Schlüsselwörter

1.1 Einführung in biomedizinische Signale

Mit dem Fortschritt der Technologie in den letzten Jahren hat die biomedizinische Industrie radikal zugenommen. Echtzeit-Gesundheitsüberwachung ist nun möglich mithilfe von intelligenten Sensortechnologien. Biomedizinische Signale sind die Aufzeichnungen von physiologischen Ereignissen, einschließlich neuronaler Aktivitäten, Herzrhythmen und Gewebebildgebung [1]. Biomedizinische Signale können in zwei Kategorien unterteilt werden, abhängig von der Energiequelle für die Messung, aktive und passive biomedizinische Signale. Bei aktiven biomedizinischen Signalen wird die Energiequelle für die Messung vom Subjekt selbst angetrieben. Es gibt weitere zwei Arten von Signalen in der aktiven Kategorie, d. h. elektrische wie EEG, EKG etc. und nicht-elektrische Signale wie Blutdruck, Temperatur etc. Bei passiven biomedizinischen Signalen stammt die Energiequelle für die Messung von außerhalb des Subjekts, wie z. B. Röntgen, MRT etc. Biomedizinische Signale können auch in Untergruppen unterteilt werden, abhängig von der Art der Signale, wie elektrische, mechanische und chemische biomedizinische Signale. Elektrische biomedizinische Signale stammen von neuronalen Zellen wie EEG, von Muskeln wie EMG und EKG und anderen Quellen wie EOG. Wie elektrische biomedizinische Signale kann auch ein starkes Magnetfeld von außerhalb des Körpers des Subjekts verwendet werden, um verschiedene Organe des Subjekts zu scannen. Diese Scans sind als MRT-Scans bekannt. Dazu gehören Bewegungs- und Verschiebungssignale, Druck- und Spannungssignale, Blutflusssignale etc. Eine weitere Kategorie von biomedizinischen Signalen sind die chemischen Signale, die die chemische Veränderung im Körper des Subjekts messen, wie PPG, Glukosespiegel, Blutsauerstoffspiegel etc. Mechanische biomedizinische Signale wie Blutdruck und Phonokardiogramm können ebenfalls gemessen werden. Darüber hinaus gibt es auch akustische biomedizinische Signale wie PCG und Atemgeräusche. Optische biomedizinische Signale umfassen die Endoskopie, während es auch thermische biomedizinische Signale gibt, wie die Wärmebildkarte des Subjekts.

In diesem Kapitel liegt der Schwerpunkt auf elektrischen und magnetischen biomedizinischen Signalen, die von Sensoren aufgezeichnet werden, die außerhalb des Körpers des Subjekts platziert sind. Diese biomedizinischen Signale werden dann für die Diagnose und Überwachung und Fortschreiten verschiedener Krankheiten verwendet. Die Verbesserungen in den Signalverarbeitungsmethoden und der Elektronik haben die Verwendung von biomedizinischen Signalen für Prognose und Diagnose gefördert.

Sensoren verschiedener Arten werden verwendet, um biomedizinische Signale zu messen und aufzuzeichnen. Einige Sensoren werden implantiert oder in das Subjekt eingeführt, um diese Signale aufzuzeichnen, z. B. implantiertes EEG und Endoskopie, während einige Sensoren diese Signale von außerhalb des Körpers des Subjekts aufzeichnen, z. B. MRT und Röntgen. Die aufgezeichneten Signale werden zur Verbesserung der Gesundheit der Menschen verwendet. Ingenieure haben viele Geräte entwickelt, die diese Signale verarbeiten und die Ergebnisse auf leicht verständliche Weise präsentieren. Herzfrequenzüberwachungsgeräte haben es uns ermöglicht, Unregelmäßigkeiten in den Herzschlagrhythmen zu untersuchen [2]. Körperglukoseüberwachungsgeräte helfen Diabetikern, ihren Blutzuckerspiegel ohne Hilfe und Aufsicht von Gesundheitsdienstleistern zu überwachen und zu verwalten. Emotiv MN8 ist ein tragbares Gerät, das Gehirnaktivitäten überwacht, um Stress und Aufmerksamkeit zu messen.

In diesem Kapitel wird eine kurze Einführung in wichtige biomedizinische Signale und deren Erfassungstechniken gegeben. Danach wird die Verarbeitung und Analyse dieser Signale diskutiert, gefolgt von der Anwendung dieser Signale für die Rehabilitation, wie z. B. Gehirn-Computer-Schnittstelle (BCI) und Neurofeedback- und Biofeedback-Systeme. Schließlich wird ein kurzer Abschluss dieses Kapitels gegeben.

1.2 Invasive und nicht-invasive Verfahren

Biomedizinische Signale können in zwei Arten unterteilt werden, abhängig von der Art und dem Verfahren der Signalakquisition. Bei der invasiven Methode zur Gewinnung biomedizinischer Signale werden Sensoren in den menschlichen Körper eingeführt. Mit anderen Worten, invasive Tests werden durchgeführt, indem der Körper mit medizinischen Werkzeugen durchdrungen wird [3]. Andererseits beinhaltet die nicht-invasive Technik zur Gewinnung biomedizinischer Signale kein Durchbrechen der Haut. Diese Tests werden durchgeführt, indem Sensoren auf der Oberfläche des menschlichen Körpers auf der Haut platziert werden [4].

Nicht-invasive Methoden sind viel einfacher und haben ein geringes Risiko. Für die Platzierung der Sensoren ist keine Operation erforderlich. Sobald die Sensoren platziert sind, werden die gesammelten Daten verarbeitet, um die benötigten Informationen zu erhalten. Diese Techniken sind billiger und benutzerfreundlich und beinhalten ein geringes Risiko, was sie für das Subjekt akzeptabler macht als invasive Techniken. Einer der Hauptvorteile der Verwendung einer nicht-invasiven Methode gegenüber einer invasiven Methode ist, dass für eine invasive Methode ein professioneller Spezialist benötigt wird, um das Verfahren durchzuführen, während im Falle von nicht-invasiven Techniken Wissenschaftler viele benutzerfreundliche Geräte entwickelt haben, die vom Subjekt selbst mit minimaler Aufsicht getragen werden können und die Daten können leicht aufgezeichnet werden [5].

