Verfahren und Vorrichtung zur Vermessung eines Ablaufs in einem Objekt

Die Erfindung betrifft ein Verfahren und eine Vorrichtung zur Vermessung zumindest eines Ablaufs in einem Objekt. Dabei wird ein Wechselfeld in das Ob- jekt eingestrahlt und empfangen, nachdem es das Objekt durchlaufen hat. Mit einem statistischen Modell wird dann zeitabhängig zumindest ein Merkmal des Ablaufs und/oder eine zeitliche Darstellung des Ablaufs erzeugt.

Bei der Behandlung von maschinell beatmeten Patientinnen liegt eine techni- sehe Fragestellung in dem Erkennen der selbstständigen Atmung (Spontanatmung) des/der Patient*in. Während einer künstlichen Beatmung wird Patientinnen unter teilweise hohen Drücken Luft in die Lungen gepresst. Wird hierbei die Beatmung entgegen der Spontanatmung durchgeführt, kann dies in besonderem Maße zu irreversiblen Schäden in der Lunge und den oberen Atemwegen führen. Insbesondere sind folgenden Schädigungen bekannt:

Barotrauma: Schäden an den Lungenbläschen aufgrund von hohen Beatmungsdrücken,

Volutrauma: Überdehnung der Lungenbläschen aufgrund von zu hohen Beatmungsvolumina,

Atelektasen: Kollaps von Lungenbläschen aufgrund von zu niedrigen Beatmungsdrücken oder unzureichendem Beatmungsvolumen

Aber auch eine richtig synchronisierte Beatmung über einen längeren Zeitraum kann das Gewebe von Patientinnen schädigen, darum ist es erstrebenswert die Dauer der Beatmung auf ein Minimum zu reduzieren. Hierfür muss eine eindeutige Bewertung des Vitalzustands des/der Patientin erfolgen, was die Aufnahme weiterer Vitalparameter unerlässlich macht. Hieraus ergeben sich als weitere technische Fragestellungen, wie neben respiratorischen Parametern (z.B. exspiratorische Phase, inspiratorische Phase) auch kardiologisch relevante Parameter (z.B. EKG-Daten, QRS-Komplexe, Herzraten, Herzratenvariabilität, Arrythmien) gewonnen werden können. Hier besteht die Herausforderung, dies in einem kontaktlosen Verfahren zu ermöglichen, um eine Beeinträchtigung von Patientinnen zu minimieren und dadurch die Akzeptanz für das Messverfahren zu erhöhen.

Die Erhebung von Vitaldaten wie z.B. Herz- und Atemfrequenz, Atemvolumen, Atemtiefe, Dauer und Zeitpunkt der Inspiration oder Exspiration ist in einer Vielzahl von Anwendungen sinnvoll. Beispielsweise bei der Steuerung von Beatmungsgeräten, bei der Erkennung von Schlafapnoe oder respiratorischen Erkrankungen, bei der Überwachung des Belastungszustandes von Einsatzkräften oder bei der Biometrie in Fahrzeugen. Dabei soll die Sensorik möglichst schnell, unobstrusiv und robust gegen Störungseinflüsse sein. Eine Technologie die sich hier eignet, stellt der Thoraxmonitor (WO 2019/243444 Al) dar. Die hier ge- wonnenen mehrdimensionalen und zeitabhängigen Daten geben einen Aufschluss über zugrundeliegende dynamische Änderungen im Testsystem. Jedoch ist eine Interpretation artefaktanfällig.

Bei der Ableitung von kardiorespiratorischen Daten oder generell bei der Ableitung von Vitalparametern verwendet der Großteil der Verfahren kontaktierende Modalitäten oder Modalitäten, die eng am Körper der/des Patient*in anliegen. Dies kann von Patientinnen, gerade bei Messungen über längere Zeiträume oder in alltäglichen Situation, in denen die Messung der Vitalparameter nicht im Vordergrund steht (z.B. beim Autofahren oder Schlafen), sehr belastend sein.

Das am besten etablierte Verfahren zur Messung der kardialen Aktivität ist sicherlich das Elektrokardiogramm (EKG). Hierbei wird die elektrische Aktivität des Herzens über auf den Körper aufgeklebte Elektroden erfasst.

Ein großer Teil der etablierten Verfahren kombinieren ein EKG mit der Impedanzkardiographie (IKG) um zusätzlich die respiratorische Aktivität zu messen. Diese Verfahren schätzen die kardiale Komponente, und ziehen diese vom Impedanzsignal ab, um aus dem resultierenden Signal die respiratorische Komponente zu gewinnen. Da die Erfassung der respiratorischen Parameter hierbei indirekt durch die Schätzung der kardialen Komponente abgeleitet wird, hängt diese zwingend von der Qualität des kardialen Modells ab. Weiterhin wird hierbei hauptsächlich die Atemfrequenz bestimmt. Eine Aussage über Tidalvolu- men und Spontanatmung ist nicht direkt möglich.

Ein anderes Verfahren zum Erfassen der respiratorischen Aktivität ist die Messung der Dehnung des Brustkorbs und des Abdomens mit Hilfe der respiratorischen induktiven Plethymographie (RIP). Hierbei werden dem/der Patient*in zwei elastische Bänder um Thorax und Abdomen gelegt, in die Bänder sind Spulen eingearbeitet, die bei einer Dehnung der Bänder ihre Induktivität ändern. Diese Methode kann aufgrund der elastischen Bänder unangenehm und einen- gend auf die/den Patient*in wirken. Ein vergleichbares Verfahren ist auch über Dehnungsmessstreifen vorstellbar, wobei sich keine weiteren Vorteile des Verfahrens ergeben. Es gibt auch eine Reihe von Verfahren, welche kontaktlos die Vitalparameter messen. Die meisten Verfahren basieren hierbei auf einer radarbasierten Messung. Meistens wird mit Hilfe dieser radarbasierten Verfahren jedoch nur eine Aussage über die Atemrate oder die Herzrate über Reflexionen am Brustkorb getroffen.

Aufgabe der vorliegenden Erfindung ist es also, ein Verfahren zur Messung eines Ablaufs in einem Objekt anzugeben, das nicht-invasiv ist, nicht obstruierend und skalierbar.

Die Aufgabe wird gelöst durch das Verfahren zur Messung zumindest eines Ablaufs in einem Objekt nach Anspruch 1 sowie die Vorrichtung zur Vermessung zumindest eines Ablaufs in einem Objekt nach Anspruch 21. Die jeweiligen abhängigen Ansprüche geben vorteilhafte Weiterbildungen des erfindungsgemäßen Verfahrens und der erfindungsgemäßen Vorrichtung an.

Erfindungsgemäß wird ein Verfahren zur Messung zumindest eines Ablaufs in einem Objekt angegeben. Grundsätzlich ist das Verfahren auf alle Arten von Objekten anwendbar, insbesondere solche, in die ein elektromagnetisches Wechselfeld eindringen kann. Bevorzugterweise kann das Objekt ein Körper eines Lebewesens sein, z. B. ein Körper eines Menschen oder eines Tieres.

Sofern hier von einer Vermessung des Ablaufs in dem Objekt die Rede ist, ist hiermit die Ableitung der interessierenden Merkmale des Ablaufs aus den Demodulationsdaten gemeint. Synonym zu „Vermessung" kann hier „Vorhersagen" oder „Prädizieren" oder „Schätzen" verwendet werden.

Erfindungsgemäß wird ein elektromagnetisches Wechselfeld in das Objekt eingestrahlt. Das Wechselfeld wird empfangen, nachdem es das Objekt durchlaufen hat. Dass das Wechselfeld das Objekt durchlaufen hat, bedeutet vorzugsweise, dass es nach dem Einstrahlen in das Objekt eingetreten ist und vor dem Empfangen aus dem Objekt ausgetreten ist. Vorzugsweise ist das Wechselfeld dabei zumindest 1 cm, besonders bevorzugt zumindest 5 cm, besonders bevorzugt zumindest 10 cm, besonders bevorzugt zumindest 20 cm in das Objekt eingetreten. Das Wechselfeld wird durch den Ablauf in dem Objekt, das vermessen werden soll, moduliert. Dies kann insbesondere bedeuten, dass der Ablauf in dem Objekt zu einer Phasenverschiebung, Frequenzverschiebung und/oder Amplitudenänderung des empfangenen Wechselfelds gegenüber dem eingestrahlten Wechselfeld führt. Unter einer Modulation kann hier vorteilhafterweise ein Vorgang verstanden werden, bei dem auf ein Trägersignal, hier das eingestrahlte Wechselfeld, Nutzdaten aufgebracht werden. Als Nutzdaten können hier Veränderungen in dem Objekt angesehen werden, die den zu vermessenden Ablauf bilden. Diese Veränderungen werden in diesem Verständnis also auf das eingestrahlte Wechselfeld als Träger aufmoduliert.

Die Mindesteindringtiefe des Wechselfelds in das Objekt kann dabei so bemessen sein, dass das empfangene Wechselfeld in der gegebenen Eindringtiefe noch eine Modulation erfahren hat, die die Messgenauigkeit des Verfahrens überschreitet. Das Wechselfeld soll also vorzugsweise nur dann als die genannte Mindesteindringtiefe erreichend, also als in das Objekt eingedrungen, angesehen werden, wenn die Modulation bei dieser Eindringtiefe noch zu einem unterscheidbaren Unterschied in der Vermessung des zumindest einen Ablaufs führt.

Das empfangene Wechselfeld wird in einem als Demodulationsschritt bezeichneten Schritt zur Erzeugung mehrdimensionaler Demodulationsdaten demodu- liert. Vorteilhaft können mehrere Empfangstrukturen dasselbe oder unterschiedliche Wechselfelder empfangen. Aus den empfangenen Wechselfeldern jeder Empfangsstuktur können dann in einem separaten Demodulationschritt mehrdimensionaler Demodulationsdaten demoduliert und zusammen einem statistischen Modell zugeführt werden. Besonders vorteilhaft können so zum Beispiel Asymmetrien des Objekts in das Modell einfließen (z.B. rechter und linker Lungenflügel).

Unter dem Demodulieren kann dann verstanden werden, dass die Nutzdaten vom Trägersignal getrennt werden. Es kann in diesem Schritt also das empfangene Wechselfeld getrennt werden in das eingestrahlte Wechselfeld einerseits und die durch den zu vermessenden Ablauf verursachten Veränderungen andererseits. In diesem Verständnis können dann die Veränderungen des Ablaufs als mehrdimensionale Demodulationsdaten angesehen werden. Dass die Demodulationsdaten mehrdimensional sind, kann dabei bedeuten, dass diese zumindest zwei unabhängige Anteile aufweisen, insbesondere vorteilhaft zumindest zwei linear unabhängige Anteile.

Erfindungsgemäß werden die mehrdimensionalen Demodulationsdaten und/oder aus diesen mehrdimensionalen Demodulationsdaten abgeleiteten Daten einem statistischen Modell zugeführt. Das statistische Modell erzeugt dann in einem als Erzeugungsschritt bezeichneten Schritt aus den zugeführten mehrdimensionalen Demodulationsdaten und/oder aus den aus diesen abgeleiteten Daten zeitabhängig zumindest ein Merkmal des Ablaufs und/oder eine zeitliche Darstellung des Ablaufs.

Dass die Erzeugung zeitabhängig erfolgt, kann dabei insbesondere bedeuten, dass sie zumindest zu zwei unterschiedlichen Zeitpunkten erfolgt. Vorteilhafterweise bedeutet zeitabhängige Erzeugung aber regelmäßige Erzeugung, insbesondere quasi kontinuierliche Erzeugung oder, soweit möglich, vorteilhaft auch kontinuierliche Erzeugung. Dabei soll kontinuierliche Erzeugung als kontinuierlich in dem Sinne angesehen werden, indem dieser Begriff im Bereich digitaler Datenverarbeitung üblicherweise verstanden wird, also zeitlich diskretisiert, beispielsweise mit einer Taktfrequenz. Bei analoger Verarbeitung kann der Begriff kontinuierlich aber auch im analogen Sinne verstanden werden. Die Daten können einen stetigen oder quasi-stetigen Verlauf haben.

Erfindungsgemäß kann eine zeitliche Darstellung des Ablaufs erzeugt werden. Diese Darstellung kann also beispielsweise zumindest ein Elektrokardiogramm, zumindest ein Impedanzkardiogramm, zumindest ein Ballistokardiogramm, zumindest ein Seismokardiogram, die Bewegung und/oder die Ausdehnung des Brustkorbs und/oder des Abdomens, zumindest ein Blutdruckverlauf über die Zeit, eine Atemvolumenkurve, zumindest eine Atemdruckkurve, zumindest ein respiratorischer Fluss in Abhängigkeit von der Zeit, zumindest ein Verlauf einer Sauerstoffsättigung über die Zeit, zeitliche Ablaufdaten, die durch eine Bildge- bung gewonnen werden, und/oder ein Plethysmogramm sein. Zeitliche Abläufe, die aus den Bilddaten gewonnen werden, sind z.B. Belüftung des linken und/oder rechten Lungenflügels über der Zeit, die aus einem Ultraschall, Elekt- roimpedanztomographie oder einer Computer-Tomographie stammen können.

Erfindungsgemäß können auch ein oder mehrere Merkmale eines Ablaufs bestimmt werden, wie beispielsweise ein Überschreiten eines Schwellenwerts und dergleichen.

Insbesondere können vorteilhaft folgende Merkmale bestimmt werden:

Als respiratorische Merkmale können zum Beispiel ein oder mehrere der folgenden bestimmt werden:

Tidalvolumen: Das Tidalvolumen bezeichnet das Atemzugvolumen, das bei einer normalen Ein- und Ausatmung in die Lunge eingeatmet und wieder ausgeatmet wird. Eine Messung des Tidalvolumens kann Aufschluss über die Effizienz der Atmung geben und ist relevant bei der Behandlung von Atemwegserkrankungen.

Atmungszyklus: Der Atmungszyklus misst die Gesamtzeit, die für einen Atemzug benötigt wird, vom Beginn der Einatmung bis zum Ende der Ausatmung. Eine Messung des Atmungszyklus kann zur Überwachung der Atmungsfrequenz und -effizienz verwendet werden und ist relevant bei der Behandlung von Atemwegserkrankungen.

Inspirationszeit: Die Inspirationszeit beschreibt die Zeitdauer, während der ein Atemzug eingeatmet wird. Eine Messung der Inspirationszeit kann Aufschluss über die Atmungsfrequenz und -effizienz geben und ist relevant bei der Behandlung von Atemwegserkrankungen.

