DE102021201461A1

DE102021201461A1 - System zur Überwachung von Vitaldaten eines Insassen eines Fahrzeugs

Info

Publication number: DE102021201461A1
Application number: DE102021201461.5A
Authority: DE
Inventors: Swapnil Shankar Bhujbal
Original assignee: Continental Automotive GmbH
Current assignee: Continental Automotive Technologies GmbH
Priority date: 2021-02-16
Filing date: 2021-02-16
Publication date: 2022-08-18
Also published as: CN116829043A; KR20230109748A; WO2022174871A1

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 oder US2019038204A1 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

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 oder 2.