Sowohl invasive als auch nicht-invasive Techniken haben einige Vor- und Nachteile. Einer der Hauptnachteile von nicht-invasiven Methoden ist ihr geringes Signal-Rausch-Verhältnis (SNR). Um dieses Problem zu überwinden, werden die Daten unter spezifischen Bedingungen aufgezeichnet, um Rauschen zu vermeiden, und verbesserte Rauschentfernungsverfahren werden angewendet, bevor die Daten zur Analyse verwendet werden. Nicht-invasive Methoden liefern im Allgemeinen weniger Informationen als invasive Techniken. Invasive Sensoren können in der Art verschieden sein, wie Einzelelektroden oder Mehrfachelektroden-Arrays (MEA) [6]. Je nach Art des Sensors können genauere Informationen gesammelt werden. So werden zum Beispiel, wenn die Gehirnsignale durch Einführen von Sensoren in das Gehirn aufgezeichnet werden, die resultierenden Informationen viel zuverlässiger, präziser und detaillierter sein, als wenn man versucht, die gleichen Daten von außerhalb der Kopfhaut des Subjekts zu sammeln. Gleichzeitig sind invasive Techniken aufwändiger und haben ein höheres Risiko.

Invasive Methoden erfordern geschulte Fachleute, um Sensoren durch Operationen oder durch Einführen des Sensors in eine Körperöffnung in den Körper einzuführen. Zum Beispiel wird für Knochenleitungs-Hörgeräte eine Operation durchgeführt, um ein Gerät in die Haut des Subjekts zu implantieren, und für die Endoskopie wird ein langer Schlauch mit einer Kamera eingeführt, um das Innere des Körpers des Subjekts zu untersuchen. Ebenso kann EEG invasiv gesammelt werden, wobei EEG-Elektroden chirurgisch auf der Oberfläche oder im Gehirn implantiert werden. Andererseits beinhaltet die nicht-invasive Methode Röntgen, MRT, EKG, EEG etc. In Bezug auf biomedizinische Signalgebung ist EEG eines der Beispiele, bei denen die Signale sowohl auf invasive als auch auf nicht-invasive Weise aufgezeichnet werden können. Das invasive EEG wird eine hohe räumliche Auflösung und weniger Artefakte mit mehr Risiko haben, während das nicht-invasive EEG eine hohe zeitliche Auflösung mit mehr Artefakten und weniger Risiko haben wird.

1.3 Nicht-invasive biomedizinische Signale

1.3.1 Elektroenzephalographie (EEG)

Das EEG ist ein elektrophysiologisches Signal, das die Gehirnaktivität in Form von elektrischen Potenzialen aufzeichnet. Es handelt sich um eine nicht-invasive Technik zur Aufzeichnung der durch die ionischen Ströme zwischen den Gehirnneuronen entstehenden Potenzialunterschiede [7]. Im Jahr 1875 führte Richard Canton die ersten neurophysiologischen Aufzeichnungen bei Tieren durch. Im Jahr 1924 nahm Hans Berger, ein deutscher Psychiater, das erste EEG von menschlichen Probanden auf.

Um die EEG-Signale aufzuzeichnen, werden die Sensoren, auch bekannt als EEG-Elektroden, an spezifischen Stellen auf der Kopfhaut des Probanden platziert. Referenzelektroden sind erforderlich, um EEG-Daten aufzuzeichnen. Die EEG-Daten für die benötigte Stelle werden dann als Potenzialunterschied zwischen den beiden Elektroden erfasst. Diese Referenzelektroden werden in der Regel neben dem Ohr des Probanden platziert. Die EEG-Aktivität ist recht klein und wird in Mikrovolt gemessen. Die Position der EEG-Elektroden wird durch internationale Standards wie die 10–5, 10–10 und 10–20 Systeme geregelt, von denen das internationale 10–20 System zur Platzierung der Elektroden am häufigsten verwendet wird, wie in Abb. 1.1 gezeigt. Dieses System zur Platzierung der Elektroden ist so konzipiert, dass der Abstand zwischen den Elektroden entweder 10 % oder 20 % der gesamten frontalen oder seitlichen Entfernung des Schädels beträgt [8].

Abb. 1.1
figure 1

Internationales 10–20 System zur Platzierung der EEG-Elektroden und 14-Kanal-EEG-Daten

Full size image

Das menschliche Gehirn ist aufgrund seiner Lage und der Aufgaben, die es ausführt, in vier verschiedene Lappen unterteilt. Der Frontallappen ist verantwortlich für Konzentration, Aufmerksamkeit, Arbeitsgedächtnis und exekutive Planung. Der Temporallappen ist verantwortlich für Sprache und Gedächtnis, Objekterkennung, Musik und Gesichtserkennung. Der Parietallappen ist verantwortlich für Problemlösung, Aufmerksamkeit und Assoziation. Der Okzipitallappen steuert das visuelle Lernen und Lesen [9].

Das EEG ist ein komplexes zeitabhängiges nicht-stationäres Signal, das die elektrische Aktivität des Gehirns darstellt. Das EEG-Signal variiert von 0,1 bis mehr als 100 Hz und kann in verschiedene Frequenzbänder wie Delta (0,5–4 Hz), Theta (4–8 Hz), Alpha (8–13 Hz), Beta (13–30 Hz) und Gamma (30–100 Hz) zerlegt werden. Jedes Frequenzband repräsentiert einige spezifische physiologische Funktionen. Das Delta-Frequenzband repräsentiert Schlaf, Unbewusstsein, tiefe Bewusstlosigkeit und komplexe Problemlösungsfähigkeiten des Gehirns. Das Theta-Frequenzband repräsentiert tiefe Zustände, Kreativität, Ablenkbarkeit, Angst und Depression. Das Alpha-Frequenzband repräsentiert Gedächtnisabruf, Wachsamkeit, Frieden, Entspannung und Meditation. Das Beta-Frequenzband repräsentiert das Denken, die Wachsamkeit, die Aufmerksamkeit, den Fokus und die Aufregung des Probanden. Das Gamma-Frequenzband repräsentiert das Lernen, die Problemlösungsfähigkeiten, die kognitiven Fähigkeiten und die geistige Schärfe des Probanden [9].