Exspirationszeit: Die Exspirationszeit beschreibt die Zeitdauer, während der ein Atemzug ausgeatmet wird. Eine Messung der Exspirationszeit kann Aufschluss über die Atmungsfrequenz und -effizienz geben und ist relevant bei der Behandlung von Atemwegserkrankungen.

Verhältnis von Einatmung zu Ausatmung: Das Verhältnis von Einatmung zu Aus- atmung bezeichnet das Verhältnis der Zeitdauer, während der ein Atemzug eingeatmet wird, zur Zeitdauer, während der ein Atemzug ausgeatmet wird. Eine Messung des Verhältnisses von Einatmung zu Ausatmung kann Aufschluss über die Atmungsfrequenz und -effizienz geben und ist relevant bei der Behandlung von Atemwegserkrankungen.

Inspiratorischer Spitzenfluss: Der inspiratorische Spitzenfluss misst den maximalen Volumenstrom während der Einatmung und gibt Aufschluss über die Leistungsfähigkeit der Atemwege. Eine Messung des inspiratorischen Spitzenflusses kann zur Überwachung der Atmungsfunktion verwendet werden und ist relevant bei der Behandlung von Atemwegserkrankungen.

Expiratorischer Spitzenfluss: Der expiratorische Spitzenfluss misst den maximalen Volumenstrom während der Ausatmung und gibt Aufschluss über die Leistungsfähigkeit der Atemwege. Eine Messung des expiratorischen Spitzenflusses kann zur Überwachung der Atmungsfunktion verwendet werden und ist relevant bei der Behandlung von Atemwegserkrankungen.

Als kardiologische Parameter können vorteilhaft zum Beispiel einer oder mehrere der folgenden bestimmt werden:

Bestimmung des Lagetyps: EKG-Parameter, die die elektrische Aktivität des Herzens in verschiedenen Richtungen messen, um den Herzrhythmus und die elektrische Aktivität des Herzens zu beurteilen.

ST-Segment-Veränderungen: Abweichungen im EKG, die auf mögliche Herzerkrankungen hinweisen können, insbesondere auf Schäden am Herzmuskel.

T-Wellen-Veränderungen: Veränderungen in der Form, Amplitude oder Richtung der T-Wellen im EKG, die auf mögliche Herzerkrankungen oder Elektrolytstörungen hinweisen können.

QT-Intervall-Verlängerung: Verlängerung des Zeitintervalls zwischen dem Beginn des QRS-Komplexes und dem Ende der T-Welle im EKG, was auf mögliche Herzrhythmusstörungen hinweisen kann. P-Wellen-Veränderung: Veränderungen in der Form oder Amplitude der P-Wel- len im EKG, die auf mögliche Erkrankungen des Vorhofs hinweisen können.

QRS-Komplex-Veränderung: Veränderungen in der Form oder Dauer des QRS- Komplexes im EKG, die auf mögliche Erkrankungen des Herzmuskels hinweisen können.

Schenkelblock: Störung in der elektrischen Leitung im Herzen, die auf mögliche Herzerkrankungen hinweisen kann.

Langzeit-, Belastungs-EKG: EKG-Aufzeichnungen über einen längeren Zeitraum oder während körperlicher Belastung, um Herzerkrankungen zu diagnostizieren oder Risikopatienten zu überwachen.

Herzraten: Anzahl der Herzschläge pro Minute, ein wichtiger Indikator für die Herzfunktion.

Herzratenvariabilität: Schwankungen in der Herzfrequenz, die ein wichtiger Indikator für mögliche Herzerkrankungen sind.

Arrhythmien: Abweichungen im Herzrhythmus, die auf mögliche Herzerkrankungen hinweisen können.

Ejektionsfraktion (EF): Die Ejektionsfraktion ist ein Prozentsatz, der angibt, wie viel Blut bei jedem Herzschlag aus der linken Herzkammer ausgeworfen wird. Eine verminderte EF kann auf Herzinsuffizienz oder andere kardiale Probleme hindeuten.

Die zeitliche Darstellung des Ablaufs kann auch als Nachbildung des Ablaufs bezeichnet werden. Es ist nicht zwingend erforderlich, dass der zeitliche Ablauf als Diagramm ausgegeben wird. Es kann auch ausreichen, wenn er in einer solchen Weise ermittelt und/oder gespeichert wird, dass er für die intendierte Verwendung geeignet ist.

In einer vorteilhaften Ausgestaltung der Erfindung kann das elektromagneti- sehe Wechselfeld, das in das Objekt eingestrahlt wird, zumindest zwei Komponenten unterschiedlicher Frequenz enthalten. Als Komponenten könnten hierbei insbesondere Sinusschwingungen mit den entsprechenden Frequenzen angesehen werden. Vorteilhaft ist hierbei, dass unterschiedliche Frequenzen unterschiedliche Sensitivitäten auf Störgrößen aufweisen. Es können die Wechselfelder unterschiedlicher Frequenzen wiederum demoduliert werden und die daraus abgeleiteten Daten dem statistischen Modell zugeführt werden. Vorteilhaft können die Demodulationsdaten dabei für die unterschiedlichen Frequenzen separat verarbeitet werden. Generell ermöglicht die Verwendung mehrerer unterschiedlicher Frequenzen die Unterdrückung von Störgrößen durch Erhöhung der Dimensionalität und durch unterschiedliche Proportionalität zur Störgröße sowie vorteilhaft auch eine Verbesserung der Signalqualität, Robustheit und Reproduzierbarkeit.

In einer besonders vorteilhaften Ausgestaltung kann das empfangene Wechselfeld im Demodulationsschritt in einem In-Phase- & Quadratur-Verfahren zur Erzeugung von I-Daten und Q-Daten als die mehrdimensionalen Demodulationsdaten demoduliert werden. Die I- und Q-Daten können dabei alle Demodulationsdaten sein öderes können weitere Demodulationsdaten im Demodulationsschritt erzeugt werden. Die I-Daten und die Q-Daten, sowie gegebenenfalls die weiteren Demodulationsdaten, können dem statistischen Modell zugeführt werden. Alternativ oder zusätzlich können auch aus den I-Daten und den Q- Daten sowie optional gegebenenfalls weiteren Demodulationsdaten abgeleitete Daten dem statistischen Modell zugeführt werden.

Das statistische Modell kann vorteilhaft als Einheit angesehen werden, die zumindest einen Eingang und zumindest einen Ausgang hat. Daten, die dem statistischen Modell zugeführt werden, können also in den zumindest einen Eingang dieser Einheit eingegeben werden. Das statistische Modell kann daraus das zumindest eine Merkmal des Ablaufs bzw. die Darstellung des Ablaufs erzeugen und diese über seinen zumindest einen Ausgang ausgeben.

Werden aus den mehrdimensionalen Demodulationsdaten und/oder den I-Da- ten und/oder den Q-Daten abgeleitete Daten verwendet, so können diese ein oder mehrere ausgewählt aus einer Gruppe sein, die folgende Daten enthält: Eine Ableitung von Q nach I, eine Ableitung von I nach Q, eine Ableitung von I nach der Zeit, eine Ableitung von Q nach der Zeit, eine Amplitude des empfangenen Wechselfelds, eine Phase des empfangenen Wechselfelds, eine Amplitude aus der Ableitung von Q nach der Zeit und der Ableitung von I nach der Zeit, eine Phase aus der Ableitung von Q nach der Zeit und der Ableitung von I nach der Zeit, Ableitungen der Amplitude nach der Zeit, Ableitungen der Phasen nach derzeit, ein Phasor der Ableitung von Q nach I, zweite oder höhere Ableitungen der abgeleiteten Daten nach der Zeit und/oder zu einer anderen abgeleiteten Größe und/oder Q-Daten und/oder I-Daten, Binarisierungen der abgeleiteten Daten, Binarisierungen von Q-Daten, Binarisierungen der I-Daten, gleitende Mittelwerte der erzeugten Daten, gleitende Mittelwerte der Q-Da- ten, gleitende Mittelwerte der I-Daten, durch Frequenzfilter gefilterte Q-Daten, durch Frequenzfilter gefilterte I-Daten, durch Frequenzfilter gefilterte erzeugte Daten, abgeleitete Daten aus vergangenen Zeitpunkten, Q-Daten aus vergangenen Zeitpunkten und/oder I-Daten von vergangenen Zeitpunkten.

Ein oder mehrere der folgenden Daten können besonders vorteilhaft zum Einsatz kommen und haben unter anderem die folgenden Vorteile:

Eine Ableitung von Q nach I kann helfen, die Phasenverschiebung zwischen I- und Q-Signalen zu bestimmen.

Eine Ableitung von I nach der Zeit kann helfen, Änderungen der Amplitude des Signals im Zeitverlauf zu identifizieren. Sie korreliert direkt mit dem Flow.

Eine Ableitung von Q nach der Zeit kann helfen, Änderungen der Phase des Signals im Zeitverlauf zu identifizieren. Der Wert korreliert direkt mit dem Flow.

Eine Amplitude des empfangenen Wechselfelds kann eine direkte Messung der Stärke des empfangenen Signals sein.

Eine Phase des empfangenen Wechselfelds kann helfen, die zeitliche Verschiebung des empfangenen Signals im Vergleich zu einem Referenzsignal zu bestimmen.

Eine Amplitude aus der Ableitung von Q nach der Zeit und der Ableitung von I nach der Zeit kann helfen, die Änderungsrate des Signals im Zeitverlauf zu bestimmen. Sie korreliert direkt mit dem Flow.

Eine Phase aus der Ableitung von Q nach der Zeit und der Ableitung von I nach der Zeit kann helfen, die Änderungsrate der Phase des Signals im Zeitverlauf zu bestimmen.

Die Ableitung der Amplitude nach der Zeit kann helfen, Veränderungen in der Amplitude des Signals im Zeitverlauf zu identifizieren. Sie korreliert direkt mit dem Flow.

Die Ableitungen der Phasen nach der zeit kann helfen, Veränderungen in der Phase des Signals im Zeitverlauf zu identifizieren. Sie korrelieren direkt mit dem Flow.

Ein Phasor der Ableitung von Q nach I kann eine alternative Darstellung des Signals als Vektor im Phasenraum bieten.

Zweite oder höhere Ableitungen der abgeleiteten Daten nach der Zeit und/oder zu einer anderen abgeleiteten Größe und/oder Q-Daten und/oder I-Daten können helfen, höhere Ordnungen der Veränderungen im Signal zu erfassen.

Binarisierungen der abgeleiteten Daten können helfen, das Signal in einfachere, binäre Formate zu übersetzen. Dies führt zu Reduktion der Komplexität.

Binarisierungen von Q-Daten können helfen, das Signal in einfachere, binäre Formate zu übersetzen. Dies führt zu Reduktion der Komplexität.

Binarisierungen der I-Daten können helfen, das Signal in einfachere, binäre Formate zu übersetzen. Dies führt zu Reduktion der Komplexität.

Gleitende Mittelwerte der erzeugten Daten, gleitende Mittelwerte der Q-Daten und/oder gleitende Mittelwerte der I-Daten können helfen, das Signal zu glätten und Rauschen zu reduzieren.

Durch Frequenzfilter gefilterte Q-Daten, durch Frequenzfilter gefilterte I-Daten und/oder durch Frequenzfilter gefilterte erzeugte Daten können helfen, unerwünschte Frequenzkomponenten im Signal zu reduzieren.

Abgeleitete Daten aus vergangenen Zeitpunkten, Q-Daten aus vergangenen Zeitpunkten und/oder I-Daten von vergangenen Zeitpunkten können helfen, Änderungen im Signal im Zeitverlauf zu verfolgen und zu prognostizieren.

In einer vorteilhaften Ausgestaltung der Erfindung kann aus den Demodulationsdaten und/oder aus von diesen abgeleiteten Daten zumindest ein Eingangsmerkmal extrahiert werden, das dem statistischen Modell zugeführt wird. Das zumindest eine Eingangsmerkmal kann dabei vorteilhafterweise eine Linearkombination und/oder eine nicht-lineare Kombination der mehrdimensionalen Demodulationsdaten und/oder der aus diesen abgeleiteten Daten sein. Solche Eingangsmerkmale können auch selbst als aus den Demodulationsdaten abgeleitete Daten angesehen werden.

Vorteilhafterweise kann das statistische Modell eines oder mehrere ausgewählt aus der folgenden Gruppe enthalten oder sein: Ein künstliches neuronales Netz, ein künstliches neuronales Feed-Forward-Netz, ein künstliches neuronales rekurrentes Netz, ein künstliches Faltungsnetz oder eine Kombination aus den vorgenannten künstlichen neuronalen Netzen, ein Entscheidungsbaum, ein Entscheidungswald, ein Naive-Bayes-Modell, ein Nearest-Neighbour-Modell, eine Support-Vector-Machine, ein lineares Regressionsmodell, ein nicht-lineares Regressionsmodell, ein adaptives Filter, ein Kalman-Filter, ein Gamma-Filter, ein Markov-Modell, ein Modell aus einer linearen Diskriminanz-Analyse, ein Modell aus einer nicht-linearen Diskriminanz-Analyse, ein Modell aus einer Un- abhängige-Komponenten-Analyse, ein Modell aus einer Hauptkomponenten- Analyse und/oder ein Ensemble-Modell aus einem oder mehreren der vorgenannten Modelle. Es sei darauf hingewiesen, dass in der vorgenannten Liste jene mit englischen Namen benannten Modelle fachüblich mit diesem englischen Namen bezeichnet werden.

Die folgenden statistischen Modelle können beispielsweise mit folgenden Vorteilen zum Einsatz kommen:

Künstliches neuronales Netz: Kann komplexe nicht-lineare Zusammenhänge in den Daten modellieren und somit eine hohe Vorhersagegenauigkeit für zeitreihenbasierte Vorhersagen liefern.

Künstliches neuronales Feed-Forward-Netz: Ein neuronales Netz, bei dem die Signale nur in eine Richtung fließen, ohne Rückkopplungen. Gut um einfache nicht-lineare Zusammenhänge wie z.B. die Vorhersage von einfachen Zeitreihen zu erstellen.

Künstliches neuronales rekurrentes Netz: Ein neuronales Netz, bei dem die Ausgabe des Netzwerks auch als Eingabe für spätere Zeitpunkte dient, um auf vergangene Zustände zurückzugreifen und somit für die Vorhersage von Zeitreihen geeignet ist.

Künstliches Faltungsnetz: Ein Modell, das für die Verarbeitung von Signalen entwickelt wurde, indem es lokale Merkmale extrahiert und diese zusammenführt. Dadurch erfolgt die Merkmalextraktion implizit und ist somit gut für komplexe Zeitreihen geeignet.

