system with standard connectors for adding artificial intelligence to appliances, vehicles, and devices |
Also Published As
Publication number | Publication date |
---|---|
CN116829043A (zh) | 2023-09-29 |
KR20230109748A (ko) | 2023-07-20 |
WO2022174871A1 (de) | 2022-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP2086785A1 (de) | Verfahren und vorrichtung zur fahrerzustandserkennung | |
DE102016222693A1 (de) | Messsystem für ein biologisches Signal basierend auf einer Fahrumgebung für einen Fahrzeugsitz | |
DE102019204691A1 (de) | Verfahren und Einrichtung zur Überwachung eines fahrbetriebsbedingten Gesundheitszustandes von Insassen eines insbesondere autonomen Fahrzeugs | |
DE102010037509A1 (de) | Sensoreinrichtung für ein Kraftfahrzeug | |
EP1604251A1 (de) | Verfahren zum auslösen insassenunterstützter massnahmen in einem fahrzeug | |
DE102016206694A1 (de) | Assistenzsystem und Verfahren eines hochautomatisierten Fahrzeugs zur Verbesserung des Zusammenwirkens mit anderen Verkehrsteilnehmern | |
DE102014017327A1 (de) | Vorrichtung und Verfahren zur Ermittlung eines Gesundheitszustandes | |
DE102020127613A1 (de) | Vorrichtung und Verfahren zum Erzeugen eines Fahrer-Erfahrungs-Fahrmodells mittels Fehlerüberwachung | |
DE102019003557A1 (de) | Verfahren zum Betrieb eines Fahrzeugs | |
DE102013225064A1 (de) | Verfahren und Vorrichtung zum Betreiben eines Kraftfahrzeugs | |
DE102021201461A1 (de) | System zur Überwachung von Vitaldaten eines Insassen eines Fahrzeugs | |
DE102021108656A1 (de) | Sicherheitssystem eines Fahrzeugs | |
DE102019135115B4 (de) | Verfahren zur Verbesserung der Straßensicherheit | |
DE102016223794A1 (de) | Verfahren und System zum Bewerten einer Akzeptanz mindestens eines Fahrerassistenzsystems eines autonom fahrenden Kraftfahrzeugs | |
DE102019218050A1 (de) | Vorrichtung zur Ermittlung einer Bewusstlosigkeit eines Fahrzeuginsassen in einem Fahrzeug | |
DE102016208797A1 (de) | Verfahren zur rechnergestützten Fahrdatenanalyse von Kraftfahrzeugen | |
DE102021003597A1 (de) | Verfahren zur Beeinflussung eines Verhaltens mindestens eines lnsassen in einem Fahrzeug | |
DE102014013581A1 (de) | Vorrichtung und Verfahren zur Überwachung eines Gesundheitszustandes | |
DE102021005092A1 (de) | Verfahren und Vorrichtung zur Erkennung von Emotionszuständen von Insassen eines Fahrzeuges | |
DE102019203772A1 (de) | Steuergerät, Vorrichtung und Verfahren zur Beurteilung eines Seitenwindes für ein Fahrzeug | |
DE102014100965A1 (de) | Fahrerassistenzsystem | |
DE102019208985A1 (de) | Verfahren zur Vermeidung von Reisekrankheit in einem autonomen Fahrzeug | |
DE102022004328A1 (de) | Verfahren zum Erkennen eines Bedarfes einer Hörunterstützung eines Fahrers eines Fahrzeuges | |
WO2020015960A1 (de) | Verfahren und anordnung zum wiedererkennen eines schienenfahrzeugrades | |
AT411143B (de) | Vorrichtung zum auswerten psychologischer und biomedizinischer rohdaten |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R163 | Identified publications notified | ||
R081 | Change of applicant/patentee |
Owner name: CONTINENTAL AUTOMOTIVE TECHNOLOGIES GMBH, DE Free format text: FORMER OWNER: CONTINENTAL AUTOMOTIVE GMBH, 30165 HANNOVER, DE |
|
R012 | Request for examination validly filed | ||
R081 | Change of applicant/patentee |
Owner name: CONTINENTAL AUTOMOTIVE TECHNOLOGIES GMBH, DE Free format text: FORMER OWNER: CONTINENTAL AUTOMOTIVE TECHNOLOGIES GMBH, 30165 HANNOVER, DE |