EEG-Elektroden sind sehr empfindlich und anfällig für Störungen und haben ein niedriges SNR. Aus diesem Grund werden die EEG-Aufzeichnungen sehr sorgfältig in stillen Räumen durchgeführt. Viele Artefakte schaffen es dennoch, in die Aufzeichnungen einzudringen. Filter- und Artefaktentfernungstechniken werden genutzt, um solche Störungen aus den Daten zu entfernen. Dieses zusätzliche Verfahren macht das EEG-System komplex und rechenintensiv. Der Hauptvorteil des EEG ist seine hohe zeitliche Auflösung, und die wichtigste Einschränkung des nicht-invasiven EEG ist seine schlechte räumliche Auflösung. Das EEG wird nicht-invasiv aufgezeichnet, indem Elektroden auf der Kopfhaut platziert werden, jedoch findet die tatsächliche Gehirnaktivität mehrere Zentimeter unter den Elektroden statt. Das bedeutet, dass der kortikale Strom durch verschiedene Widerstände, einschließlich der Kopfhaut selbst, reisen muss, um von der Elektrode erfasst zu werden. Dies verursacht Verzerrungen und Störungen auf der Kopfhaut. Daher ist bei der nicht-invasiven EEG-Erfassung die Quellenlokalisierung einer der ersten Schritte, bei dem die tatsächliche Quelle des EEG im Gehirn auf der Grundlage der Oberflächen-EEG-Aufzeichnung identifiziert wird.

Ereignisbezogene Potenziale (ERPs), auch bekannt als ereignisbezogene Spannungen oder evozierte Potenziale aus EEG-Daten, sind zeitlich mit sensorischen, motorischen und kognitiven Ereignissen verknüpft. ERPs können zur Klassifizierung und Identifizierung von Wahrnehmungs-, Gedächtnis- und Sprachprozessen verwendet werden. ERPs entstehen aus synchronen Aktivierungen der neuronalen Population während einer spezifischen Aufgabe oder Informationsverarbeitung. Die ERPs werden in der Regel durch Mittelung der EEG-Signale beobachtet. Durch die Mittelung werden die ERPs weniger anfällig für Hintergrundrauschen in den EEG-Daten und können so wichtige Informationen über die ereignisbezogene Aktivität extrahieren, die sonst schwer von der laufenden EEG-Aktivität zu unterscheiden ist.

Das menschliche Gehirn kann verschiedene neurologische und physiologische Krankheiten entwickeln. Verschiedene Techniken können verwendet werden, um EEG-Signale zu modulieren und die kognitive Leistungsfähigkeit der Probanden zu verbessern. Musik kann verwendet werden, um EEG-Signale zu regulieren, um Ruhe zu erreichen und Stress abzubauen [10]. Andererseits kann das EEG zur Diagnose von neurologischen Krankheiten wie Epilepsie, Parkinson, Multiple Sklerose und Alzheimer verwendet werden. Die häufigste Anwendung des EEG ist die Diagnose von Epilepsie [11], bei der die Gehirnaktivitäten abnormal werden. Dies kann zu Anfällen und einem zeitweiligen Verlust des Bewusstseins führen. Andererseits wird das EEG auch zur Diagnose und Behandlung vieler physiologischer Störungen wie Depression, Posttraumatische Belastungsstörung (PTBS), Aufmerksamkeitsdefizit-Hyperaktivitätsstörung (ADHS) und Autismus verwendet. Zu den verschiedenen Anwendungen des EEG gehören unter anderem die Diagnose und Überprüfung des Zustands von Gehirnverletzungen, Gehirninfektionen, Tumoren usw. Das EEG kann auch verwendet werden, um die Ursache von Symptomen wie Synkope, Gedächtnisverlust, Verwirrung oder Anfällen zu ermitteln. Das EEG wird auch zur Diagnose von Schlafstörungen verwendet, bei denen die EEG-Aufzeichnungen während des Schlafens des Probanden gemacht werden müssen, um eventuelle Störungen zu analysieren.

1.3.2 Magnetoenzephalographie (MEG)

MEG ist eine Bildgebungstechnik für das Gehirn, die winzige Magnetfelder im Gehirn des Probanden misst. Supraleitende Detektoren und Verstärker (SQUIDs) sind hochsensible Geräte, die zur Erfassung der Magnetfelder des Gehirns ohne Aussendung von Magnetfeld oder Strahlung verwendet werden. Sie erzeugt ein magnetisches Quellenbild (MSI), um den spezifischen Teil des Gehirns zu klassifizieren, der Anfälle verursacht.

Einige der Vorteile von MEG sind ihre nicht-invasive Natur, Sensitivität und Genauigkeit sowie Sicherheit. MEG kann auch die Gehirnaktivitäten aufzeichnen, wenn es aktiv funktioniert. MEG kann entweder zur Erfassung der impulsiven Aktivität des Gehirns wie einem Anfall oder zur Kartierung von Motorik, sensorischen Bereichen, Gedächtnis, Sehen und anderen Funktionen des Gehirns verwendet werden. Aufgrund der hohen Sensitivität der Geräte wird die Bildgebung in einem speziell abgeschirmten Raum mit einer Video- und Gegensprechanlage durchgeführt, um mit dem Probanden und den Technikern zu kommunizieren. Elektroden werden auf der Kopfhaut des Probanden platziert, während der Kopf des Probanden im helmähnlichen MEG-Scanner verbleibt. Bewegungen des Kopfes während des Tests können Störungen oder Artefakte im aufgezeichneten Bild verursachen, daher ist es wichtig, während des Tests still zu bleiben. Der Techniker kann den Probanden auffordern, bestimmte Körperteile zu bewegen, um die Reaktion im Gehirn zu messen. Der Muster-MEG-Scan kann in Abb. 1.2 gesehen werden.

Abb. 1.2
figure 2

Muster-MEG-Scan

Full size image

Ärzte können den MEG-Scan verwenden, um die Quelle von Anfällen im Gehirn zu identifizieren und zu bestimmen, ob der Patient eine Anfallsoperation benötigt oder nicht. Im Allgemeinen wird MEG von EEG und Magnetresonanztomographie (MRI) begleitet, die ein anatomisches Bild des Gehirns erstellt.

1.3.3 Elektromyographie (EMG)

EMG wird verwendet, um die Gesundheit von Muskeln und Motoneuronen zu diagnostizieren, die die Kontraktion dieser Muskeln steuern [12]. Muskeln kontrahieren, wenn die Motoneuronen aus dem Gehirn elektrische Signale an sie senden. Die EMG-Aktivität ist direkt proportional zur Anzahl der kontrahierten Muskeln sowie zur Stärke des kontrahierten Muskels. Im Allgemeinen liegt der Bereich der von den Elektroden erfassten elektrischen Signale in Mikrovolt. Nicht-invasive Haft-Elektroden werden nahe den Muskeln auf der Haut platziert, um ihre elektrische Aktivität aufzuzeichnen. EMG ist ein Prozess der Übersetzung dieser elektrischen Aktivitäten in Diagramme.