Entscheidungsbaum: Ermöglicht die Identifikation wichtiger Variablen und Interaktionsmuster in den Daten, was besonders hilfreich ist, wenn die Beziehung zwischen den Variablen nicht linear ist.

Entscheidungswald: Ähnlich wie ein Entscheidungsbaum, jedoch durch den Einsatz von mehreren Entscheidungsbäumen können Ensemble-Methoden verwendet werden, um eine bessere Vorhersagegenauigkeit zu erzielen.

Naive-Bayes-Modell: Eignet sich besonders gut für Probleme mit einer großen Anzahl von Variablen, da es eine einfache Annahme über die Unabhängigkeit der Variablen macht.

Nearest-Neighbor-Modell: Kann in der Lage sein, die Muster und Zusammenhänge in den Daten gut zu erkennen, insbesondere wenn die Daten hochdimensional sind.

Support-Vector-Machine: Kann auch in Fällen mit hochdimensionalen Daten nützlich sein, insbesondere wenn die Daten nichtlinear sind. Lineares Regressionsmodell: Eignet sich besonders gut für Probleme mit linearer Abhängigkeit zwischen den Variablen und kann schnell trainiert werden.

Nicht-lineares Regressionsmodell: Kann auch in Fällen mit nicht-linearer Abhängigkeit zwischen den Variablen nützlich sein, um komplexe Muster und Zusammenhänge zu erfassen

Adaptives Filter: Ein Modell, das in der Lage ist, sich an veränderliche Umgebungsbedingungen anzupassen und für die Signalverarbeitung und Vorhersage eingesetzt wird.

Kalman-Filter: Ein stochastisches Modell, das zur Schätzung von Zuständen eines dynamischen Systems verwendet wird und für die Vorhersage von Zeitreihen geeignet ist.

Gamma-Filter: Kann Rauschen in den Daten reduzieren und gleichzeitig einen effektiven Trade-off zwischen Vorhersagegenauigkeit und Reaktionszeit bieten.

Markov-Modell: Ein Modell, das auf der Annahme basiert, dass der zukünftige Zustand nur vom gegenwärtigen Zustand abhängig ist und für die Vorhersage von Zeitreihen geeignet ist.

Ein Modell aus einer linearen Diskriminanz-Analyse: Kann hilfreich sein, um die Vorhersage von Kategorien in zeitreihenbasierten Daten zu verbessern.

Ein Modell aus einer nicht-linearen Diskriminanz-Analyse: Dies kann eine höhere Vorhersagegenauigkeit als lineare Diskriminanz-Analyse-Modelle liefern und ist besonders nützlich, wenn die Beziehungen zwischen den Variablen nichtlinear sind.

Ein Modell aus einer Unabhängige-Komponenten-Analyse: Kann helfen, versteckte Variablen und Muster in den Daten zu identifizieren, indem es die Variablen so umwandelt, dass sie statistisch unabhängig werden. Ein Modell aus einer Hauptkomponenten-Analyse: Kann helfen, komplexe Zusammenhänge zwischen den Variablen in den Daten zu reduzieren und die wichtigsten Trends oder Muster in den Daten zu identifizieren, was insbesondere bei der Modellierung von Zeitreihen von Vorteil sein kann. Darüber hinaus kann PCA auch dazu beitragen, den Rauschanteil in den Daten zu reduzieren und somit die Genauigkeit der Vorhersagen zu verbessern.

Für neuronale Netze (abgekürzt NN) kommen unter anderem die folgenden infrage, mit den jeweils genannten Vorteilen. Dabei können einige dieser Ansätze können auch in Kombination und/oder konsekutiv verwendet werden. Zum Beispiel kann ein Encoder-Decoder Netzwerk so aufgebaut werden, dass es bayesian und förderiert ist.

Bayesian Neural Networks: Ein NN, das auf Bayes'scher Wahrscheinlichkeit basiert, um die Unsicherheit in den Vorhersagen zu quantifizieren und zu reduzieren, indem es eine Verteilung der Gewichte anstatt einer einzelnen Gewichtszahl verwendet. Es ist eine gute Wahl für die Modellierung von Zeitreihen, wenn Unsicherheit bei Vorhersagen berücksichtigt werden muss. Es eignet sich somit sehr gut im medizinischen Kontext.

Förderiert trainierte neuronale Netze: Eine Gruppe von NNs, die dezentral auf mehreren Geräten trainiert werden, um die Datenschutz- und Sicherheitsbedenken bei der Verwendung von sensiblen Daten zu lösen. Geeignet für die Verarbeitung von großen Datenmengen, die in verteilten Umgebungen erfasst werden. Gut für die spätere Anwendung, wenn es dezentral mehrere Thora- xmonitore gibt, welche alle Daten erfassen und ein NN trainieren. Ein guter Schritt in Richtung Generalisierung.

Encoder-Decoder-Netzwerke: Eine Art von NNs, die Eingangsdaten kodieren und dekodieren, um eine bestimmte Aufgabe wie Vorhersage oder Übersetzung durchzuführen. Sie sind geeignet für die Modellierung von Zeitreihen, da sie in der Lage sind, komplexe Muster in den Daten zu erfassen und Vorhersagen aufgrund dieser Muster zu generieren.

Attention-Based Networks: Ein NN, das die Gewichtung der Eingabevariablen durch eine Aufmerksamkeitsfunktion optimiert, um wichtige Informationen zu identifizieren und zu fokussieren, während irrelevante Informationen unterdrückt werden. Sie sind geeignet für die Verarbeitung von langen Zeitreihen mit vielen Variablen, da es selektive Aufmerksamkeit auf bestimmte Variablen oder Muster lenken kann.

Generative Modelle (Adversarial Networks (GANs) und Variational Autoencoder (VAE)): NNs, die in der Lage sind, neue Daten zu generieren, die den Statistiken der Eingangsdaten folgen. Sie sind geeignet für die Erzeugung von simulierten Zeitreihen, die den Eigenschaften von echten Zeitreihen entsprechen. Gut zur Dataaugmentation und somit ein Schritt zur Generalisierung. Die erzeugten Daten können dann einem anderen NN wieder zugefügt werden.

Reinforcement Learning Netzwerke: Ein NN, das mit einer Umgebung interagiert und durch Versuche und Fehler lernt, wie man eine Aufgabe ausführt, indem es positive und negative Belohnungen erhält. Geeignet für die Verarbeitung von zeitabhängigen Daten, da es in der Lage ist, Entscheidungen auf der Grundlage von Historie und aktuellem Zustand zu treffen.

LSTMs (Spezielle Form von RNNs): Ein RNN mit einer speziellen Architektur, die in der Lage ist, lange Abhängigkeiten in den Daten zu erfassen und zu speichern. Geeignet für die Modellierung von Zeitreihen, da es in der Lage ist, vergangene Zustände effektiv zu speichern und zu verarbeiten. Optional kann beispielsweise auch ein LSTM mehrfach in der Encoder-Decoder Architektur in Kombination vorkommen. Auch kann optional ein LSTM nach einem CNN (z.B. für die Feature Extraktion) konsekutiv folgen.

Deep Belief Networks: Eine Art von NN, das mehrere Schichten von verbundenen Neuronen hat, die für die Extraktion von Merkmalen und die Vorhersage von Ausgabedaten verwendet werden. Geeignet für die Modellierung von Zeitreihen, da es in der Lage ist, komplexe Abhängigkeiten zwischen den Daten zu erfassen und auszunutzen.

Echo State Networks (RNN Typ): Eine spezielle Art von RNNs, die eine zufällige, feste Verbindung zwischen Neuronen in der internen Schicht haben. Sie sind geeignet für die Modellierung von Zeitreihen, da es in der Lage ist, vergangene Zustände effektiv zu speichern und zu verarbeiten, was für die Vorhersage von zukünftigen Zuständen entscheidend ist.

Gated Recurrent Unit (RNN Typ): Eine spezielle Art von RNNs, die es ermöglicht, das Vergessen von Informationen aus früheren Zeitpunkten zu kontrollieren, indem ein Gating-Mechanismus in der Architektur verwendet wird. Sie sind geeignet für die Modellierung von Zeitreihen, da es in der Lage ist, wichtige Informationen aus der Vergangenheit beizubehalten, während es irrelevante Informationen abwirft.

Transformer Networks: Eine Architektur, die auf der Verwendung von Multi- Head-Attention-Mechanismen basiert, um Beziehungen zwischen verschiedenen Teilen der Eingabevariablen zu modellieren. Sind sind geeignet für die Verarbeitung von langen Zeitreihen, da es in der Lage ist, selektive Aufmerksamkeit auf wichtige Teile der Eingabevariablen zu lenken und irrelevante Informationen zu unterdrücken.

Auch ein oder mehrere der folgenden Modelle kann optional zum Einsatz kommen:

Autoregressive Integrated Moving Average (ARIMA): Ein statistisches Modell, das auf der Kombination von autoregressiven und gleitenden Durchschnittsprozessen basiert und in der Lage ist, nichtlineare Zusammenhänge in einer Zeitreihe zu modellieren. Sie sind geeignet zum Beispiel für die Vorhersage von kurzfristigen Trends in Zeitreihen, wie z.B. Arrythmien.

Seasonal Autoregressive Integrated Moving Average (SARIMA): Eine Erweiterung von ARIMA, die die saisonale Komponente in einerZeitreihe berücksichtigt und in der Lage ist, saisonale Muster in der Datenreihe zu erfassen. Sie sind geeignet für die Vorhersage von saisonalen Trends in Zeitreihen, wie z.B. chronische Krankheiten.

Exponential Smoothing (ETS): Ein statistisches Modell, das auf der Schätzung von Trends und saisonalen Effekten basiert und in der Lage ist, sowohl kurzfristige als auch langfristige Trends in einer Zeitreihe zu modellieren. Ein solches ist geeignet für die Vorhersage von kurz- und langfristigen Trends in Zeitreihen. Anwendung zum Beispiel wie oben beschrieben. Vector Autoregression (VAR): Ein statistisches Modell, das mehrere Variablen in einer Zeitreihe modellieren kann, indem es die Abhängigkeiten zwischen den Variablen berücksichtigt. Geeignet für die Modellierung von Zeitreihen mit mehreren Variablen und zur Vorhersage von Zusammenhängen zwischen den Variablen. Die Abhängigkeit ist im hier vorliegenden Fall Q/l ■

Eine besonders vorteilhafte Ausgestaltung der Erfindung sieht vor, dass das zumindest eine Merkmal des Ablaufs und/oder die zeitliche Darstellung des Ablaufs in Echtzeit erzeugt wird. Unter „Echtzeit" wird dabei insbesondere verstanden, dass die zur Verarbeitung im Erzeugungsschritt und vorteilhaft auch im Demodulationsschritt benötigte Zeit kürzer ist, als eine vorgegeben Schwelle. Die Schwelle wird dabei für die gegebene Anwendung geeignet gewählt. Sie kann insbesondere so gewählt werden, dass sie kleiner ist, als die kleinste Zeitskala der fraglichen Anwendung. Vorteilhafterweise kann eine schnelle Erzeugung bzw. Verarbeitung im Erzeugungsschritt durch folgende Maßnahmen erreicht werden, die für die Echtzeit-Auswertung, aber auch für andere Zwecke vorteilhaft sein können:

In vorteilhafter Ausgestaltung kann ein statistisches Modell, z.B. ein tiefes neuronales Netz, mit einer Inferenzlatenz von weniger oder gleich 200ms, vorzugsweise weniger oder gleich 150ms, vorzugsweise weniger oder gleich 100ms, vorzugsweise weniger oder gleich 50ms, vorzugsweise weniger oder gleich 30ms, vorzugsweise weniger oder gleich 20ms, vorzugsweise weniger oder gleich 10ms, vorzugsweise weniger oder gleich 5ms, vorzugsweise weniger cider gleich 1ms verwendet werden. Als untere Grenze kann selbstverständlich 0ms angesehen werden, da normalerweise eine Mindestinferenzlatenz nicht erforderlich ist.

Vorteilhaft kann ein tiefes neuronales Netz mit eine Tiefe von weniger oder gleich 150, vorzugsweise weniger oder gleich 50 Schichten, vorzugsweise weniger oder gleich 20 Schichten, vorzugsweise weniger oder gleich 10 Schichten, vorzugsweise weniger oder gleich 3 Schichten, verwendet werden. Gleichzeitig sollte das Netzt aber eine hinreichende Komplexität haben, um die betreffende Erzeugung hinreichend genau bewirken zu können. Das Modell hat Vorzugs- weise zwei oder mehr Schichten. Generell ist für schnelle bzw. Echtzeitverarbeitung die Latenz der Inferenz die wichtigere Größe zur Charakterisierung des Netzes.

Für eine schnelle Erzeugung, insbesondere für Echtzeiterzeugung im Erzeugungsschritt können vorteilhafterweise ein oder mehrere der folgenden Optimierungstechniken eingesetzt werden:

Quantisierung: Es kann die Genauigkeit der Gewichte und Aktivierungen im Netz reduziert werden, wodurch der Speicherbedarf und die Inferenzzeit erheblich verringert werden können, während die Genauigkeit erhalten werden kann.

In einer vorteilhaften Ausgestaltung kann Pruning eingesetzt werden. Dabei können unwichtige Verbindungen oder Neuronen aus dem Netz entfernt werden, wodurch die Größe des Netzes verringert wird, wodurch der Speicherbedarf und die Inferenzzeit erheblich verringert werden können, während die Genauigkeit erhalten bleiben kann.

In einer vorteilhaften Ausgestaltung kann Knowledge Distillation (Transfer Learning) eingesetzt werden. Dabei kann ein kleineres Netz trainiert werden, um das Verhalten eines größeren, komplexeren Netzes zu imitieren. Dadurch kann der Speicherbedarf und die Inferenzzeit erheblich verringert werden, während die Genauigkeit erhalten bleiben kann.

In einer vorteilhaften Ausgestaltung können Kompressionsalgorithmen eingesetzt werden. Vorteilhaft kann zum Beispiel Huffman-Kodierung eingesetzt werden. Dies ist eine verlustfreie Komprimierungstechnik, die häufig verwendete Zeichen, in hier vorliegenden Fall Gewichte der Neuronen, in einem Datensatz mit kürzeren Bitfolgen kodiert, um die Gesamtgröße des Netzes zu reduzieren, wodurch der Speicherbedarf und die Inferenzzeit erheblich verringert werden können, während die Genauigkeit erhalten bleiben kann.

In einer weiteren vorteilhaften Ausgestaltung kann Lempel-Ziv-Komprimierung eingesetzt werden. Dies ist eine verlustfreie Komprimierungstechnik, die redundante Daten in einem Datensatz erkennt, in hiervorliegenden Fall Gewichte der Neuronen, und durch Referenzen auf zuvor auftretende Daten ersetzt, um die Gesamtgröße des Netzes zu reduzieren, wodurch der Speicherbedarf und die Inferenzzeit erheblich verringert werden können, während die Genauigkeit erhalten bleiben kann.

Auch learning-based Kompression (siehe z.B. https : / /ar- xiv . org/pdf / 1802 . 034 94 . pdf) kann vorteilhaft zum Einsatz kommen. Dies ist eine Methode zur Datenkompression, bei der Reinforcement Learning genutzt wird, um eine Kompressionspolitik zu generieren, die bestimmt, welche Teile des Modells reduziert werden können. Hierdurch kann der Speicherbedarf und die Inferenzzeit erheblich verringert werden, während die Genauigkeit erhalten bleiben kann.

In einer vorteilhaften Ausgestaltung kann NAS (Neural Architecture Search) zur Erzeugung eingesetzt werden. Dabei wird mithilfe automatisierter Techniken nach optimalen Netzarchitekturen gesucht, die ein Gleichgewicht zwischen Größe, das heißt Inferenzlatenz, und Genauigkeit herstellen. Im Vergleich zu den anderen erwähnten Kompressionstechniken, welche ein vortrainiertes statistisches Modell versuchen zu optimieren, wird mit NAS direkt nach einer optimalen Architektur gesucht, welche die Bedürfnisse des Nutzers, im hier vorliegenden Fall die Inferenzlatenz und Genauigkeit, erfüllen.

Eine Beschleunigung des Erzeugungsschritts kann auch durch Parallelisierung des Modells erreicht werden. Möglich ist dabei unter anderem, die Berechnungen auf mehrere Prozessoren oder GPUs auszuführen, um die Vorhersagegeschwindigkeit zu erhöhen.

Ebenfalls möglich ist es, mehrere Modelle parallel im Ensemble zu verwenden. Dabei kann die Inferenz parallel laufen mit mehreren kleineren Modellen mit geringerer Latenz und anschließendem Mehrheitsentscheid beziehungsweise Mittelung der Inferenzen.

Darüber hinaus könnte die Abtastrate und/oder die Dimension der Werte der erfindungsgenäßen Vorrichtung oder des erfindungsgemäßen Verfahrens adaptiv geändert werden, um die Komplexität der Eingabedaten adaptiv zu än- dem und dadurch die Inferenzlatenz des statistischen Modells situationsabhängig anzupassen. So kann zum Beispiel eine erfindungsgemäße Vorrichtung (auch „Toraxmonitor" genannt) 2 Signale erzeugen, zwei Vorrichtungen können 4 Signale erzeugen oder 3 Vorrichtungen können 6 Signale erzeugen.

In einer vorteilhaften Ausgestaltung der Erfindung kann das elektromagnetische Wechselfeld über zumindest eine Sendestruktur in das Objekt eingestrahlt werden, indem durch einen Signalgenerator eine Wechselspannung erzeugt wird, mit der die zumindest eine Sendestruktur beaufschlagt wird. Darüber hinaus kann das Wechselfeld durch zumindest eine Empfangsstruktur empfangen werden, nachdem es das Objekt durchlaufen hat.

Vorteilhafterweise wird die Wechselspannung und/oder das eingestrahlte Wechselfeld mit einer Frequenz von größer oder gleich 10 MHz, vorzugsweise größer oder gleich 30 MHz, vorzugsweise größer oder gleich 100 MHz und/oder kleiner gleich 1.000 MHz, vorzugsweise kleiner oder gleich 500 MHz, vorzugsweise kleiner oder gleich 300 MHz erzeugt.

Es ist dabei besonders vorteilhaft, wenn die zumindest eine Sendestruktur und die zumindest eine Empfangsstruktur auf der gleichen Seite des Objekts angeordnet sind. Beispielsweise können die Sendestruktur und die Empfangsstruktur in einer Rückenlehne, zumindest einer Seitenlehne und/oder zumindest einer Armlehne eines Sitzes oder in einer Liegefläche angeordnet sein. Auf diese Weise ist eine Messung beispielsweise möglich, wenn eine Person auf einem Sitz sitzt oder auf der Liege liegt.

Vorteilhaft kann die zumindest eine Sendestruktur und die zumindest eine Empfangsstruktur in Textilien, die am Körper getragen werden und/oder körpernah angeordnet sein. Das können z.B. Jacken oder Decken sein. Auch eine Anordnung in einer Sportausrüstung, in medizinischen Geräten wie z.B. einem Rollstuhl, eine Anordnung in Haushaltsgeräten wie z.B. einem Herd zur Überwachung des Wasserstands, eine Anordnung in Industrieanlagen, zum Beispiel zur Überwachung des Zustands von Maschinen und Anlagen, ist möglich.

In einer vorteilhaften Ausgestaltung der Erfindung kann das Objekt ein menschlicher Körper sein. In diesem Fall kann die zumindest eine Sendestruktur zum Beispiel in unmittelbarer Nähe und/oder auf einem Thorax und/oder einem Abdomen des Körpers angeordnet sein. Die zumindest eine Empfangsstruktur kann ebenfalls in unmittelbarer Nähe und/oder auf dem Thorax und/oder dem Abdomen angeordnet sein. Dabei soll als Anordnung auf dem entsprechenden Körperteil vorzugsweise eine Konstellation angesehen werden, bei der die Sendestruktur bzw. die Empfangsstruktur in hinreichender Nähe zu dem entsprechenden Körperteil angeordnet ist, so dass die Messung mit der gewünschten Genauigkeit möglich ist. Es können selbstverständlich auch Vorrichtungen vorgesehen sein, die die Sendestruktur bzw. die Empfangsstruktur auf dem entsprechenden Körperteil halten. Alternativ können die Sendestruktur bzw. die Empfangsstruktur auch ortsfest angeordnet sein und die Person kann sich mit ihrem Körper in eine entsprechende Position in der Nähe der Sendestruktur bzw. der Empfangsstruktur begeben. Auch diese Ausgestaltung soll optional als Anordnung der Sendestruktur bzw. der Empfangsstruktur auf dem entsprechenden Körperteil angesehen werden.

In einer vorteilhaften Ausgestaltung befindet sich das zu messende Objekt im Nahfeld der zumindest einen Sende- und/oder Empfangsstruktur. Das Nahfeld kann hierbei als der Bereich um die Sende- und/oder Empfangsstruktur verstanden werden, in dem sich das elektromagnetische Wechselfeld noch nicht vollständig von der Sende- und/oder Empfangsstruktur gelöst hat und noch nicht als ebene Welle in den Freiraum abgestrahlt wird. Das elektromagnetische Wechselfeld ist im Nahfeld noch mit der Sende- und/oder Empfangsstrukturgekoppelt. Auch die Definition des Nahfeldes der IEEE kann optional zugrundegelegt werden. Hier ist die äußere Grenze definiert als der Abstand X/(2n) von der Antennenoberfläche, wobei Xdie Wellenlänge im Freiraum ist (Vgl. IEEE Standard for Definitions of Terms for Antennas, IEEE Std 145-2013). Folglich ist vorteilhaft der Abstand der Sende- und/oder Empfangsstruktur zu dem zu messenden Objekt kleiner oder gleich X/(2n) .

Besonders bevorzugt ist die zumindest eine Sendestruktur und/oder die zumindest eine Empfangsstruktur lateral, dorsal oder ventral zum Abdomen und/oder lateral, dorsal oder ventral zum Thorax des Körpers angeordnet.

In einer vorteilhaften Weiterbildung der Erfindung kann das elektromagnetische Wechselfeld über zumindest zwei Sende-Empfangspaare eingestrahlt und empfangen werden. Jedes der Sende-Empfangspaare kann dabei eine Sendestruktur und eine Empfangsstruktur enthalten. Dabei kann das Wechselfeld, was von einem Sender eines der Sende-Empfangspaare eingestrahlt wird und durch den Empfänger dieses Paares empfangen wird, als ein Einzelwechselfeld angesehen werden und das durch Sender und Empfänger weiterer Sende-Empfangspaare jeweils als eigene Wechselfelder angesehen werden. Jedes Sende- Empfangspaar kann also mit einem eigenen Wechselfeld den Vorgang des Einstrahlens und Empfangens ausführen. Da andererseits auch die Gesamtheit aller derart erzeugten Wechselfelder als ein gemeinsames Wechselfeld mit einer bestimmten räumlichen Verteilung angesehen werden kann, kann dies auch so formuliert werden, dass das elektromagnetische Wechselfeld über die zumindest zwei Sende-Empfangspaare in das Objekt eingestrahlt wird und empfangen wird, nachdem es das Objekt durchlaufen hat. Diese Ausgestaltung erlaubt eine Unterdrückung von Störgrößen bzw. eine Verbesserung der Schätzung cider Bestimmung des Merkmals des Ablaufs unterhalb der zeitlichen Darstellung des Ablaufs durch die Erhöhung der Dimensionalität der Demodulationsdaten bzw. des Modells. Auch die Signalqualität, Robustheit und Reproduzierbarkeit kann auf diese Weise verbessert werden. Auch ist die Verwendung einer ungleichen Anzahl von Empfangs- und Sendestrukturen möglich. Besonders vorteilhaft ist hierbei die Verwendung von mehr Empfangs- als Senderstrukturen. Beispielsweise kann die zumindest eine Sendestruktur das Wechselfeld in das Objekt einstrahlen und die zumindest zwei Empfangsstrukturen das Wechselfeld empfangen nach dem es das Objekt durchlaufen hat. Vorteilhafterweiser können die zumindest zwei Empfangstrukturen an anderen Position um das Objekt oder an dem Objekt angeordnet sein.

In einer vorteilhaften Ausgestaltung der Erfindung kann das Verfahren so geführt werden, dass es den Ablauf kontinuierlich überwacht und kontinuierlich zumindest ein Merkmal des Ablaufs und/oder eine zeitliche Darstellung des Ablaufs erzeugt. Als kontinuierlich soll hier jede regelmäßige Wiederholung des Verfahrens angesehen werden, also eine Ausführung des Verfahrens zu diskreten Zeitpunkten, zu quasi kontinuierlichen Zeitpunkten oder stetig im Verständnis digitaler Datenverarbeitung.

Das so ermittelte Merkmal oder die so ermittelte Darstellung des Ablaufs kann mit vorhergehenden Werten des Merkmals oder vorhergehenden Darstellungen des Ablaufs verglichen werden. Insbesondere kann dann ein Ereignis ausgelöst werden, wenn das zuletzt bestimmte Merkmal von einem früheren Wert des Merkmals um mehr als einen vorgegebenen Schwellenwert abweicht und/oder wenn eine Charakteristik der Darstellung des Ablaufs von einer früheren Ausgestaltung dieser Charakteristik des Ablaufs signifikant abweicht. Als Ereignis kann beispielsweise ein Alarm ausgegeben werden. Mögliche Anwendungen für eine solche Verfahrensführung sind beispielsweise solche zur Überwachung von Vitalfunktionen, bei denen eine Veränderung einen kritischen Zustand bedeuten kann.

Es wird hierzu vorzugsweise das Verfahren regelmäßig wiederholt ausgeführt und ein Wert des zumindest einen Ablaufs regelmäßig wiederholt mit zumindest einem früheren Wert des Merkmals verglichen. Es kann dann ein Hinweisereignis ausgelöst werden, wenn der Wert des Merkmals um mehr als einen vorgegebenen Schwellenwert von dem früheren Wert des Merkmals abweicht.

In einer besonders vorteilhaften Ausgestaltung können Parameter des statistischen Modells und/oder das statistische Modell basierend auf einer Differenz zwischen dem Wert des erzeugten Merkmals und dem entsprechenden früheren Wert des Merkmals angepasst werden, wenn der Wert des erzeugten Merkmals um weniger als den Schwellenwert vom früheren Wert abweicht. Auf diese Weise kann sich das Modell an die aktuelle Verfasstheit beispielsweise der Person anpassen, so dass beispielsweise ein Hinweisereignis nur ausgelöst wird, wenn die Abweichung zwischen dem letzten Wert des Merkmals und den entsprechenden früheren Werten größer ist als der Schwellenwert.

In einer vorteilhaften Ausgestaltung der Erfindung kann das zumindest eine Merkmal des Ablaufs ein Trigger-Ereignis und/oder ein Überschreiten oder Unterschreiten eines vorbestimmten Schwellenwertes sein. Ist der Ablauf beispielsweise eine Atemvolumenkurve oder Atemflusskurve, und soll das Verfahren zum Beispiel einer Unterstützung des Atemvorgangs dienen, so kann als Trigger-Ereignis beispielsweise das Überschreiten eines bestimmten Atemvolumens oder Atemflusses beim Einatmen angesehen werden. Dieses Trigger-Ereignis kann dann beispielsweise einen Unterstützungsvorgang des Einatmens auslösen. Vorteilhafterweise kann das zumindest eine Merkmal des Ablaufs und/oder die zeitliche Darstellung des Ablaufs den Ablauf kontinuierlich, quasi-kontinuierlich oder zu einer Vielzahl an, vorzugsweise äquidistanten, Zeitpunkten beschreiben. Insbesondere kann das zumindest eine Merkmal und/oder die zeitliche Darstellung den Ablauf zu regelmäßig wiederkehrenden Zeitpunkten beschreiben.

In vielen Ausgestaltungen der Erfindung kann es vorteilhaft sein, wenn das statistische Modell vor Beginn der eigentlichen Vermessung des Ablaufs trainiert wird. Das Training würde hier also vorzugsweise vor dem Einstrahlen des elektromagnetischen Wechselfeldes stattfinden. Das Trainieren des statistischen Modells kann dabei in einem Trainingsvorgang erfolgen, in dem ein elektromagnetisches Trainings-Wechselfeld in zumindest ein Trainings-Objekt eingestrahlt wird. Vorteilhafterweise kann das Trainings-Wechselfeld mit dem später zur Vermessung eingestrahlten elektromagnetischen Wechselfeld ein oder mehrere Eigenschaften teilen oder besonders bevorzugt identisch sein. Das Trainings-Objekt kann vorteilhafterweise ein Objekt sein, das ein oder mehrere interessierende Eigenschaften mit dem Objekt teilt, in dem der Ablauf vermessen werden soll. Beispielsweise kann das Trainings-Objekt ein Lebewesen der gleichen Art sein wie das zu vermessende Objekt. Für eine individualisierte Verfahrensführung kann das Trainings-Objekt auch das Objekt selbst sein, in dem der Ablauf vermessen werden soll. Ist das Objekt ein Lebewesen, beispielsweise ein Mensch oder ein Tier, so kann als Trainings-Objekt ein Objekt verwendet werden, das repräsentativ beispielsweise für eine Kohorte ist, in die das später zu vermessende Lebewesen fällt.

Wie oben schon beschrieben, ist ein förderierter Ansatz hier vorteilhaft. Es gibt unter anderem folgende Möglichkeiten, ein förderiert trainiertes Modell aus mehreren Einzelmodellen zu erstellen:

Modellfusion: Eine Methode, bei der mehrere Modelle zu einem einzelnen Modell zusammengeführt werden, um bessere Vorhersagen zu erzielen. Dies ist sinnvoll, da verschiedene Modelle unterschiedliche Stärken und Schwächen haben und die Kombination dieser Modelle zu einem leistungsstärkeren Modell führen kann. Transferlernen: Eine Methode, bei der ein vortrainiertes Modell als Ausgangspunkt für das Training eines neuen Modells verwendet wird, um die Anzahl an benötigten Trainingsdaten zu reduzieren. Dies ist sinnvoll, da es den Aufwand für das Training von Modellen reduzieren und die Genauigkeit von Modellen verbessern kann.

Ensemble-Methoden: Eine Methode, bei der mehrere Modelle zu einer Gruppe zusammengefasst werden und Entscheidungen durch Mehrheitsentscheid getroffen werden, um bessere Vorhersagen zu erzielen. Dies ist sinnvoll, da die Kombination von mehreren Modellen zu einer besseren Vorhersagegenauigkeit führen kann als jedes einzelne Modell.

Knowledge Distillation: Eine Methode, bei der ein vortrainiertes Modell als Lehrermodell verwendet wird, um ein kleineres Modell als Schülermodell zu trainieren. Dies kann sinnvoll sein, da es dazu beitragen kann, dass ein kleineres Modell ähnliche Leistungen wie das größere Modell erbringt, aber weniger Rechenressourcen benötigt.

Zum Trainingsvorgang wird das elektromagnetische Trainings-Wechselfeld in zumindest ein Trainings-Objekt eingestrahlt und es wird dann das Trainings- Wechselfeld empfangen, nachdem es das zumindest eine Trainings-Objekt durchlaufen hat. Das empfangene Trainings-Wechselfeld kann dann zur Erzeugung mehrdimensionaler Demodulationsdaten demoduliert werden. Die mehrdimensionalen Demodulationsdaten und/oder aus diesen abgeleitete Trainings-Daten können dann dem statistischen Modell zugeführt werden. Durch das statistische Modell kann dann aus den zugeführten mehrdimensionalen Demodulationsdaten und/oder den aus diesen abgeleiteten Trainings-Daten zeitabhängig zumindest ein Trainings-Merkmal des Ablaufs erzeugt werden. Das zumindest eine Trainings-Merkmal kann dann zeitabhängig mit einem gemessenen Merkmal des Ablaufs verglichen werden. Das gemessene Merkmal kann beispielsweise durch eine direkte Messung mit einem geeigneten Messgerät oder Sensor erzeugt werden. Es kann dann das statistische Modell und/oder Parameter des statistischen Modells auf Grundlage eines Ergebnisses dieses Vergleichs angepasst werden. Die Anpassung kann dabei vorzugsweise gerichtet so erfolgen, dass die Differenz zwischen dem Trainings-Merkmal und dem gemessenen Merkmal verringert wird.

In einer optionalen Ausgestaltung kann es auch möglich sein, anstelle durch den Thoraxmonitor selbst erzeugter Daten das folgende zu nutzen:

Generative Modelle (Adversarial Networks (GANs) und Variational Autoencoder (VAE)) sind Neuronale Netze, die in der Lage sind, neue Daten zu generieren, die den Statistiken der Eingangsdaten folgen. Diese können geeignet sein für die Erzeugung von simulierten Zeitreihen, die den Eigenschaften von echten Zeitreihen entsprechen. Dies ist gut zur Data Augmentation und somit ein Schritt zur Generalisierung. Die erzeugten Daten können dann einem anderen NN wieder zugefügt werden.

Data-Augmentation (Daten-Ergänzung oder Daten-Vermehrung) ist eine Technik, um die Menge und Vielfalt der Trainingsdaten zu erhöhen, indem künstliche Variationen erzeugt werden:

Wie auch oben schon aufgeführt, können folgende Netze auch zur Data-Aug- mentation genutzt werden:

Long Short-Term Memory (LSTM) und Gated Recurrent Units (GRU): LSTM und GRU sind spezielle Typen von rekurrenten neuronalen Netzen (RNNs), die sich besonders gut für die Modellierung von sequentiellen Daten wie Zeitreihen eignen. Sie können Muster in den Daten erkennen und entsprechend neue Daten generieren.

Weitere Varianten aus der Stochastik, die optional zum Einsatz kommen können, sind:

Markov Chain Monte Carlo (MCMC) Verfahren: MCMC ist eine stochastische Methode zur Generierung von Daten aus einer unbekannten Verteilung, indem sie eine Markov-Kette verwendet, die gegen die Zielverteilung konvergiert. MCMC-Verfahren wie Metropolis-Hastings und Gibbs Sampling können zur Erzeugung von Zeitreihen verwendet werden, die einer bestimmten Verteilung folgen. Manuelle oder automatische Data-Augmentation:

Phase Shift (Phasenverschiebung) (Rotation): o Die Zeitreihe wird dabei zyklisch entlang der Zeitachse verschoben, um neue Variationen der Daten zu erzeugen. Dies kann dazu beitragen, das Modell auf unterschiedliche Phasenverschiebungen innerhalb der Zeitreihendaten zu trainieren.

Gleichmäßige oder dynamische Verschiebung: o Daten können hier mit einem Faktor multipliziert werden, um die Amplitude der Signale zu ändern. Dies kann helfen, das Modell auf verschiedene Amplitudenverhältnisse zu trainieren.

Rauschen hinzufügen: o zufälliges Rauschen (z. B. Gaußsches Rauschen) kann zu den Zeitreihendaten hinzugefügt werden, um die Robustheit des Modells gegenüber Rauschen in den Eingangsdaten zu erhöhen.

Time Warping (Zeit-Verzerrung): o Hierbei kann die Geschwindigkeit, mit der die Zeitreihe abläuft, verändert werden, indem Datenpunkte entlang der Zeitachse gedehnt oder gestaucht werden.

Spiegelung: o Spiegeln der Zeitreihe entlang der Zeit- oder Amplitudenachse, um Variationen in der Reihenfolge oder Richtung der Zeitreihendaten zu erzeugen.

Frequenzbereichsmanipulation: o Transformationen im Frequenzbereich, z. B. durch die Verwendung der Fourier-Transformation. Das Frequenzspektrum kann auch manipuliert werden, indem bestimmte Frequenzbänder verstärkt, abgeschwächt oder verschoben werden. Dies kann helfen, das Modell auf unterschiedliche Frequenzcharakteristika zu trainieren.

Random Permutations (zufällige Permutationen): o Es können zufällige Permutationen von Zeitreihenabschnitten ausgeführt werden. Dies kann helfen, das Modell auf unterschiedliche Reihenfolgen von Ereignissen innerhalb der Zeitreihe zu trainieren.

Betreffend das Trainings-Wechselfeld, das Trainings-Objekt, das empfangene Trainings-Wechselfeld, die Demodulationsdaten und die daraus abgeleiteten Trainings-Daten gilt das zu zur Vermessung verwendeten elektromagnetischem Wechselfeld, Objekt, Demodulationsdaten, abgeleiteten Daten und Merkmalen Gesagte analog. In der Tat ist es vorteilhaft, wenn der Trainings-Vorgang identisch zu dem Vermessungsvorgang ausgeführt wird, da hierdurch die bestmögliche Übereinstimmung des Ergebnisses der Vermessung mit Werten des Merkmals bzw. Ablaufs erreicht wird, die durch direkte Messung mit einem geeigneten Messgerät erzeugt würden.

Vorteilhafterweise kann derTrainingsvorgang für eine Vielzahl an Trainings-Objekten durchgeführt werden, die repräsentativ sind für das Objekt. Beispielsweise kann derTrainingsvorgang für eine Vielzahl von Lebewesen einer Kohorte durchgeführt werden, zu der auch jenes Lebewesen zählt, in dem der Ablauf vermessen werden soll. Durch eine große Trainings-Objekt -Anzahl wird das Modell robuster und es kann ein generalisiertes statistisches Modell erstellt werden. Es ist jedoch auch vorteilhaft möglich, das Objekt, an dem die Vermessung ausgeführt werden soll, selbst als das Trainings-Objekt zu verwenden. Es wird dann der Trainingsvorgang an diesem Objekt ausgeführt.

Das erfindungsgemäße Verfahren eignet sich insbesondere zur Steuerung eines Beatmungsvorgangs. Es kann hierzu als der zu vermessende Ablauf ein Atemvorgang vermessen werden. Es kann dann als das zumindest eine Merkmal des Ablaufs beispielsweise ein Einsetzen eines Spontanatmungsvorgangs bestimmt werden. Der Beatmungsvorgang kann dann so gesteuert werden, dass keine Beatmung gegen die Spontanatmung stattfindet.

Erfindungsgemäß wird außerdem eine Vorrichtung zur Vermessung zumindest eines Ablaufs in einem Objekt angegeben. Für das Objekt gilt dabei das zum Verfahren Gesagte analog. Die Vorrichtung weist zumindest eine Sendestruktur auf, mit der ein elektromagnetisches Wechselfeld in das Objekt einstrahlbar ist, indem durch einen Signalgenerator eine Wechselspannung erzeugt wird, mit der die zumindest eine Sendestruktur beaufschlagt wird. Die Wechselspannung kann hierbei sinusförmig sein oder eine Überlagerung mehrerer Frequenzen enthalten. Die Vorrichtung weist außerdem zumindest eine Empfangsstruktur auf, mit der das Wechselfeld empfangbar ist, nachdem es das Objekt durchlaufen hat. Es gilt dabei das zur Eindringtiefe oben Gesagte analog.

Die erfindungsgemäße Vorrichtung weist außerdem eine Demodulationseinheit auf, mit der das empfangene Wechselfeld zur Erzeugung mehrdimensionaler Demodulationsdaten demodulierbar ist. Darüber hinaus weist die Vorrichtung eine Modellierungseinheit auf, der die Demodulationsdaten und/oder aus diesen abgeleitete Daten zuführbar sind, und mit der durch ein statistisches Modell aus den zugeführten mehrdimensionalen Demodulationsdaten und/oder den aus diesen abgeleiteten Daten zeitabhängig zumindest ein Merkmal eines Ablaufs und/oder eine zeitliche Darstellung bzw. Nachbildung des Ablaufs erzeugbar ist.

Vorzugsweise ist mit der Vorrichtung ein Verfahren ausführbar, wie es oben beschrieben wurde.

Die Vorrichtung kann vorteilhafterweise einen I/Q-Demodulator aufweisen, in den die Wechselspannung einerseits eingespeist wird, mit der die Sendestruktur beaufschlagt wird, und in die andererseits ein von der Empfangsstruktur aus dem empfangenen Wechselfeld erzeugtes Empfangssignal einleitbar ist. Der I/Q-Demodulator kann dann eingerichtet sein, eine I/Q-Demodulation des Empfangssignals auszuführen.

In einer vorteilhaften Ausgestaltung kann die zumindest eine Sendestruktur und die zumindest eine Empfangsstruktur in einer Kontaktfläche, vorzugsweise einer Rückenlehne oder einer Liegefläche, nebeneinander und/oder untereinander und/oder diagonal zueinander angeordnet sein. Hierzu können die Sendestruktur und/oder die Empfangsstruktur beispielsweise als flächige Spulen ausgestaltet sein.

Vorteilhafterweise kann die erfindungsgemäße Vorrichtung oder eine Vorrichtung zur Ausführung des erfindungsgemäßen Verfahrens ein oder mehrere Sende- und/oder Empfangsantennen als Sende- bzw. Empfangsstrukturen aufweisen. Es kann sich dann die Anzahl der I/Q-Signa Ipaare aus der Anzahl der Sendesignale abgestrahlt von einer oder mehreren Antennen (z.B. aufgetrennt auf mehrere Frequenzbänder oder durch unterschiedliche Signalmodulierungen) multipliziert mit der Anzahl der Empfangsantennen ergeben. Das Senden der unterschiedlichen Sendesignale kann auf allen Sendeantennen gleich erfolgen oder es kann z.B. jede Sendeantenne je ein eigenes, von den anderen Sendeantennen unterschiedliches Sendesignal senden. Auch beliebige Kombinationen hiervon sind möglich.

Vorteilhafterweise kann die Vorrichtung N Sendeantennen und IVI Empfangsantennen aufweisen, wobei N eine natürliche Zahl größer oder gleich 1 ist und IVI eine natürliche Zahl größer oder gleich 2 ist, wobei die N Sendeantennen mit Wechselspannungen L unterschiedlicher Frequenzen beaufschlagt werden, wobei L eine natürliche Zahl größer oder gleich 1 ist. Vorzugsweise kann L außerdem kleiner oder gleich N sein. Ist L gleich N, kann jede Sendeantenne mit einer Wechselspannung unterschiedlicher Frequenz beaufschlagt werden. Ist L kleiner als N, so kann zumindest eine der Sendeantennen mit Wechselspannungen mehrerer unterschiedlicher Frequenzen beaufschlagt werden.

In einer vorteilhaften Variante wird keine Sendeantenne mit mehreren der Wechselspannungen unterschiedlicher Frequenzen beaufschlagt, es wird also jede Sendeantenne mit einer Wechselspannung genau einer Frequenz beaufschlagt.

In einer weiteren vorteilhaften Variante kann jede der Empfangsantennen zum Empfang genau einer der L Frequenzen oder zum Empfang mehrerer der L Frequenzen eingerichtet sein. Ist jede Empfangsantenne zum Empfang genau einer Frequenz eingerichtet, ist vorzugsweise die Anzahl IVI der Empfangsantennen gleich der Anzahl L der unterschiedlichen Frequenzen der eingestrahlten Wechselspannungen. Sind eine oder mehrere der Empfangsantennen zum Empfang mehrerer Frequenzen eingerichtet, so kann die Zahl der Empfangsantennen kleiner als L sein.

Optional kann die Anzahl L der Sendesignale unterschiedlicher Sendefrequenz multipliziert mit der Anzahl IVI von Empfangsantennen die maximale Anzahl von I/Q-Signalpaare für die Auswertung/Algorithmus ergeben. Es können aber auch weniger I/Q-Signale sein, wenn zum Beispiel nicht alle Empfangsantennen für alle Sendefrequenzen sensitiv sind. Auch kann optional eine sehr breitbandige Empfangsantenne eingesetzt werden, die keine bestimmte Frequenzselektivität aufweist.

Insbesondere sind folgende Kombinationen von Antennen der Sende- und Empfangsstruktur vorteilhaft:

Eine Sendeantenne und drei Empfangsantennen. Hieraus ergeben sich drei l/Q- Signalpaare.

Zwei Sendeantennen, wobei vorzugsweise beide mit dem gleichen Sendesignal, also der gleichen Wechselspannung beaufschlagt werden, sowie fünf Empfangsantennen. Hierdurch ergeben sich fünf I/Q-Datenpaare.

Zwei Sendeantennen (vorzugsweise mit unterschiedlichem Sendesignal auf z.B. unterschiedlicher Sendefrequenz) und drei Empfangsantennen. Hierbei ergeben sich sechs I/Q-Signalpaare.

Vorteile dieser multiplen Sende/Empfangsantennen liegen einmal in der Datenredundanz, falls die Signalqualität durch eine unterschiedliche Positionierung der Antennen bei jeweiligen Antennenpaaren besser oder schlechter ist (es kann vom Algorithmus die beste Sendesignal/Empfangssignalkombination gewählt werden). Alternativ kann der Algorithmus alle oder eine beliebige Kombination der I/Q-Signalpaare heranziehen, um Störeffekte gezielter herauszurechnen (z.B. Bewegungsartefakte) bzw. die eigentliche Nutzinformation (Atmung) von den Störeffekten trennen und damit herausfiltern. In einer vorteilhaften Ausgestaltung kann auch die Auswahl der verwendeten I/Q-Signalpaare durch eine dem Auswertealgorithmus vorgelagerte Signalqualitätsschätzung vorausgehen, auf deren Grundlage die geeignetsten Signalpaare zur Weiterverarbeitung ausgewählt werden.

Insbesondere kann es vorteilhaft sein, wenn die zumindest eine Sendestruktur und/oder die zumindest eine Empfangsstruktur eine breitbandige Antenne aufweist oder ist. Dabei kann vorzugsweise eine Bandbreite der Antenne größer oder gleich einem Achtel der Trägerfrequenz, vorzugsweise größer oder gleich einem Viertel der Trägerfrequenz, vorzugsweise größer oder gleich der Hälfte der Trägerfrequenz sein und/oder es kann die Bandbreite kleiner oder gleich der Trägerfrequenz sein.

In einer vorteilhaften Ausgestaltung kann die erfindungsgemäße Vorrichtung eine Anpassungsvorrichtung aufweisen, mit der ein Sendefrequenzband oder eine Sendefrequenz der Sendestruktur und/oder ein Empfangsfrequenzband cider eine Empfangsfrequenz der Empfangsstruktur anpassbar ist. Eine solche Anpassungsvorrichtung kann vorteilhafterweise zumindest eine Kapazitätsdiode aufweisen oder sein. Auf diese Weise kann die zumindest eine Sendestruktur und/oder zumindest eine Empfangsstruktur so angepasst werden, dass es für die vorgesehene Vermessung bestmöglich geeignet ist.

Die Sendestruktur und/oder die Empfangsstruktur können jeweils über ein Kabel an den Signalgenerator, die Demodulationseinheit oder eine andere Komponente der Vorrichtung angeschlossen sein. Vorteilhafterweise können diese Kabel zwangssymmetrisiert sein, beispielsweise mittels eines Terminierungswiderstandes zusammen mit einem Impedanzwandler und/oder mittels zumindest einer stromkompensierten Drossel und/oder zumindest eines Ferrits.

Vorteilhafterweise kann die zumindest eine Sendestruktur und/oder die zumindest eine Empfangsstruktur an einem ersten Anschluss mit der Wechselspannung beaufschlagt werden und an einem zweiten Anschluss mit einer gegenüber der Wechselspannung um 180° verschobenen Wechselspannung beaufschlagt werden. Vorzugsweise kann dafür die Vorrichtung zumindest einen Balun aufweisen, der aus der ersten Wechselspannung zwei Wechselspannungen erzeugt, die zueinander einen Phasenversatz von 180° haben. Dabei kann die Eingangswechselspannung jene durch den Signalgenerator erzeugte sein. Wie zum Verfahren bereits beschrieben, kann es vorteilhaft sein, wenn die Messvorrichtung eine Vielzahl von Sendestrukturen, also zwei, drei, vier oder mehr als vier Sendestrukturen aufweist und/oder eine Mehrzahl an Empfangsstrukturen, also zwei, drei, vier oder mehr als vier Empfangsstrukturen aufweist. Hierdurch lässt sich ein genaueres Messergebnis erzielen.

Vorteilhafterweise kann der Signalgenerator eingerichtet sein, als Wechselspannung eine Überlagerung einer Mehrzahl von sinusförmigen Wechselspan- nungen zu erzeugen, die vorteilhafterweise auch zeitlich variierende Frequenzen haben können.

Das hier vorgestellte Verfahren und die vorgestellte Vorrichtung ermöglichen eine zeitnahe Ableitung von dynamischen Zuständen des Zielsystems. Mit dem vorliegenden Algorithmus werden die Daten einer nicht-invasiven, nicht obstruierenden und skalierbaren (simultane oder serielle Nutzung mehrerer Sensorteilelemente in örtlichem Abstand) und oberflächen- und volumensensitiven Messtechnik (Wechselfeld dringt wenigstens teilweise in die Zielstruktur ein) basierend auf der zeitabhängigen komplexen Faltung wenigstens zweier elektromagnetischer Felder (gesendet und empfangen) zur Laufzeit verarbeitet, interpretiert und z.B. in kardiothorakale Vitaldaten bzw. andere physiody- namische Daten einer Zielstruktur umgewandelt. Hierfür kann das System zumindest initial trainiert werden, die durch die physiodynamischen Veränderungen der Zielstruktur oder eines generischen Modells der Zielstruktur entstehenden Veränderungen der Daten des Maßsystems mit Referenzsystemen Daten (z.B. kardiothorakale Vitaldaten) abzubilden. Folgendes kann z.B. möglich sein:

Erkennung der Spontanatmung von maschinell beatmeten Patientinnen

Ableiten der exspiratorischen und inspiratorischen Phase Verlaufskontrolle von Patientinnen

Alarm bei Aussetzen von spezifischen Vitalparametern Kontaktlose Ableitung von EKG-Kurven

Bestimmung von Herzratenvariabilität und/oder Atemvolumina Volumenflüsse und/oder -änderungen

Vorhersage von Komplikationen während einer Operation durch Messung von Vitalparametern und Überwachung von Datenströmen, Analyse von Herz-Kreislauf-Daten zur Vorhersage von Herz-Kreislauf-Erkrankungen,

Verfolgung des Fortschritts von Patientinnen in der Rehabilitation.

Auch für eine oder mehrere der folgenden Anwendungen kann die Erfindung zum Einsatz kommen:

Fitness-Tracking: Überwachung von körperlichen Aktivitäten und zur Analyse von Fitness- oder Trainingsfortschritten.

In der Sportmedizin zum Beispiel zur Leistungsanalyse und Trainingsplanung.

In der Gesundheitsüberwachung zum Beispiel zur Überwachung von chronischen Erkrankungen z.B. Langzeit-EKG.

Zum Atemgating bei Strahlentherapie von Patientinnen.

Beim Stressmanagement, zum Beispiel zur Überwachung von Stresspegeln von Menschen, aber auch z.B. Mäusen.

In der Telemedizin zum Beispiel zur Fernüberwachung von Älteren oder chronisch kranken Patientinnen.

Im Folgenden soll die Erfindung anhand einiger Figuren beispielhaft erläutert werden. Gleiche Bezugszeichen kennzeichnen dabei gleiche oder entsprechende Merkmale. Die in den Beispielen beschriebenen Merkmale können auch zwischen den Beispielen kombiniert werden und unabhängig vom jeweiligen Beispiel realisiert werden.

Es zeigt:

Fig. 1 eine schematische Darstellung einer Vorrichtung zur Ausführung eines erfindungsgemäßen Verfahrens,

Fig. 2 eine schematische Darstellung eines beispielhaften Ablaufs eines erfindungsgemäßen Verfahrens,

Fig. 3 beispielhafte Verläufe von I-Daten und Q-Daten sowie von Ableitungen dQ/dl bei einem Atemvorgang,

Fig. 4 beispielhafte Demodulationsdaten und aus diesen erzeugte Daten,

Fig. 5 ein Beispiel einer Vorverarbeitung von I- und Q-Daten, Fig. 6 einen beispielhaften Ablauf eines Trainings eines statistischen Modells,

Fig. 7 eine beispielhafte Konfiguration zur Beschaffung von Daten für das Training in Fig. 6,

Fig. 8 ein beispielhaftes Modell, das zu einer Klassifizierung verwendet wird,

Fig. 9 ein beispielhaftes Modell, das für eine Regression verwendet wird,

Fig. 10 ein Beispiel einer Verwendung eines neuronalen Netzes als statistisches Modell zur Schätzung eines Atemflusses,

Fig. 11 eine Verwendung eines FIR-Filters als statistisches Modell zur Schätzung des Atemflusses,

Fig. 12 Kombinationen einer elektromagnetischen Transmissionsmessung zu einem Soft-Sensor-System,

Fig. 13 eine beispielhafte Verschaltung einer Sendeantenne mit verstimmbarem Anpassnetzwerk,

Fig. 14 ein Beispiel einer Verwendung von Buffer-Schaltungen mit Terminierung zum Überbrücken eines Kabels ohne Fehlanpassung, und

Fig. 15 ein detailliertes Beispiel einer erfindungsgemäßen Verfahrensführung.

Fig. 1 zeigt schematisch eine erfindungsgemäße Vorrichtung zur Vermessung eines Ablaufs in einem Objekt 5, mit der auch das erfindungsgemäße Verfahren zur Vermessung eines Ablaufs in einem Objekt ausführbar ist. Die Vorrichtung weist eine Sendestruktur 4 auf, mit der ein elektromagnetisches Wechselfeld in das Objekt 5 einstrahlbar ist, indem durch einen Signalgenerator 2, hier ein Frequenzgenerator 2, eine Wechselspannung erzeugt wird, mit der die Sendestruktur 4 beaufschlagt wird. Die Vorrichtung weist außerdem eine Empfangsstruktur 6 auf, mit der das Wechselfeld empfangbar ist, nachdem es das Objekt 5 durchlaufen hat. Die erfindungsgemäße Vorrichtung weist außerdem eine Demodulationseinheit 8 auf, mit der das empfangene Wechselfeld zur Erzeugung mehrdimensionaler Demodulationsdaten demodulierbar ist. Darüber hinaus weist die Vorrichtung eine Steuereinheit 1 auf, die insbesondere als Modellierungseinheit fungiert. Dieser Modellierungseinheit 1 werden die Demodulationsdaten und/oder aus diesen erzeugte Daten zugeführt. Mit der Modellierungseinheit 1 ist dann durch ein statistisches Modell aus den zugeführten mehrdimensionalen Demodulationsdaten und/oder den aus diesen erzeugten Daten zeitabhängig zumindest ein Merkmal eines Ablaufs und/oder eine zeitliche Darstellung des Ablaufs erzeugbar.

Im in Fig. 1 gezeigten Beispiel weist die Vorrichtung außerdem einen optionalen Sendeverstärker 3 auf, dem das vom Signalgenerator erzeugte Signal zugeführt wird und der dieses verstärkt und dann an die Sendestruktur 4 ausgibt. Darüber hinaus weist die Vorrichtung im gezeigten Beispiel einen optionalen Empfangsverstärker 7 auf, in den das von der Empfangsstruktur empfangene Signal eingeleitet wird und der dieses verstärkt und das verstärkte Signal der Demodulationsvorrichtung 8 zuführt.

In der gezeigten Vorrichtung ist außerdem die durch den Frequenzgenerator 2 erzeugte Wechselspannung der Demodulationseinheit 8 zuführbar, die dadurch eine I/Q-Demodulation des Empfangssignals ausführen kann.

Die Steuereinheit 1 kann die Konfiguration des Gesamtsystems übernehmen. Sie kann hierzu beispielsweise Sendefrequenz und Sendeleistung einstellen. Der Signal- bzw. Frequenzgenerator 2 kann eine Wechselspannung mit der konfigurierten Frequenz und optional Leistung erzeugen. Dazu besitzt er zwei synchrone Ausgänge. Der erste Ausgang ist mit dem optionalen Sendeverstärker 3 verbunden oder direkt mit der Sendestruktur verbunden. Der zweite Ausgang dient als Referenzpfad für den als Empfänger fungierenden I/Q-Demodulator 8. Die an der Sendestruktur 4 anliegende Wechselspannung wird von dieser als elektromagnetische Welle bzw. elektromagnetisches Feld abgestrahlt. Die Welle bzw. das Feld transmittiert durch das Objekt 5, beispielsweise einen Patienten oder eine Patientin, und wird nach derTransmission von der Empfangsstruktur 6 wieder in eine Wechselspannung gewandelt. Während derTransmission wird die elektromagnetische Welle bzw. das elektromagnetische Feld durch Vorgänge im Inneren des/der Patient*in, wie beispielsweise eine kardio- respiratorische Aktivität, moduliert.

Das von der Empfangsstruktur 6 empfangene Signal wird an den optionalen Empfangsverstärker 7 oder direkt an den I/Q-Demodulator 8 weitergeleitet. Dieser kann mit Hilfe des Referenzsignals des Frequenzgenerators 2 das Empfangssignal in das Basisband mischen. Der I/Q-Demodulator kann ein komplexes Ausgangssignal mit einem In-Phase-Kanal (kurz: I) und einem Quadratur- Kanal (kurz: Q) erzeugen. Diese Signale korrespondieren mit der Modulation des Real- und Imaginär-Teils der durch das Objekt 5 transmittierten Welle. I und Q werden dann von einer Datensenke 1, die hier Teil der Steuereinheit 1 ist, digitalisiert.

In anderen Ausgestaltungen der Erfindung kann es auch möglich sein, die Zahl der Sendestrukturen 4 und der Empfangsstrukturen 6 zu erhöhen. Dies kann symmetrisch und auch asymmetrisch erfolgen. Es können also gleich viele Sendestrukturen 4 wie Empfangsstrukturen 6 vorgesehen sein oder unterschiedlich viele. Vorteilhaft kann die Verwendung mehrerer Empfangsstrukturen 6 pro Sendestruktur 4 sein. Besonders vorteilhaft kann die Anbringung der Sende- und Empfangsstrukturen 4, 6 in einer koplanaren Anordnung, z. B. in einer Rückenlehne oder einer Matratze sein.

Da sowohl die Sendestrukturen 4 als auch die Empfangsstrukturen 6 bei Verwendung an Personen sehr körpernah angebracht sein können, können die Sendestrukturen 4 und die Empfangsstrukturen 6 eine Verstimmung ihrer Resonanzfrequenz erfahren. Um dieser Verstimmung entgegenzuwirken und dennoch eine gute Sende- und Empfangsleistung zu erzielen, können folgende Ausgestaltungen der Sende- und Empfangsstrukturen von Vorteil sein:

Vorteilhaft kann eine sehr breitbandige Antenne oder generell eine Antenne mit einer hohen Robustheit gegen Verstimmungen verwendet werden.

Vorteilhaft kann ein abstimmbares Anpassnetzwerk vor der eigentlichen Sende- und Empfangsstruktur eingesetzt werden. Eine mögliche Ausgestaltung kann hierbei Kapazitätsdioden einsetzen. Fig. 13 zeigt ein Beispiel eines solchen verstimmbaren Anpassnetzwerks für den Sendefall. Sobald das Objekt in das Nahfeld der Sende- und Empfangsstruktur kommt, kann über Steuerspannungen die Verstimmung der Sende- oder Empfangsstruktur kompensiert werden. Als Metrik für die Güte der Kompensation kann z. B. die Größe des Empfangssignals verwendet werden.

Die in Fig. 13 dargestellte Schaltung ist ein Anpassnetzwerk. Damit lässt die Impedanz der Antenne zu einer anderen Impedanz an Port TX transformieren. Der Idealfall ist hierbei die Leistungsanpassung bei der die Impedanz der von TX kommenden Schaltungsteile gleich der Impedanz des Anpassnetzwerks mit Antenne ist. Hierdurch lassen sich Fehlanpassungen der Antenne ausgleichen, die zu Leistungsverlusten und Reflexionen im Signalgenerator oder IQ-Demodula- tor führen können.

Das in Fig. 13 dargestellte Anpassnetzwerk entspricht einer n-Schaltung. Mit dieser Schaltungstopologie lässt sich theoretisch jede Antennenimpedanz auf jede beliebige Impedanz an TX abbilden. Die grundlegende Impedanzanpassung erfolgt hierbei durch die Induktivität L_antenna und die beiden Kapazitäten Cpl und Cp2. Sobald sich die Antennenimpedanz, z.B. durch ein Objekt im Nahfeld der Antenne, verändert, stimmt das Anpassnetzwerk aus L_antenna, Cpl und Cp2 jedoch nicht mehr. Deswegen werden zusätzliche Kapazitätsdioden Dl, D2 und D3 eingebracht. Durch Reduktion der Steuerspannungen Vtunel und Vtune2 lässt sich die Kapazität der Kapazitätsdioden Dl und D2 vergrößern und so die effektiven Parallelkapazitäten des Anpassnetzwerks vergrößern bzw. durch Erhöhung der Steuerspannungen auch vergrößern. Durch die Steuerspannung Vtune3 lässt sich die Kapazität von D3 variieren, dadurch kann die Induktivität von L_antenna für eine spezifische Arbeitsfrequenz variiert werden.

Der hochfrequente Teil der Schaltung wird von den Steuerspannungen durch die Induktiviäten L_dc getrennt, diese sollten vorzugsweise deutlich größer gewählt werden als L_antenna um keinen signifkanten Einfluss auf das Anpassnetzwerk zu haben. Um zu verhindern, dass die Steuerspannungen Auswirkungen auf andere Schaltungsteile haben werden diese durch die Kapazitäten C_dc von diesen getrennt. Hierbei müssen die Kapazitäten C_dc sehr viel größer gewählt werden als die Kapazitäten Cpl und Cp2 um keine signifikante Auswir- kung auf das Anpassnetzwerk zu haben. Vorteilhaft wird so ein anpassbares Anpassnetzwerk sowohl bei Sende- als auch Empfangsstrukturen verwendet.

Die Verstimmung der Sende-/Empfangsstruktur kann zu einer Fehlanpassung zwischen Sende-/Empfangsverstärkung oder Frequenzgenerator/IQ-Demodu- lator führen. Bei großen Leitungslängen zwischen Sende-/Empfangs-struktur und der eigentlichen Signalquelle bzw. -senke können durch die Fehlanpassung stehende Wellen entstehen. Dies ist vor allem bei Verwendung von Kabeln der Fall. Diese stehenden Wellen können Artefakte, aber auch ungewollte sensitive Bereiche entlang des Kabels erzeugen. Um diesen Artefakten entgegenzuwirken, können das oben beschriebene Anpassnetzwerk und/oder folgende Ausgestaltungen vorteilhaft sein.

Es kann eine Zwangssymmetrisierung zwischen hin- und rückführenden Leitern des Kabels zur zumindest einen Sendestruktur und/oder zur zumindest einen Empfangsstruktur vorgenommen werden, z. B. über stromkompensierte Drosseln, mittels eines Terminierungswiderstandes zusammen mit einem Impedanzwandler, mittels zumindest einer stromkompensierten Drossel und/oder mittels Ferriten.

Auch möglich ist die Verwendung differentieller Sende- und Empfangsstrukturen und/oder die Verwendung von Baluns.

Auch möglich ist die Terminierung der Kabel mit der Wellenimpedanz des Kabels (typischerweise 'Q) und der Verwendung von Buffer-Schaltungen, um die Spannung an der Terminierung hochimpedant abzugreifen und niederimpe- dant an das nächste Segment in der Signalkette weiterzugeben. Dies ist in Fig. 14 beispielhaft gezeigt.

In Fig. 14 sind Anpasswiderstände zusammen mit Impedanzwandlern als Buffer-Schaltung dargestellt. An den nicht-invertierenden Eingängen der Operationsverstärker Ul und U2 befindet sich jeweils ein Terminierungswiderstand Rt2 bzw. Rt4 gegen Masse. Da die Eingänge der Operationsverstärker in der Regel viel höherimpedanter sind als die Terminierungswiderstände, ist für die Betrachtung der Gesamtimpedanz aus Terminierungswiderstands und Operationsverstärkereingang nur der Terminierungswiderstand relevant. So kann der Terminierungswiderstand so gewählt werden, dass dieser exakt der Wellenimpedanz des vorangegangenen Schaltungsteils entspricht um Fehlanpassungen durch Impedanzsprünge zu verhindern. So besitzt der Terminierungswiderstand Rt2 in Fig. 14 die gleiche Impedanz wie das davor kommende Koaxialkabel mit 50 Ohm Wellenwiderstand. Ebenso lässt sich durch die Serienwiderstände Rtl und Rt3 der Ausgangswiderstände der Operationsverstärker Ul und U2 so anpassen, dass diese der Wellenimpedanz der nachgelagerten Schaltungsteile entspricht. Da die Impedanz der Operationsverstärkerausgänge deutlich nie- derimpedanter sind als die Widerstände Rtl und Rt3, bildet sich der Gesamtwiderstand aus Operationsverstärkerausgang und Serienwiderstand hauptsächlich durch den Serienwiderstand. So besitzt der Serienwiderstand Rt3 in Fig. 14 die gleiche Impedanz wie das darauffolgende Koaxialkabel mit 50 Ohm Wellenwiderstand. Die Werte der Terminierungswiderstände und der Serienwiderstände können voneinander abweichen, um zum Beispiel zwei Schaltungsteile mit unterschiedlichen Impedanzen ohne Fehlanpassung zu verbinden.

Für die beschriebene differentielle Sende- und Empfangsstruktur kann die zumindest eine Sendestruktur 4 und/oder die zumindest eine Empfangsstruktur 6 an einem ersten Anschluss mit einer ersten Wechselspannung beaufschlagt werden und an einem zweiten Anschluss mit einer gegenüber der ersten Wechselspannung um 180° verschobenen zweiten Wechselspannung beaufschlagt werden. Bei Verwendung eines Baluns kann dieser aus einer Eingangswechselspannung die zwei Wechselspannungen erzeugen, die zueinander einen Phasenversatz von 180° haben.

Fig. 2 zeigt einen beispielhaften Ablauf eines erfindungsgemäßen Verfahrens zur Messung zumindest eines Ablaufs in einem Objekt. Der Ablauf kann beispielsweise in der in Fig. 1 gezeigten Vorrichtung ausgeführt werden. Es wird dabei durch die Empfangsstruktur 6 ein Wechselfeld empfangen, das im gezeigten Beispiel z. B. ein RF-Signal sein kann. Dieses wird der I/Q-Demodulation 21 zugeführt, die im gezeigten Beispiel I-Daten und Q-Daten pro Antenne erzeugt. Diese werden einem optionalen Vorverarbeitungsschritt 22 zugeführt, der z. B. eine Filterung und/oder Transformation enthalten kann. Im Vorverarbeitungsschritt 22 können aus den mehrdimensionalen Demodulationsdaten, hier den I- und Q-Daten pro Antenne, erzeugte Daten erzeugt werden, die auch als ab- geleitete Größen bezeichnet werden können. Die von der Vorverarbeitung erzeugten Daten können nun einem statistischen Modell 24 zugeführt werden. Es ist darüber hinaus oder alternativ möglich, in den erzeugten Größen zunächst eine Merkmalsextraktion auszuführen, mit der Merkmale der mehrdimensionalen Demodulationsdaten und/oder der daraus erzeugten Daten ermittelt werden. Es können dann diese Merkmale dem Modell 24 zugeführt werden. Eine solche Merkmalserzeugung ist vor allem dann sinnvoll, wenn sich die mehrdimensionalen Demodulationsdaten nicht oder schlecht zur direkten Verwendung im Modell 24 eignen.

Das Modell erzeugt aus den zugeführten mehrdimensionalen Modulationsdaten, hier I und Q, und/oder aus den aus diesen erzeugten Daten zeitabhängig zumindest ein Merkmal des Ablaufs und/oder eine zeitliche Darstellung des Ablaufs, z. B. als prädizierte Werte, beispielsweise eine Atemflusskurve. Dieses Ergebnis kann optional noch einer Kurveninterpretation 25 zugeführt werden. Es kann auf diese Weise beispielsweise ein Echtzeit-Träger, Volumina und/oder ein Abgleich zu einer Referenz erzeugt werden.

Fig. 3 zeigt beispielhaft den Verlauf von I und Q im linken Teilbild sowie von den Ableitungen von dQ/dl im rechten Teilbild. Der gezeigte Verlauf ist charakteristisch für einen Atemzug. Im linken Teilbild entspricht der linke untere Abschnitt der Kurve der Einatmung und der rechte obere Abschnitt der Ausatmung. Während eines Atemzyklus verlaufen Q und I also entlang der gezeigten Kurve entgegen dem Uhrzeigersinn.

Im rechten Teilbild ist der Gradient dQ/dl als Pfeile auf der im linken Teilbild gezeigten Kurve eingezeichnet. Erkennbar ist der Richtungswechsel des Gradienten bei Wechsel von Inspiration zu Exspiration. Anhand des Gradienten kann also beispielsweise in Echtzeit erkannt werden, ob eine Einatmung oder eine Ausatmung vorliegt.

Fig. 4 zeigt Beispiele für eine Vorverarbeitung von Daten, die im Demodulationsschritt erhalten werden können. Diese Vorverarbeitung kann beispielsweise im Schritt 22 in Fig. 2 erfolgen. In den Teilbildern der Fig. 4 ist links ein 3 x 3 Paarplot der Daten im Rohzustand gezeigt. Bei den Paarplots wird in den nicht- diagonalen Plots die Abhängigkeit der Rohdaten von anderen Rohdaten gezeigt, um z.B. die Korrelation darzustellen. In den diagonalen Plots werden Histogramme der Rohdaten dargestellt. Im rechten Teilbild werden die Paarplots der entsprechenden Daten an entsprechenden Positionen nach der Vorverarbeitung gezeigt. Die Vorverarbeitung kann z. B. eine Filterung und/oder eine Transformation umfassen.

Die Vorverarbeitung kann auch z. B. eine Inspektion von Daten enthalten, inclusive der Untersuchung von statistischen Zusammenhängen der Eingangsgrößen, z. B. über eine Generalized Scatterplot-Matrix (GSPLOM), wie in Fig. 4 gezeigt. Danach kann die Vorverarbeitung z. B. eine Glättung, eine Befreiung vom Mittelwert und/oder eine Skalierung aufweisen.

Eine derartige Vorverarbeitung kann sowohl bei der Vermessung des Ablaufs wie aber auch beim Training des statistischen Modells zum Einsatz kommen.

Fig. 5 zeigt beispielhaft einen Vorverarbeitungsschritt 22. Es werden hier beispielhaft I und Q als mehrdimensionale Demodulationsdaten dem Vorverarbeitungsschritt 22 zugeführt. Dieser kann dann einen oder mehrere der rechts in Fig. 5 gezeigten Größen aus diesen Daten erzeugen. Die rechts gezeigten Größen sind dabei lediglich beispielhaft und es können einige dieser Größen, alle dieser Größen und auch weitere Größen erzeugt werden.

Fig. 6 zeigt ein Beispiel eines Ablaufs, mit dem das statistische Modell 24 in einem Trainingsvorgang trainiert werden kann. Im Trainingsvorgang wird das statistische Modell 24 datenbasiert trainiert. Im Betrieb kann dann das Modell 24 auf neue Daten angewendet werden. Unterschieden werden kann insbesondere zwischen zwei überwachten Lernaufgaben, nämlich zum einen Klassifikation und zum anderen Regression.

Im Trainingsvorgang erhält das Modell 24 neben den Demodulationsdaten, die aus einem empfangenen Wechselfeld erzeugt wurden, zusätzliche Messwerte aus zumindest einem Referenzsensor (Ground Truth). Der zumindest eine Referenzsensor kann dabei jene Größe messen, die mit dem statistischen Modell vermessen bzw. vorhergesagt werden soll. Durch Vergleich der Messwerte der Referenzsensoren mit den durch das Modell vorhergesagten Werten des Merkmals des Ablaufs, und/oder der zeitlichen Darstellung des Ablaufs, kann ein Fehlerwert errechnet werden, beispielsweise mittels eines Optimierungsalgorithmus, um das Modell 24 entsprechend zu trainieren. Das Training kann z. B. generalisiert mit einer ganzen repräsentativen Population erfolgen oder es kann individuell, beispielsweise patientenindividuell stattfinden. Beim patientenindividuellen Training kann an den Patientinnen anfangs die Referenzsensorik angeschlossen werden, um das mathematische Modell individuell zu trainieren. Nach dem Training kann die Referenzsensorik entfernt werden.

Wie in Fig. 6 gezeigt, werden dem Modell 24 für das Training jene Demodulationsdaten oder aus diesen erzeugte Daten zugeführt, die zur Vermessung des Ablaufs im Objekt im Betrieb verwendet werden sollen. In Fig. 6 sind dies beispielhaft I, Q, eine Amplitude, eine Phase und Gradienten des empfangenen Wechselfelds. Das Modell 24 erzeugt aus diesen einen geschätzten Wert, der der Qualitätsmetrik 62 zugeführt wird. Die Qualitätsmetrik 62 vergleicht den Schätzwert mit dem durch die Referenzsensoren gemessenen Wert und erzeugt einen Fehlerwert. Dieser wird einem Optimierungsalgorithmus 61 zugeführt, der dann das Modell 24 so trainiert, dass die Übereinstimmung zwischen dem gemessenen Wert und dem von dem Modell 24 geschätzten Wert verbessert wird.

Fig. 7 zeigt ein Beispiel einer Anordnung zum Anlernen bzw. Trainieren des Modells 24 in Fig. 6. Im in Fig. 7 gezeigten Beispiel erfolgt ein patientenindividuelles Training an einem/einer Patient*in 71. Dieser wird, beispielsweise mittels der in Fig. 1 gezeigten Vorrichtung 72, über die Sendestruktur 4 mit einem Wechselfeld beaufschlagt, das durch die Empfangsstruktur 6 empfangen wird, nachdem es den/die Patient*in 71 durchlaufen hat. Es kann aus dem empfangenen Wechselfeld, wie zu Fig. 2 beschrieben, ein Merkmal eines zustimmenden Ablaufs und/oder eine zeitliche Darstellung des Ablaufs erzeugt werden. Im gezeigten Beispiel ist der zu vermessende Ablauf eine kardiorespiratorische Aktivität des/der Patient*in. Als Referenzsensoren sind zum einen ein Elektrokardiogramm 73 sowie ein Flow-Meter 74 zur direkten Messung eines Atemflusses vorgesehen. Die Sensoren 73 und 74 erzeugen die gemessenen Werte, die der Qualitätsmetrik 62 zugeführt werden. Diese vergleicht die Werte der interessierenden Merkmale des Ablaufs mit den durch das Modell vorhergesagten und erzeugt so besagten Fehlerwert.

Im Betrieb erhält das Modell 24 keine Referenzdaten mehr, sondern schätzt auf Basis der verschiedenen Eingangsdaten die Merkmale des Ablaufs und/oder die zeitlichen Daten des Ablaufs. Das System kann hier als Soft-Sensor agieren, da die zu bestimmende Zielgröße nicht direkt gemessen wird, sondern durch damit korrelierte Größen und einem trainierten Modell geschätzt wird.

Man kann hierbei zwei Arten der Schätzung unterscheiden, die beide vorteilhaft sind. Im einen Fall kann eine Klassifikation der Demodulationsdaten und/oder der aus diesen erzeugten Daten erfolgen. In diesem Fall können Größen mit diskretem Wertebereich, meistens binär, teilweise auch ternär, unterschieden werden. Zum Beispiel könnten die Daten als Einatmen, Ausatmen oder optional auch als Atempause klassifiziert werden. Es kann z. B. anhand der aktuellen Demodulationsdaten unterschieden werden, ob aktuell Einatmen, Ausatmen oder eine Atempause stattfindet. Auch kann beispielsweise bestimmt werden, ob im vorangegangenen Zeitschnitt eine R-Zacke auftrat.

Fig. 8 zeigt eine solche Klassifizierung nochmals schematisch. Als Eingangsdaten für das Modell 24 dienen hier die besagten Demodulationsdaten und/oder aus diesen erzeugte Daten. Das Modell klassifiziert die konkrete Konstellation dieser Daten in Klassifikationsergebnisse wie beispielsweise Einatmen, Ausatmen, Vorhandensein einer R-Zacke usw.

Die zweite Art der Schätzung ist die Regression. Bei der Regression erzeugt das Modell quasi-zeitkontinuierliche Zielgrößen mit einem kontinuierlichen oder quasi-kontinuierlichen Wertebereich. Eine solche Zielgröße kann z. B. der aktuelle Atemfluss oder eine Erregungskurve eines EKGs sein.

Fig. 9 zeigt schematisch das Modell als Regression. Es werden wiederum die Demodulationsdaten oder aus diesen erzeugte Daten eingegeben und das Modell erzeugt daraus beispielsweise den Atemfluss, ein EKG oder eine ähnliche Kurve.

Fig. 10 zeigt beispielhaft eine Ausgestaltung des Modells 24 als trainiertes neuronales Netz, in diesem Fall ein Mehrschichtiges Perzeptron, das auf Basis der Eingangsgrößen I und Q und den abgeleiteten Merkmalen aus I und Q den Atemfluss schätzt. Das linke Teilbild zeigt beispielhaft einen Verlauf von I und Q über die Zeit, der dem neuronalen Netz 24 als Modell zugeführt wird, und das rechte Teilbild zeigt einen Vergleich eines vorhergesagten Flusses mit einem tatsächlichen Fluss, wie er mittels Referenzsensor bestimmt wurde. Es ist zu erkennen, dass das trainierte neuronale netz 24 den Atemfluss sehr gut vorhersagt. Das neuronale Netz weist eine Eingangsschicht, vier verborgene Schichten mit 200, 50, 60 und noch mal 60 Neuronen und eine Ausgangsschicht auf.

Fig. 11 zeigt ein Beispiel zur Schätzung des Atemflusses, bei dem das statistische Modell 24 ein trainierter adaptiver FIR-Filter ist. Als Eingangsgröße dient hierbei die I-Daten und die Q-Daten, wie sie im linken Teilbild eingezeichnet ist. Das Ergebnis ist wiederum der Atemfluss, wie im rechten Teilbild gezeigt im Vergleich zum gemessenen Atemfluss.

Fig. 12 zeigt ein weiteres Beispiel für ein Soft-Sensor-System. Das in Fig. 12 gezeigte Verfahren beginnt mit einer elektromagnetischen Transmissionsmessung, beispielsweise mittels der in Fig. 1 gezeigten Anordnung. Die Daten werden wiederum der Vorverarbeitung 22 zugeführt, die auch hier optional ist. Die so erzeugten Daten werden dann dem Modell 24 zugeführt, das zuvor mit einem Referenzsystem 124 trainiert wurde. Optional können die Daten einem Nachbearbeitungsschritt 122 zugeführt werden und am Ende als Schätzwert im Ausgabeschritt 123 ausgegeben werden. Dieses Soft-Sensor-System misst wiederum nicht direkt die Ausgangsgröße, sondern schätzt über das mathematische Modell 24 die Ausgangsgröße über mehrere mit der Ausgangsgröße korrelierte Eingangsgrößen.

Fig. 15 zeigt ein detaillierteres Beispiel einer erfindungsgemäßen Verfahrensführung. Es werden dabei in einem Schritt 151 Flussdaten importiert, die in einem Schritt 152 einer linearen Interpolation unterzogen werden. Die durch die lineare Interpolation erzeugten Daten werden in einem Schritt 153 einem beispielhaften Butterworth-Bandpassfilter unterzogen, dessen untere Grenze im gezeigten Beispiel 0,11 Hz ist, und dessen obere Grenze 1,1 Hz ist. Die so gefilterten Daten werden dann einer Yeo-Johnson Leistungs-Transformation 154 zugeführt, die den Referenzfluss als Ground Truth 165 erzeugt. Dieser Referenzfluss wird als Referenzsensordaten für das Training des statistischen Modells 24, das hier ein Mehrschichtiger Perzeptron-Regressor ist, verwendet.

Die in den Schritten 151, 152, 153, 154 und 165 bestimmten Referenzdaten werden nur zum Training verwendet. Im Betrieb als Verfahren zur Vermessung des Ablaufs werden diese Schritte weggelassen.

Im Betrieb sowie zur Schätzung beim Training werden in einem Schritt 155 Demodulationsdaten, beispielsweise Q und I, erzeugt. Diese werden in einem Schritt 156 einer linearen Interpolation unterzogen. Aus den interpolierten Daten wird in einem Schritt 157 beispielsweise eine Amplitude berechnet. Das Ergebnis des Schritts 157 wird hier einem Butterworth-Bandpassfilter 158 zugeführt und das gefilterte Signal wiederum einer Yeo-Johnson Leistungs-Transformation 159 zugeführt. Aus den in der Yeo-Johnson Leistungs-Transformation 159 transformierten Daten können nun zahlreiche Merkmale des zu vermessenden Verlaufs bestimmt werden. Die in 159 erzeugten Daten können beispielsweise einem Schiebeoperator 164 zugeführt werden, wodurch verschobene Daten bestimmt werden können, beispielsweise Q, I, Amplitude, dQ/dt, dl/dt, dAmplitude/dt, binäres dQ/dt, binäres dl/dt und/oder binäre dAmplitude/dt, wie in 167 gezeigt. Die durch die Transformation 159 erzeugten Daten können auch direkt als Merkmale Q, I, Amplitude wie in 171 verwendet werden.

Es können darüber hinaus im Schritt 160 Gradienten erzeugt werden, die wiederum einer Yeo-Johnson Leistungs-Transformation 161 unterzogen werden können und dadurch die zeitabhängige Veränderung von Q, I und der Amplitude erzeugen können. Dies ist in 170 gezeigt. Die durch die Transformation 161 erzeugten Daten können auch einer Gradienten-Binarisierung 162 unterzogen werden und auf diese Weise die in 169 gezeigten binären dQ/dt, dl/dt, dAmplitude/dt erzeugen.

Die im Schritt 162 erzeugten Daten können zusammen mit den in der Transformation 161 erzeugten Daten auch einem Verfahren des gleitenden Mittelwerts zugeführt werden. Es können hierdurch die in 168 gezeigten Daten erzeugt werden. Die Merkmale 166 können dann dem statistischen Modell 24 zugeführt werden. Dieses erzeugt daraus den Ablauf als Regression.

Die Erfindung ist aufgrund der Kontaktlosigkeit auch geeignet für Patientinnen, die leicht reizbare, verbrannte oder entzündete Haut haben.

Es ist auch für sehr kleine Patientinnen geeignet, die nicht viel Platz bieten um Sensorik anzubringen, z.B. Früh- oder Neugeborene.

Bei der Erfindung ist wegen der Kontaktlosigkeit die Wahrscheinlichkeit von schlechten Messergebnissen aufgrund von Anwenderfehlern gering. Bei EKGs können beispielsweise die Elektroden falsch oder schlecht platziert werden. Bei Messungen der Atmung mit Fluss- oder Drucksensoren können Leckagen auftreten, die sowohl die Messung des Flusses als auch des Drucks verfälschen können. So treten bei Barttragenden häufig Leckagen bei Gesichtsmasken auf.

Für die Verwendung der Erfindung ist nur eine geringe Patienten*innencompli- ance nötig. Für Patientinnen ist die elektromagnetische Transmissionsmessung nicht wahrnehmbar und kann z.B. einfach in eine Stuhllehne oder Matratze integriert werden, so dass sie eine bequeme Haltung einnehmen können. Engegefühl, das womöglich bei Verfahren wie RIP-Bändchen oder EKG-Brust- gurten auftritt, entfällt komplett. Da die Erfindung auch durch dicke Textilien messen kann, müssen sich Patientinnen auch nicht entkleiden.

Aufgrund der Kontaktlosigkeit ist die Kontaminationsgefahr und der Verschleiß der Sende- und Empfangsstrukturen auch deutlich reduziert.

Durch die Realisierung eines Softsensors kann die Erfindung konventionelle Sensoren wie EKG oder Flowmeter quasi emulieren. Dadurch kann die Erfindung nahtlos in bestehende Sensor-Ketten integriert werden, in denen normalerweise ein konventioneller Sensor zum Einsatz kommt.

Mit dem vorliegenden Algorithmus können die Daten einer nicht-invasiven, nicht obstruierenden und skalierbaren (simultane oder serielle Nutzung meh- rerer Sensorteilelemente in örtlichem Abstand) und oberflächen- und volumensensitiven Messtechnik (Felder dringen wenigstens teilweise in die Zielstruktur ein) basierend auf der zeitabhängigen komplexen Faltung wenigstens zweier elektromagnetischer Felder (gesendet und empfangen) zur Laufzeit verarbeitet, interpretiert und in kardiothorakale Vitaldaten bzw. andere physiodynami- sche Daten einer Zielstruktur umgewandelt werden. Hierfür kann das System wenigstens initial trainiert werden, die durch die physiodynamischen Veränderungen der Zielstruktur oder eines generischen Modells der Zielstruktur entstehenden Veränderungen der Daten des Maßsystems mit Referenzsystemen Daten (z.B. kardiothorakale Vitaldaten) abzubilden.

Für folgende Anwendungen eignet sich die Erfindung insbesondere:

Sensor bei der künstlichen Beatmung, Überwachung auf plötzlichen Kindstod Verlaufskontrolle bei Herz- und Atemwegserkrankungen (Vergleichbar einem Langezeit EKG), Tracking des aktuellen Zustands einer Person (wach, schlafend, pathologisch), kontaktlose Patient*innenüberwachung auf Intensivstationen, kontaktloses Ableiten eines EKGs, kontaktloses Tracken von Herzschrittmachern, kontaktlose Bestimmung der Atemrate, Einbau in Wearables, Matratzen, Autositze -> Stressanzeige o.ä., Schlafbewertung, Trainingsparameter messen z.B. VOZmax, Überwachung von Schlaf-Apnoe, Verwendung für BioFeed- back, Eingangsdaten zur Artefakt- oder Ausfallkompensation von Vitaldatensensoren, Signalerzeuger für Totmannschalter, Ermittlung von Performanceda- ten, Verwendung des „Verfahrens" für die Auswertung der Daten des Thoraxmonitors, Messverfahren über die Ableitung der reinen kardiothorakalen Vitaldaten hinaus (z.B. technische zeitveränderliche Zustände wie Füllstände, Annäherung, Kompression von Schüttgut oder porösen Strukturen oder biologisch wie die Anspannung von Muskelgewebe, Peristaltik, Bewegung im Allgemeinen von Menschen als auch Tieren).