Zwettler G., Reichhard A., Stradner M., Praschl C. (2021). In Proceedings of 33rd European Modeling & Simulation Symposium.
DOI:
10.46354/i3m.2021.iwish.004
Mit einer Prävalenz von fast 1% stellen potentielle epileptische Anfälle ein erhebliches Gesundheitsrisiko für viele jugendliche Patienten dar. Daher ist ein Monitoring unerlässlich, um frühzeitig gegensteuernde Maßnahmen zu setzen und Schäden zu vermeiden. Die sensorbasierten Überwachungssysteme adressieren hauptsächlich epileptische Anfälle, die durch eine Veränderung des Muskeltonus angezeigt werden, können aber nicht für Patienten eingesetzt werden, die nur das Prévost-Zeichen zeigen. Zur Überwachung des auslösenden Prévost-Zeichens mit geöffneten Augen als kritisches visuelles Merkmal wird in dieser Arbeit die Anwendbarkeit von Deep-Learning-Augenerkennungssystemen auf Nachtsichtbildern als Grundlage für die Modellierung und Klassifizierung des Augenzustandes (geschlossen, geöffnet, nicht sichtbar) evaluiert. Ein ganzheitlicher Forschungsprototyp wird als Proof of Concept vorgestellt, der die Anwendbarkeit von State-of-the-Art-Gesichtserkennung auf Nachtsichtbildern sowie multivariater Merkmalsanalyse auf Graphensegmentierung vor Fragmentierung zeigt, die zur Erkennung des Augenzustands auf robuste Weise anwendbar ist. Die Ergebnisse zeigen eine Einzelbildgenauigkeit bei der Gesichts-/Augenerkennung von 73,91% und 94,44% für die Klassifizierung der geöffneten Augen als Hinweis auf einen potenziell auslösenden epileptischen Anfall. Das Überwachungssystem basiert auf einer Raspberry-Recheneinheit mit zwei angeschlossenen ELP-Nachtsichtkameras und einer Smartphone-App für die Benutzerinteraktion und -konfiguration sowie die visuelle Überwachung auf Abruf. Zukünftige Arbeiten werden zeigen, dass die Einzelbild-Erkennungsrate ausreicht, um eine regelbasierte Überwachungs-Zustandsmaschine mit einer vom Benutzer vordefinierten Empfindlichkeit und Spezifität aufzubauen, indem der visuelle Inhalt als Zeitserie und nicht als Einzelbilder analysiert wird.