Die nicht-invasive Natur von EMG ermöglicht es uns, physiologische Prozesse zu überwachen, ohne Bewegungsmuster zu beeinflussen. Um die Haut für hochwertige EMG-Aufzeichnungen vorzubereiten, muss der Bereich gereinigt und jegliches restliches Make-up oder Schmutz entfernt werden. Um gültige und zuverlässige EMG-Daten zu erhalten, werden EMG-Elektroden über der Muskelgruppe von Interesse platziert. Dies erfordert ein gewisses Maß an anatomischem Wissen. Um die EMG-Daten zu sammeln, wird eine Referenzelektrode benötigt. EMG-Daten für die erforderliche Stelle werden dann als Potentialdifferenz zwischen den beiden Elektroden erfasst. Die empfohlenen Referenzstellen sind Ellbogen, Hüfte und Schlüsselbeine. Abb. 1.3 zeigt ein Beispiel für ein EMG-Signal. Der Lärm kann in EMG-Aufzeichnungen von den umgebenden Stromquellen induziert werden. Um solche Geräusche zu minimieren, wird der Abstand zwischen den EMG-Sensoren und dem Verstärker minimal gehalten [13].

Abb. 1.3
figure 3

Muster-EMG-Signal

Full size image

EMG wird verwendet, um mehrere Muskel- und Nervenstörungen zu diagnostizieren. Es wird getestet, ob der Muskel korrekt auf das Nervensignal reagiert oder nicht. Einige der häufigen Probleme, die durch den EMG-Test diagnostiziert werden, sind Muskelschwäche, Muskelkrämpfe, Taubheitsgefühl in Armen, Beinen, Händen, Füßen oder Gesicht und Muskellähmung [14]. Die Gesichts-EMG (fEMG) wird zur Erkennung von Gesichtsemotionen verwendet.

1.3.4 Elektrokardiographie (EKG)

Eine EKG ist ein Test, der durchgeführt wird, um die elektrische Aktivität und den Rhythmus des Herzens zu überprüfen. Ein Herzspezialist könnte empfehlen, einen EKG-Test durchzuführen, um ungewöhnliche Aktivitäten in den Herzschlägen des Probanden zu überprüfen. Klebrige Sensoren werden auf die Haut des Probanden gelegt, die die elektrische Aktivität erfassen, die durch die Kontraktion und Expansion der Herzmuskulatur erzeugt wird [15]. Die erfassten elektrischen Aktivitäten werden dann aufgezeichnet und ein Diagramm wird erstellt. Der Arzt oder der Herzspezialist schaut sich dann diese Diagramme an, um ungewöhnliches Verhalten des Herzens zu finden.

Eine EKG kann auf viele Arten durchgeführt werden. Im Allgemeinen werden mehrere klebrige EKG-Elektroden an den Armen, Beinen und der Brust des Probanden angebracht. Diese Elektroden sind über Kabel mit dem EKG-Gerät verbunden. Abb. 1.4 (a) zeigt ein Beispiel für ein EKG-Signal. Die Dauer des Tests beträgt normalerweise etwa 5 Minuten, danach kann der Proband gehen. Es gibt drei Arten von EKG-Tests. Ein Ruhe-Elektrokardiogramm (Ruhe-EKG), bei dem der Proband liegen muss, während die Elektroden die EKG-Signale aufzeichnen. Bei einem Belastungs-EKG muss der Proband eine Übung machen, wie zum Beispiel auf einem Laufband laufen. Bei einem ambulanten EKG-Test wird ein kleines tragbares Gerät verwendet, um das EKG über einen längeren Zeitraum, wie einen Tag oder mehr, zu überwachen [16]. Die Auswahl des EKG-Testtyps basiert auf dem vermuteten Herzproblem und wird vom Herzspezialisten empfohlen. Wenn zum Beispiel die Symptome des Herzproblems während eines Workouts oder einer körperlichen Aktivität auftreten, könnte ein Belastungs-EKG-Test durchgeführt werden, während bei unvorhersehbaren oder zufälligen Symptomen ein ambulanter EKG-Test geeigneter wäre [17]. Im Falle von ambulanten EKG-Tests zeichnet das Gerät die gesammelten Daten auf, die später vom Spezialisten abgerufen werden können, sobald der Test abgeschlossen ist.

Abb. 1.4
figure 4

(a) Beispiel für ein EKG-Signal (b) Komponenten des EKG-Signals

Full size image

EKG-Geräte zeichnen die elektrischen Aktivitäten des Herzens auf. Diese elektrischen Aktivitäten entstehen durch die Kontraktionen des schlagenden Herzens. Das EKG-Gerät zeichnet die elektrische Aktivität und den Rhythmus des Probanden auf einem Diagramm auf oder druckt sie aus. Die Spitzen im EKG-Diagramm repräsentieren einen vollständigen Herzschlag. Jeder Herzschlag besteht aus mehreren Spitzen, wobei die erste Spitze eine P-Welle ist, die die kontrahierenden Vorhöfe darstellt, die größte, bekannt als R- oder QRS-Komplex, tritt aufgrund der Kontraktion der Ventrikel auf. Vor und nach dem QRS-Komplex können umgekehrte Spitzen gesehen werden, die als Q- und S-Wellen bekannt sind. Die letzte Spitze ist die T-Welle, die auftritt, weil die Ventrikel sich wieder entspannen, wie in Abb. 1.4 (b) gezeigt. Es sollte eine Regelmäßigkeit in den Spitzen der EKG-Daten geben. Der Abstand zwischen diesen Spitzen repräsentiert die Herzfrequenz. Unregelmäßigkeiten in diesen Spitzen können ein Zeichen für ein Problem sein. Anomalien in diesen Rhythmen deuten auf einige Herzstörungen hin, wie zum Beispiel Arrhythmie, oft als Herzinfarkt bekannt, der Schäden am Herzen verursacht, weil den Herzmuskeln Sauerstoff fehlt. Ebenso sollte der Abstand zwischen den Spitzen nicht zu kurz oder zu lang sein. Wenn die Spitzen zu nahe beieinander liegen, kann dies ein Zeichen für Tachykardie sein. Weitere Tests könnten erforderlich sein, um ein Herzproblem zu bestätigen.

Aufgrund der nicht-invasiven Natur des EKG-Tests besteht sehr wenig Risiko bei der Durchführung des EKG. Während des Belastungs-EKGs muss der Proband die ganze Zeit überwacht werden, und wenn der Proband sich unwohl fühlt, wird der Test sofort gestoppt. Das Entfernen der klebrigen Elektroden kann etwas Unbehagen verursachen und in einigen Fällen kann nach dem Entfernen der Elektroden ein leichter Ausschlag auftreten.

Ein EKG wird oft zusammen mit anderen Tests durchgeführt, um potenzielle Herzprobleme wie Brustschmerzen, Herzstolpern, Schwindel und Atemnot zu diagnostizieren. Wenn der Proband Unregelmäßigkeiten im Herzschlag spürt oder das Herz zu langsam oder zu schnell schlägt, ist dies möglicherweise auf Arrhythmien zurückzuführen. Eine koronare Herzkrankheit kann auftreten, wenn es eine Blockade in der Blutversorgung des Herzens gibt. Dies kann passieren, wenn sich Fette in dem Blutgefäß ansammeln, das mit dem Herzen verbunden ist. Wenn die Blutversorgung plötzlich gestoppt wird, könnte dies einen Herzinfarkt verursachen. Verdickte Wände des Herzens können eine Kardiomyopathie verursachen.

1.3.5 Elektrookulographie (EOG)

Die EOG misst das Ruhepotenzial zwischen der Vorder- und Rückseite des menschlichen Auges. Aufgrund der Neuronen und Ionenkanäle erzeugt die Rückseite der Netzhaut einen negativen Pol. Die EOG misst diesen Potenzialunterschied, indem sie ein Paar Elektroden in der Nähe des Auges platziert (oben und unten oder rechts und links) [18]. Die Elektroden werden in zwei Gruppen unterteilt: horizontale und vertikale Elektroden. Die horizontalen Elektroden werden in der Nähe der äußeren Ränder der Augen platziert. Die vertikalen Elektroden werden oberhalb und unterhalb der Augen platziert. Eine Erdungselektrode wird auf der Stirn platziert, wie in Abb. 1.5 (a) gezeigt. Diese Anordnung der EOG-Elektrodenplatzierung ermöglicht es uns, die vollständige Bewegung des Auges zu untersuchen. Die Bewegung des menschlichen Auges wird die effektive Entfernung zwischen den Polen und den Elektroden verändern. Eine Elektrode wird näher an die negative Seite der Netzhaut kommen, während die andere näher an die positive Seite kommt. Diese Veränderung kann von den Elektroden als elektrische Aktivität wahrgenommen und daher aufgezeichnet und dargestellt werden.

Abb. 1.5
figure 5

(a) Position der EOG-Elektrode, (b) Normales EOG-Signal, (c) Abnormales EOG-Signal bei Best-Krankheit

Full size image

Der Potenzialunterschied ändert sich mit der Veränderung der Lichtexposition. Die EOG wird verwendet, um die Effizienz des Pigmentepithels zu bewerten. In diesem Test wird ein Proband mit EOG-Elektroden gebeten, in einem dunklen Raum mit offenen Augen zu sitzen (Ruhezustand). In dieser Phase passen sich die Probanden so an die Dunkelheit an, dass ihre EOG-Spannung zu Beginn abnimmt und nach einiger Zeit einen Minimalwert erreicht. Dann werden die Lichter im Raum eingeschaltet und der Proband bleibt dort für weitere Minuten sitzen. In dieser Phase wird die EOG-Spannung zunehmen und schließlich einen Höchstwert erreichen. Sobald sich der Proband an die Lichtverhältnisse angepasst hat, wird die Spannung wieder abnehmen. Der Vergleich der Spannungen in den dunklen und hellen Phasen wird als Arden-Verhältnis (AR) bezeichnet. Im Allgemeinen sollte das AR etwa 2,0 betragen, wenn das AR auf 1,8 oder weniger abfällt, besteht die Möglichkeit, dass der Proband die Best-Krankheit hat, eine erbliche Netzhauterkrankung, die eine Makuladegeneration verursacht und den Verlust des zentralen Sehvermögens sowie die Fähigkeit, Farben und Details wahrzunehmen, verursachen kann [19]. Abb. 1.5 (b) zeigt ein normales EOG-Signal, während Abb. 1.5 (c) ein abnormales EOG-Signal mit der Best-Krankheit zeigt, bei dem das AR weniger als 1 beträgt [20].

Aufgrund seiner nicht-invasiven Natur, seiner Tragbarkeit, seines günstigen Preises und seines geringen Risikos sind die Anwendungen der EOG grenzenlos [21]. Die Anwendung der EOG in der Diagnose von Krankheiten, die mit den menschlichen Augen zusammenhängen, ist nur ein Beispiel. Weitere Anwendungen der EOG umfassen die Mensch-Computer-Schnittstelle (HCI). Viele EOG-gesteuerte Assistenzgeräte sind verfügbar, wie zum Beispiel Rollstühle, die durch Augenbewegungen gesteuert werden, Videospiele, die durch die Augen gesteuert werden, usw.

1.3.6 Phonokardiogramm (PCG)

Das PCG misst und zeichnet die Geräusche und das Murmeln auf, die vom Herzen des Probanden erzeugt werden. Dies geschieht mithilfe einer Maschine, die als Phonokardiograph bekannt ist. Die Maschine hat einen Sensor, der auf der Brust des Probanden platziert wird, um die Geräusche und das Murmeln zu erfassen, die vom Herzen kommen. Diese Geräusche werden aufgezeichnet, auf dem Bildschirm dargestellt und können direkt über einen Kopfhörer gehört werden. Abb. 1.6 zeigt ein Beispiel für eine PCG-Aufnahme. Die hohe Auflösung der Phonokardiographie macht dieses Verfahren sehr nützlich. Diese Geräusche und Darstellungen werden dann vom Spezialisten angehört oder betrachtet, um eine Herzkrankheit zu diagnostizieren [22].

Abb. 1.6
figure 6

Beispiel für ein PCG-Signal

Full size image

Seit der Antike ist bekannt, dass das Herz beim Schlagen ein Geräusch macht. Robert Hooke schlug im 17. Jahrhundert die Idee vor, ein Instrument zu entwickeln, um diese Geräusche aufzuzeichnen. In den 1930er- und 1940er-Jahren wurden Überwachungs- und Aufzeichnungsgeräte für die Phonokardiographie entwickelt. In den 1950er-Jahren wurde das PCG in der ersten Konferenz, die in Paris abgehalten wurde, standardisiert [23]. Die NASA verwendete das PCG-System von Beckman Instruments, um den Herzschlag der Astronauten im Weltraum zu überwachen.

Die Vibrationen, die durch das Öffnen und Schließen der Herzklappen und die Bewegung der Herzwände erzeugt werden, erzeugen Geräusche. Das PCG zeichnet zwei Geräusche bei jedem Herzschlag auf. Das erste Geräusch tritt auf, wenn die atrioventrikulären Klappen während der Systole schließen, wohingegen das zweite Geräusch am Ende der Systole auftritt, wenn die Aorten- und Pulmonalklappen schließen. Das PCG wird verwendet, um subaudible Echos und das Murmeln des Herzens aufzuzeichnen. Ein Stethoskop kann solche geringen Geräusche nicht erkennen. Daher kann ein Stethoskop nicht für eine genauere Diagnose von Herzkrankheiten verwendet werden.

Einige der häufigen Anwendungen des PCG ist die Erkennung der rheumatischen Klappenläsion, bei der die Klappen des Herzens möglicherweise beschädigt sind oder nicht gut funktionieren. Das Murmeln der Aortenstenose kann auch mit dem PCG erkannt werden, bei dem der hohe Blutdruck durch kleine Öffnungen der Aortenklappe Turbulenzen verursacht und daher starke Vibrationen verursacht. Die nicht-invasive Natur des PCG ist sehr vorteilhaft, um mehrere Krankheiten im Zusammenhang mit dem Herzen mit einem sehr geringen Risikofaktor zu diagnostizieren. Das Murmeln der Mitral- und Aortenregurgitation, bei dem das Blut während der Systole und Diastole von den Mitral- und Aortenklappen zurückfließt, kann auch mit dem PCG erkannt werden. Ebenso wird es verwendet, um das Murmeln der Mitralstenose zu erkennen, bei dem der Druckunterschied Schwierigkeiten verursacht, während das Blut vom linken Vorhof in die linke Kammer fließt [24].

1.3.7 Photoplethysmographie (PPG)

PPG ist ein einfaches, nicht-invasives und kostengünstiges Verfahren, das häufig zur Überwachung der Herzfrequenz verwendet wird. Bei PPG wird eine Lichtquelle, in der Regel im Infrarotbereich, zusammen mit einem Photodetektor auf der Haut des Probanden verwendet, um die volumetrischen Veränderungen des Blutflusses zu messen. Das Licht wird vom Gewebe durch die Lichtquelle emittiert, reflektiert und vom Photodetektor gemessen. Diese Messung ist proportional zur volumetrischen Variation des Blutkreislaufs. In jüngster Zeit wurden tragbare PPG-Geräte eingeführt. Je nach Art des Geräts können diese an verschiedenen Körperstellen getragen werden, wie Stirn, Ohrläppchen, Unterarm, Fingerspitze und Knöchel [25].

Mehrere Faktoren können die Reaktion von PPG beeinflussen, wie die Geometrie der verwendeten Sensoren, die Intensität der Lichtquelle, das Umgebungslicht und die Sensorkraft der Photodiode. Darüber hinaus können die Sauerstoffkonzentration und die Organcharakteristika die PPG-Aufzeichnungen verändern. Ebenso können einige kardiovaskuläre Faktoren die PPG-Lesungen verändern. Aus diesem Grund sind verschiedene PPG-Geräte so konzipiert, dass sie an verschiedenen Körperstellen verwendet werden können. Die grundlegende Arbeitsweise von PPG ist in Abb. 1.7 (a) dargestellt. Einer der Hauptvorteile von PPG gegenüber traditionellen Herzüberwachungsgeräten wie EKG sind seine günstige Kosten und Einfachheit. Anstatt mehrere Elektroden auf der Brust und anderen Körperstellen im Falle von EKG zu verwenden, ist ein einziger PPG-Sensor erforderlich, um die Herzfrequenz zu überwachen.

Abb. 1.7
figure 7

(a) Arbeitsprinzip des PPG-Sensors (b) Beispiel für ein PPG-Signal

Full size image

Ein PPG-Signal hat zwei Teile, eine pulsierende oder AC-Komponente, die aufgrund der Herzschläge entsteht und synchrone Variationen im Blutvolumen verursacht. Der andere Teil ist die DC-Komponente, die auf die AC-Komponente aufgeprägt ist. Die DC-Komponente von PPG ist auf Atmung und Thermoregulation zurückzuführen [26]. Ein Beispiel für ein PPG-Signal ist in Abb. 1.7 (b) dargestellt.

Tragbare und tragbare PPG-Geräte haben das Potenzial zur frühzeitigen Erkennung von Herz-Kreislauf-Erkrankungen. PPG-Geräte werden in verschiedenen klinischen Anwendungen weit verbreitet eingesetzt. Einige der häufigen Anwendungen von PPG sind die Überwachung von Blutdruck und Sauerstoffsättigung, Herzfrequenz, Atmung, Gefäßbewertung, arterielle Erkrankungen oder Compliance und Alterung, Mikrogefäßblutfluss, Thermoregulation und Orthostase [27, 28].

1.3.8 Magnetresonanztomographie (MRI)

MRI erzeugt ein dreidimensionales anatomisches Bild des benötigten Organs des Probanden. Die nicht-invasive und hochauflösende MRI ermöglicht es den Spezialisten, die Organe, Gewebe und das Skelettsystem des Probanden zu untersuchen und verschiedene Krankheiten zu diagnostizieren. Das Arbeitsprinzip von MRI besteht darin, dass es die Änderung der Richtung der Rotationsachse von Protonen, die in lebenden Geweben gefunden werden, mithilfe starker Magneten und Radiofrequenz erkennt [29]. Ärzte können verschiedene Arten von Geweben anhand der magnetischen Merkmale des MRI-Bildes unterscheiden. Abb. 1.8 zeigt eine MRI-Maschine und ein MRI-Bild eines Muskels.

Abb. 1.8
figure 8

MRI-Maschine und Beispiel für ein MRI-Bild eines Muskels

Full size image

Um ein MRI-Bild zu erhalten, wird der Proband in einen großen röhrenförmigen Magneten gelegt. Das Magnetfeld richtet die Wassermoleküle im Körper für einen Bruchteil der Zeit aus, während Radiowellen verwendet werden, um ein Querschnittsbild dieser ausgerichteten Moleküle zu erstellen. Manchmal wird Gadolinium als Kontrastmittel in die Vene in der Hand des Probanden injiziert, um eine Vielzahl von Details zu verbessern. Um die beste Qualität des Bildes zu gewährleisten, darf sich der Proband nicht bewegen, sonst könnte das MRI-Bild verschwommen werden.

MRI von verschiedenen Körperteilen kann zur Diagnose verschiedener Störungen gemacht werden. Eine MRI des Gehirns könnte zur Erkennung von Schlaganfällen, Tumoren oder Störungen im Rückenmark erforderlich sein. In den 1990er-Jahren wurde die funktionelle MRI (fMRI) erfunden, eine nicht-invasive Gehirnbildgebungstechnologie. fMRI kann Gehirnaktivitäten durch Messung von Veränderungen im Blutfluss innerhalb eines bestimmten Teils des Gehirns erkennen. Dies kann verwendet werden, um die Funktion verschiedener Gehirnregionen zu analysieren. fMRI kann erkennen, welche Teile des Gehirns während bestimmter Aufgaben aktiviert sind, wie zum Beispiel das Anheben des Beines und sogar nur das Nachdenken über etwas. fMRI wird von Forschern zur Diagnose, zum besseren Verständnis, zur Überwachung und zur Behandlung verschiedener Krankheiten wie Post-Concussion-Syndrom, Schizophrenie, Tumoren usw. verwendet.

Eine MRI des Herzens kann verwendet werden, um die Arbeitsweise des Herzens, die Funktionalität der Herzkammern und das Ausmaß des Schadens nach einer Herzerkrankung oder Blockaden in den Blutgefäßen des Herzens zu untersuchen. Ebenso kann eine MRI der inneren Organe wie Nieren, Gebärmutter, Leber usw. zur Erkennung und Untersuchung von Tumoren oder Anomalien in ihnen verwendet werden. Es kann auch zur Erkennung von Brustkrebs verwendet werden.

Eine MRI-Maschine enthält sehr starke Magnete, das Metall im Körper des Probanden könnte gefährlich sein. Metalle, die nicht von den Magneten angezogen werden, können trotzdem das MRI-Bild verändern. Daher ist es erforderlich, jeglichen Metallgegenstand vor der Untersuchung zu entfernen [30]. Darüber hinaus sollte ein Arzt eine MRI vermeiden, wenn ein Proband einige Nieren- oder Leberprobleme hat und/oder eine Probandin schwanger ist oder stillt [31].

1.4 Biomedizinische Signalverarbeitung

Die biomedizinische Signalverarbeitung befasst sich mit der Extraktion von bedeutenden und nützlichen Informationen aus den biomedizinischen Signalen für medizinische Zwecke [32]. Da die nicht-invasiven Techniken der biomedizinischen Signalerfassung ein niedriges Spitzen-Signal-Rausch-Verhältnis (PSNR) aufweisen, werden fortgeschrittene Signalverarbeitungsmethoden entwickelt und verwendet, um die benötigten Benutzerinformationen zu extrahieren. Eine ständige Überprüfung des Herzschlags, des Blutdrucks, des Blutzuckerspiegels und der neuronalen Aktivität der Patienten kann die medizinische Diagnose erheblich verbessern. Dieses Monitoring wird nicht nur verwendet, um den Zustand des Körpers des Patienten zu kennen, sondern auch um Krankheiten im Körper zu diagnostizieren. Mithilfe der biomedizinischen Signalverarbeitung können Biologen Methoden zur Erkennung, Überwachung und Heilung von Krankheiten entwickeln. Eine ordnungsgemäße Verarbeitung und Analyse von biomedizinischen Signalen können zahlreiche Vorteile im Bereich der Medizin bieten. Die vier Schritte, die bei der Verarbeitung von Signalen beteiligt sind, sind:

1.4.1 Signalakquisition

Der erste Schritt ist die Signalakquisition, die sich mit der Erfassung eines Signals vom Subjekt befasst. Ein Hardware-Gerät wird verwendet, um biomedizinische Signale vom Körper des Subjekts zu erfassen. Analoge Signale werden aufgezeichnet und in digitale Signale umgewandelt.

1.4.2 Signalvisualisierung und -annotation

Die Visualisierung der aufgezeichneten biomedizinischen Signale liefert bedeutende Informationen, die die Analyseverfahren effektiv verbessern können. Derzeit werden Periodogramme und Spektrogramme zur Visualisierung und Analyse verwendet [33]. Ein Periodogramm bestimmt das Frequenzspektrum eines biomedizinischen Signals und ist das am häufigsten verwendete Werkzeug zur Visualisierung. Ein Spektrogramm ist eine visuelle Darstellung der Signalstärke über die Zeit bei verschiedenen Frequenzen. Ein Spektrogramm ist ein 2-dimensionales Diagramm, bei dem die Farbe die Signalstärke repräsentiert. Moderne Werkzeuge wie MATLAB, LABVIEW bieten integrierte Apps zur Visualisierung und Analyse der Daten im Zeit- sowie Frequenzbereich.

1.4.3 Entfernung von Artefakten und Vorverarbeitung

Die Entfernung von Artefakten ist ein Vorverarbeitungsschritt, der das Entfernen von Artefakten, Fehlern oder Rauschen aus den aufgezeichneten Daten vor der Verarbeitung und Analyse von biomedizinischen Signalen beinhaltet. Verschiedene biomedizinische Signale haben verschiedene Arten von Rauschen. Zum Beispiel kann Netzbrummen in PCR- und EEG-Daten gefunden werden. In EKG-Daten kann das Artefakt der Basislinienwanderung gefunden werden, das eine niederfrequente Datenüberlagerung auf dem aufgezeichneten EKG-Signal ist. Ähnlich sind in MRT-Daten Bewegungsartefakte und externe Magnetfeldartefakte sehr häufig. Darüber hinaus kann Rauschen in den aufgezeichneten biomedizinischen Signalen aufgrund fehlerhafter oder unsachgemäßer Verwendung des Erfassungsinstruments wie der Dislokation von Elektroden/Sensoren gefunden werden. Rauschen in den aufgezeichneten Signalen könnte auch in der Erfassung gefunden werden, die nicht den Standardverfahren bei der Aufzeichnung der Daten folgt, wie zum Beispiel Aufzeichnung von unreiner Haut, unerwünschte Bewegungen von Körperteilen während der Aufzeichnung, Interferenzen von Elektroden und Impedanzen von Stromquellen. Nicht-invasive biomedizinische Signalerfassungstechniken ergeben oft ein niedriges PSNR. Diese Artefakte oder Rauschen können das Diagnosesystem stören und zu einer unsachgemäßen Klassifizierung oder Erkennung von Krankheiten führen. Verschiedene Methoden zur Entfernung von Artefakten sind verfügbar, abhängig von der Art der Artefakte in den Signalen [34]. Einige Artefakte oder Rauschen wie Netzbrummen und DC-Komponente in der Aufzeichnung können durch die Verwendung der Filtrationsmethode entfernt werden. Um kompliziertere Artefakte oder Rauschen zu entfernen, stehen viele Filtrations- und maschinelle Lernmodelle zur Verfügung. Danach werden verschiedene Vorverarbeitungsschritte durchgeführt, die den Umgang mit fehlenden Werten, Datennormalisierung, Entfernung von Ausreißern usw. beinhalten, bevor das aufgezeichnete biomedizinische Signal verwendet wird.

1.4.4 Merkmalsextraktion

Die Merkmalsextraktion ist ein Prozess, bei dem aus Rohdaten nützliche Informationen extrahiert werden, die von maschinellen Lern- oder Deep-Learning-Modellen verarbeitet werden können. Das Modell verwendet diese Merkmale zur Klassifizierung der Daten. Rohdaten sind nicht nützlich, bis die Merkmalsextraktion durchgeführt ist. Merkmale können manuell sowie automatisch extrahiert werden. Die Merkmalsextraktion basiert im Allgemeinen auf der erforderlichen Klassifizierung. So haben beispielsweise Nawaz et al. [35] einen Vergleich zwischen verschiedenen Methoden zur Merkmalsextraktion für die Klassifizierung von Emotionen mithilfe von EEG-Daten vorgestellt. Für die manuelle Merkmalsextraktion wird die Fast Fourier Transformation (FFT) häufig in der biomedizinischen Signalverarbeitung verwendet [36]. Die FFT beinhaltet die Umwandlung eines Zeitdomänensignals in ein Frequenzdomänensignal. Die FFT kann eine hohe Effizienz erreichen, da eine kleinere Anzahl von Berechnungen zur Auswertung einer Wellenform erforderlich ist. Für die automatische Merkmalsextraktion wird die Wavelet-Streuungsmethode verwendet, die die Darstellung eines Signals in eine Funktion namens Wellen erzeugt. Ein Wavelet kann sowohl lokale als auch zeitliche Spektren erfassen. Zwei Arten von Wavelet-Transformationen, diskrete und kontinuierliche Wavelet-Transformationen, werden oft bei der automatischen Merkmalsextraktion berücksichtigt [37]. Diskrete Wavelets liefern Daten gleicher Länge wie die Eingabe, während die kontinuierliche Transformation ein Array mit hochdimensionalen Daten im Vergleich zur Eingabe zurückgibt. Neben diesen Methoden spielt auch die statistische Merkmalsextraktion eine wichtige Rolle bei der Signalanalyse [38]. Einige häufig verwendete statistische Merkmale sind Mittelwert, Varianz, Schiefe und Kurtosis.

In Abb. 1.9 können wir alle Schritte sehen und beobachten, dass wir nach der Merkmalsextraktion diese Merkmale für mehrere Zwecke verwenden können. Medizinische Diagnosen werden durch die Visualisierung und Manipulation von Merkmalen mit digitalen Werkzeugen sehr erleichtert. Maschinelles Lernen wird verwendet, um verschiedene Muster im Signal zu identifizieren, die zu wichtigen Entdeckungen führen können.

Abb. 1.9
figure 9

Ablauf der biomedizinischen Signalverarbeitung

Full size image

1.5 Maschinelles Lernen in der biomedizinischen Signalanalyse

Nach der ersten mathematischen Modellierung von neuronalen Netzwerken wurde das maschinelle Lernen erfunden. Im Jahr 1943 veröffentlichte Warren McCulloch eine Arbeit, in der er Entscheidungs- und Denkprozesse in der menschlichen Kognition mathematisch abbildete [39]. Alan Turing schlug 1950 einen „Turing-Test“ vor, der jedes System als intelligent oder unintelligent klassifizieren kann [40]. Die Idee hinter diesem Test ist, dass eine Maschine als intelligent betrachtet werden kann, wenn sie Menschen davon überzeugen kann, dass die Maschine auch ein Mensch ist. Nach diesem Punkt begannen viele Modelle und Prozesse des maschinellen Lernens zu erscheinen, und eine neue Ära der intelligenten Maschinen begann.

Maschinelles Lernen (ML) ermöglicht es Software und Anwendungen, effizienter Vorhersagen und Ergebnisse mithilfe von trainierten Daten zu erzielen. Die Konzepte des maschinellen Lernens werden in verschiedenen Bereichen wie Gesundheitswesen, Finanzen, Marketing, neue Entwicklungen in der Cybersicherheit und anderen bedeutenden Bereichen eingesetzt [41]. Maschinelles Lernen hat seine Anwendung in verschiedenen Bereichen bewiesen und wird auch weitgehend in der biomedizinischen Signalverarbeitung und im Gesundheitswesen eingesetzt. Es kann beim Extrahieren, Analysieren und Visualisieren verschiedener Signale sowie bei der Erkennung und Klassifizierung von biomedizinischen Signalen wie EKG, EMG, EEG usw. hilfreich sein [42]. Tiefe neuronale Netzwerke (DNN) haben es uns ermöglicht, genauere und robustere Ergebnisse bei der Erkennung und Klassifizierung von biomedizinischen Signalen zu erzielen. Anwendungen von DNN in der biomedizinischen Signalverarbeitung umfassen die Klassifizierung von EKG-Signalen [43], die Klassifizierung von Gehirntumoren [44], die Vorhersage fehlender Daten in EKG-Signalen [45] und vieles mehr. Convolutional Neural Networks (CNN) haben ebenfalls eine wichtige Rolle in diesem Bereich gespielt, wie zum Beispiel bei der Erkennung von Schläfrigkeit [46], der Erkennung von Herzinsuffizienz [47], der Klassifizierung von EEG-Daten beim Hören verschiedener Arten von Musik [48], der Klassifizierung von EEG-Signalen zur Emotionserkennung [49] usw.

Mit dem Fortschritt in der medizinischen Wissenschaft und der Zunahme der Umweltverschmutzung wurden viele neue Krankheiten entdeckt. