Volltext-Downloads (blau) und Frontdoor-Views (grau)
  • search hit 1 of 1
Back to Result List

Sensor-Netz-basiertes System für die langfristige Schlafanalyse im häuslichen Umfeld

  • Das häusliche Umfeld kann vor allem für langfristiges Schlafmonitoring verwendet werden. Gute Patientenakzeptanz erfordert niedrige Nutzer- und Installationsbarrieren. Für die Installation zu Hause sind klassische PSG-Systeme aufgrund von ihrer Komplexität wenig passend. Ziel der Entwicklung ist die qualifizierte Erhebung von Parametern, die einerseits eine hinreichend gute Klassifikation von Schlafphasen erlauben und die andererseits durch nicht-invasive Methoden erfasst werden können. Basierend auf einer Literaturstudie und der Maßgabe nicht-invasive Methoden zu nutzen, wurden folgende Parameter ausgewählt: Körperbewegung, Atmung und Herzschlag. Diese Parameter können nicht-invasiv durch Matratzendrucksensoren erfasst werden. Die Sensorknoten sind als ein Netz von Drucksensoren implementiert, die mit einem leistungsarmen und performanten Mikrocontroller verbunden sind. Alle Knoten sind über einen systemweiten Bus mit Adressarbitrierung verbunden. Der eingebettete Prozessor ist der Mesh-Netzwerk-Endpunkt, der die Netzwerkkonfiguration, Speicherung und Vorverarbeitung der Daten, externen Datenzugriff und Visualisierung ermöglicht. Das System wurde getestet, indem Experimente durchgeführt wurden, die den Schlaf verschiedener gesunder junger Personen aufzeichneten. Die erhaltenen Ergebnisse bestätigen die Fähigkeit des Systems, Atemfrequenz und Körperbewegung zu erfassen. Ein wesentlicher Unterschied dieses Systems im Vergleich zu anderen Ansätzen ist die innovative Art, die Sensoren unter der Matratze zu platzieren. Diese Eigenschaft erleichtert die kontinuierliche Nutzung des Systems ohne Einfluss auf den gemeinsamen Schlafprozess. Um Schlafverhalten langfristig zu untersuchen, wird ein Hardwaresystem mit niedrigen Installationsbarrieren für den Einsatz im häuslichen Umfeld. Erste Ergebnisse weisen auf das Potenzial hin, außer Körperbewegung und Atemfrequenz, auch Herzfrequenz erfassen zu können. Die Werte können weiter verbessert werden, wenn die Sensorabfragefrequenz erhöht wird. Nach der Weiterentwicklung des Systems, soll es mit dem Softwarealgorithmus für die Schlafphasenerkennung verbunden werden.

Export metadata

Additional Services

Search Google Scholar

Statistics

frontdoor_oas
Metadaten
Author:Maksym GaidukORCiD, Ralf SeepoldORCiDGND, Thomas PenzelORCiDGND
DOI:https://doi.org/10.1007/s11818-018-0175-3
ISSN:1439-054X
ISSN:1432-9123
Parent Title (German):Abstracts der 26. Jahrestagung der Deutschen Gesellschaft für Schlafforschung und Schlafmedizin e.V., „Schlaf ist Medizin!“, 11.–13. Oktober 2018, Nürnberg - (Somnologie, 2018, Vol. 22, Suppl. 1)
Document Type:Other Publications
Language:German
Year of Publication:2018
Release Date:2019/01/16
Tag:Schlafanalyse
First Page:35
Last Page:35
Note:
Volltextzugriff für Angehörige der Hochschule Konstanz möglich
Institutes:Fakultät Informatik
Relevance:Sonstige Publikation
Open Access?:Nein
Licence (German):License LogoUrheberrechtlich geschützt