Autor: Volkhard Klinger, FHDW Hannover, Arbeitsbereich Eingebettete Systeme<\/p>\n
Modulare und mobile Systeme sind notwendige Voraussetzung f\u00fcr das mittel- und langfristige Monitoring von Biosignalen. Die Realisierung eines modularen Plattform-Systems zur Erfassung und Auswertung von Biosignalen und dessen Erg\u00e4nzung durch Sensoren und Aktoren, die \u00fcber eine Funktionalit\u00e4t nach dem Prinzip des Internet of Things (IoT) verf\u00fcgen, erm\u00f6glichen dabei neue Anwendungsszenarien. In diesem Beitrag werden zwei Anwendungsbeispiele vorgestellt, und die korrespondierenden Anpassungen des plattformbasierten Konzeptes verdeutlicht. Die anwendungsfallabh\u00e4ngige Erg\u00e4nzung der Plattform durch zus\u00e4tzliche Ger\u00e4te oder Sensoren vergr\u00f6\u00dfert Einsatzbereich und Flexibilit\u00e4t der Plattform. Werden externe IoT-Systeme verwendet, ergeben sich Anforderungen an diese Systeme, die zusammenfassend benannt werden. Es wird deutlich, dass nur unter Einhaltung dieser Randbedingungen die Vorteile des Plattformansatzes erhalten bleiben k\u00f6nnen.<\/p>\n
Das Erfassen und Verarbeiten von elektrischen Biosignalen, zum Beispiel Elektroenzephalogramm (EEG), Elektromyogramm (EMG) und Elektroneurogramm (ENG), erm\u00f6glicht eine Vielzahl von Anwendungen in Forschung, medizinischer Diagnostik oder Rehabilitation. Insbesondere EMG und ENG werden verwendet, um Informationen aus dem Bewegungsapparat zu erhalten, inklusive der peripheren Sensorinformationen und der Daten zur Bewegungssteuerung und -kontrolle. So k\u00f6nnen diese Signale und deren Auswertung von \u00c4rzten, medizinischem Personal und auch Patienten oder Sportlern zur Diagnose oder zum Monitoring spezifischer Parameter verwendet werden. Die Bandbreite der Applikationen reicht zum Beispiel von der therapeutischen Messung der Nervenleitgeschwindigkeit im Rahmen einer Rehabilitationsma\u00dfnahme bis hin zur komplexen Prothesenkontrolle.
\nDie Anforderungen an ein System zur Erfassung und Auswertung von Biosignalen sind in der folgenden Aufz\u00e4hlung zusammengefasst.<\/p>\n
Datenaufnahme und Stimulation<\/strong> Datenverarbeitung<\/strong> Daten-Archivierung<\/strong> Datenaustausch \/ Connectivity<\/strong> User Interface<\/strong> Konfiguration<\/strong> Aus den vielen m\u00f6glichen Anwendungen werden hier zwei ausgew\u00e4hlt, die sehr unterschiedliche Ziele verfolgen. Nach einer kurzen Beschreibung der medizinischen Umst\u00e4nde, auf die hier nur sehr abstrakt eingegangen wird, kann im n\u00e4chsten Kapitel die zum Anwendungsfall passende Systemarchitektur vorgestellt werden.<\/p>\n Monitoring der Nervenleitgeschwindigkeit<\/strong><\/p>\n Die Verminderung der Nervenleitgeschwindigkeit kann viele Ursachen haben, zum Beispiel Demyelinisierung der axonalen Fasern oder eine axonale Sch\u00e4digung. Neurophysiologische Messungen sind durchaus m\u00f6glich und werden durch eine Stimulation und eine anschlie\u00dfende Messung der Antwortgeschwindigkeit in einem bestimmten Abstand zum Stimulationsort durchgef\u00fchrt. Aber in der Regel werden diese Messungen nur selten, einmal die Woche oder noch weniger h\u00e4ufig durchgef\u00fchrt. Regelm\u00e4\u00dfige und h\u00e4ufigere Messungen sind aber erforderlich, um die Nervenleitgeschwindigkeit auch in Abh\u00e4ngigkeit der Tageszeit, der Temperatur, dem Ersch\u00f6pfungszustand, dem Einnahmezeitpunkt der Medikamentengabe, etc. zu erfassen. Der Einfluss dieser Parameter spielt eine wichtige Rolle, um die Ver\u00e4nderungen besser evaluieren zu k\u00f6nnen. Die prim\u00e4ren Anforderungen an ein Mess-System lassen sich kurz zusammenfassen:<\/p>\n Prothesensteuerung und -kontrolle<\/strong><\/p>\n Heutige Prothesen sind mehr als einfache statische Ersatzkomponenten. Die Herausforderung besteht weiterhin in der Kopplung, also im Informationstransfer zwischen Mensch und Prothese. Der hier verwendete Ansatz nutzt eine Kopplung mit Hilfe von den Aktionspotentialen der peripheren Nerven, also der Einsatz des ENG [6]. Bei Nutzung des ENGs und der Identifikationsmethode wird es m\u00f6glich, aktorische und sensorische Daten auszuwerten und mit einer Bewegung zu korrelieren. Dazu sind allerdings Messdaten mit hoher Aufl\u00f6sung und guter Signalkonditionierung notwendig. Ferner ist die Einbeziehung weiterer Sensoren notwendig, um die Bewegungszuordnung mit h\u00f6herer Sicherheit durchf\u00fchren zu k\u00f6nnen. Diese externen Sensoren k\u00f6nnen sowohl als Mikro-Elektromechanisches System (MEMS) oder als Kamera ausgef\u00fchrt sein Der Einsatz der unterschiedlichen Sensoren orientiert sich dabei am Betriebszustand des Systems, der in eine Lernphase (station\u00e4re Anwendung des Systems) und eine Betriebsphase (mobile Anwendung des Systems) unterteilt werden kann. Die Korrelation der unterschiedlichen Sensoren erm\u00f6glicht den Einsatz von Methoden der Vorw\u00e4rts- und R\u00fcckw\u00e4rts-Kinematik [5].<\/p>\n Die prim\u00e4ren Anforderungen an das Prothesenkontrollsystem lassen sich ebenfalls kurz zusammenfassen:<\/p>\n Das Erfassungs- und Auswertesystem ist als Plattform entworfen und realisiert worden. Auf dieser Grundlage ist eine modulare Hardware- und Software-Architektur verf\u00fcgbar, die gen\u00fcgend Flexibilit\u00e4t und Skalierbarkeit f\u00fcr die unterschiedlichen Anforderungen aufweist. Die Software-Plattform ist dabei durch die Anwendung von der hardwareunabh\u00e4ngigen dynamischen Softwareplattform OSGI (Open System Gateway Initiative) gekennzeichnet. Details zu den einzelnen Aspekten, wie zum Beispiel Sensortyp, analoges Frontend, etc. werden in diesem Papier vernachl\u00e4ssigt (siehe [7], [8]).<\/p>\n In Abbildung\u00a01 (siehe\u00a0PDF<\/a>) ist das System f\u00fcr den ersten Anwendungsfall, die Messung der Nervenleitgeschwindigkeit, gezeigt. Die Plattform-Architektur wird durch die unterschiedlichen Module verdeutlicht. Ein neuer Aspekt wird hier durch die Verbindung zu einem Smartphone dargestellt, das durch Bluetooth (Connectivity) angebunden wird. Diese Verbindung wird im Kapitel\u00a04 noch n\u00e4her betrachtet.<\/p>\n In Abbildung\u00a02 (siehe\u00a0PDF<\/a>) ist das System f\u00fcr den zweiten Anwendungsfall skizziert. Hier handelt es sich noch um einen Ausblick, aktuell existiert noch keine System-In-Package-Variante (SIP). Die Plattform ist gegen\u00fcber dem ersten Anwendungsfall in wesentlichen Punkten ver\u00e4ndert. Der Grund liegt in der \u00c4nderung des analogen Frontends (EMG \u2192 ENG) und in den ver\u00e4nderten Anspr\u00fcchen in Bezug auf Identifikation und Datenkorrelation. Zus\u00e4tzlich sind hier mehrere Schnittstellen vorhanden, die einerseits Daten des implantierten SIPS auf das am K\u00f6rper getragene System \u00fcbertragen, anderseits die Daten und Ereignisse zwischen externen Systemen, hier dargestellt als Smart-Device und MEMS-Sensor, und der Plattform austauschen. Die zu Beginn der Nutzung des Systems erforderliche Lernphase f\u00fcr die Identifikation ist hier nicht dargestellt.<\/p>\n Die Analyse der verschiedenen Anwendungsf\u00e4lle zeigt die Notwendigkeit einer Einbindung zus\u00e4tzlicher Sensoren in das Erfassungs- und Auswertesystem. Dadurch kann speziell die Konnektivit\u00e4t (A4) verbessert werden. Die Verbreitung vieler sogenannter Smart-Devices, wie zum Beispiel Tablet oder Smartphone, stellen eine potentielle Infrastruktur bereit, die als Teil der Plattform Verwendung finden kann und deren Flexibilit\u00e4t und Skalierbarkeit erweitert. Dazu kommt, dass die Verf\u00fcgbarkeit von intelligenten Komponenten im Rahmen des \u201eInternet der Dinge\u201c (IoT, [1]) rasant ansteigt. So lassen sich intelligente Sensoren in diesem Kontext an die Plattform anbinden. Diese dezentrale Peripherie erweitert das Anwendungsspektrum der Plattform erheblich.<\/p>\n Hierbei gelten jedoch einige Schl\u00fcsselaspekte, die zu beachten sind:<\/p>\n Der Einsatz von Monitoring-Plattformen auf der Basis von Plattform-Architekturen erm\u00f6glicht es, das System flexibel auf unterschiedliche Anwendungsszenarien abzustimmen. Die zus\u00e4tzliche Integration von IoT-Systemen erweitert das Anwendungsspektrum weiter und erm\u00f6glicht die Korrelation von Daten und damit die Sensorfusion und Kontexterkennung.<\/p>\n Die wesentlichen Funktionen jedes Erfassungssystem sind in Abbildung\u00a03 (siehe\u00a0PDF<\/a>) dargestellt. Der Plattform-Kreis umfasst die Komponenten zur Kommunikation (C: Connectivity), zur Datenverarbeitung (P: Processing), zum lokalen Speichern (M: Memory) und die Aktor-\/Sensor-Schnittstelle inklusive des notwendigen analogen Frontends (A\/S: Actor\/Sensor). Diese vier Komponenten sind f\u00fcr jeden Anwendungsfall entsprechend auszulegen. Zentraler Punkt ist gleichfalls der Kern des Systems (Core), der bestimmte Schnittstellen der Hardware- und Software-Plattform bereitstellt. Hier ist OSGI ein wesentlicher Faktor, der Services auf Anwendungsebene bereitstellen kann.<\/p>\n Beitrag als PDF downloaden<\/strong><\/a><\/p>\n Wollen Sie sich auf den aktuellen Stand der Technik bringen?<\/strong><\/p>\n Dann informieren Sie sich\u00a0hier<\/strong>\u00a0<\/a>zu Schulungen\/ Seminaren\/ Trainings\/ Workshops und individuellen Coachings von MircoConsult zum Thema Internet of Things\/System- und Hardwareentwicklung.<\/p>\n Training & Coaching zu den weiteren Themen unseren Portfolios finden Sie\u00a0hier<\/a>.<\/strong><\/p>\n Wertvolles Fachwissen zum Thema Internet of Things\/System- und Hardwareentwicklung steht\u00a0hier\u00a0<\/strong><\/a>f\u00fcr Sie zum kostenfreien Download bereit.<\/p>\n
\nDie EEG-, EMG- oder ENG-Daten m\u00fcssen aufgenommen und unter Ber\u00fccksichtigung der Signalcharakteristik (Tabelle 1,\u00a0PDF<\/a>) digitalisiert werden. In bestimmten Anwendungen ist auch eine Stimulation von Nervenimpulsen notwendig, zum Beispiel bei der Messung der Nervenleitgeschwindigkeit.<\/p>\n
\nDie aufgenommenen Daten m\u00fcssen bez\u00fcglich der Signalkonditionierung verbessert werden. Dazu sind je nach Anwendungsfall verschiedene Filter und Verst\u00e4rker erforderlich. Auch zus\u00e4tzliche Ma\u00dfnahmen k\u00f6nnen notwendig sein, um asynchrone Signale und nicht-\u00e4quidistante Abtastwerte handhaben zu k\u00f6nnen. Die Datenverarbeitung hat dar\u00fcber hinaus auch eine zentrale Aufgabe bei der Identifikation von Daten und der Datenkorrelation. W\u00e4hrend die Identifikation notwendig ist, um aus dem ENG Gruppen von spezifischen Aktionspotentialen zuzuordnen [9] und Steuerungssignale und korrespondierende R\u00fcckkopplungssignale zu erkennen, hilft die Datenkorrelation bei der Sensorfusion. Basierend auf Konzepten der k\u00fcnstlichen Intelligenz (Machine Learning) werden komplexe Signalfolgen erkannt und mit biologischen R\u00fcckkopplungsmechanismen und zus\u00e4tzlichen externen Sensoren korreliert. Die Identifikationsmethode und ein entsprechender Verifikationsansatz wurde in [7] und [8] basierend auf den Ergebnissen in [2], [3] und [4] eingef\u00fchrt.<\/p>\n
\nDie aufgenommenen Daten m\u00fcssen lokal gespeichert werden, wenn keine direkte \u00dcbertragung zu einem Host-System erfolgt. Zus\u00e4tzlich werden f\u00fcr den Identifikationsprozess auch Speicherressourcen ben\u00f6tigt. Dort werden die erlernten Daten f\u00fcr die Operationsphase gespeichert [7].<\/p>\n
\nDie Daten m\u00fcssen zur Evaluierung oder f\u00fcr das Monitoring zu einem Host-System \u00fcbertragen werden.<\/p>\n
\nDie Benutzerschnittstelle erm\u00f6glicht die Auswahl der unterschiedlichen Funktionen. Gleichzeitig werden die erfassten und aufbereiteten Daten dargestellt.<\/p>\n
\nDie Systemfunktionen k\u00f6nnen f\u00fcr unterschiedliche Anwendungsf\u00e4lle konfiguriert werden.<\/p>\nAnwendungsf\u00e4lle<\/h2>\n
\n
\n
3 System-Plattform<\/h2>\n
Anforderungen an die IoT-Komponenten<\/h2>\n
\n
5 Zusammenfassung und Ausblick<\/h2>\n
\n\n
\n [1]<\/td>\n A. Bassi, M. Bauer, M. Fiedler, T. Kramp, R. van Kranenburg, S. Lange, S. Meissner (Eds.). Enabling Things to Talk – Designing IoT solutions with the IoT Architectural Reference Model, 2013, Springer Berlin Heidelberg<\/td>\n<\/tr>\n \n [2]<\/td>\n Sebastian Bohlmann, Arne Klauke, Volkhard Klinger, and Helena Szczerbicka. Model synthesis using a multi-agent learning strategy. In The 23rd European Modeling & Simulation Symposium (Simulation in Industry), Rome, Italy, September 2011.<\/td>\n<\/tr>\n \n [3]<\/td>\n S.Bohlmann, A.Klauke, V.Klinger, and H.Szczerbicka. HPNS – a Hybrid Process Net Simulation Environment Executing Online Dynamic Models of Industrial Manufacturing Systems. In Proceedings of the 2009 Winter Simulation Conference M. D. Rossetti, R. R. Hill, B. Johansson, A. Dunkin, and R. G. Ingalls, eds., 2009.<\/td>\n<\/tr>\n \n [4]<\/td>\n S.Bohlmann, V.Klinger, and H.Szczerbicka. System Identification with Multi-Agent-based Evolutionary Computation Using a Local Optimization Kernel. In The Ninth International Conference on Machine Learning and Applications, pages 840\u2013845, 2010.<\/td>\n<\/tr>\n \n [5]<\/td>\n J.J. Craig. Introduction to Robotics: Mechanics and Control. Prentice Hall, New Jersey, USA, 2004<\/td>\n<\/tr>\n \n [6]<\/td>\n Gold, C., Henze, D. and Koch, C., 2007, Using extracellular action potential recordings to constrain compartmental models, Journal of Computational Neuroscience, 23(1), pp. 39\u201358.<\/td>\n<\/tr>\n \n [7]<\/td>\n Arne Klauke, V. Klinger. Identification Of Motion-Based Action Potentials In Neural Bundles Using An Algorithm With Multi Agent Technology, Proceedings of the International Workshop on Innovative Simulation for Health Care, 2013, 978-88-97999-26-3; Backfrieder, Bruzzone, Frascio, Longo, Novak Eds.<\/td>\n<\/tr>\n \n [8]<\/td>\n Volkhard Klinger. Verification concept for an electroneurogram based prosthesis control. In Agostino Bruzzone, Marco Frascio, Vera Novak, Francesco Longo, Yuri Merkuryev, and Vera Novak, editors, 3nd International Workshop on Innovative Simulation for Health Care (IWISH 2014), 2014<\/td>\n<\/tr>\n \n [9]<\/td>\n Neymotin, S., Lytton, W., Olypher, A. and Fenton, A.. 2011, Measuring the quality of neuronal identification in ensemble recordings. J Neurosci, 31(45):16, pp. 398\u2013409.<\/td>\n<\/tr>\n \n [10]<\/td>\n T. Zachariah, N. Klugman, B. Campbell, J. Adkins, N. Jackson, P. Dutta.
\nThe Internet of Things Has a Gateway Problem, Proceedings of the 16th International Workshop on Mobile Computing Systems and Applications, 2015, Santa Fe, New Mexico, USA, ACM<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n
\nSystem- und Hardwareentwicklung – unsere Trainings & Coachings<\/h2>\n
\nSystem- und Hardwareentwicklung – Fachwissen<\/h2>\n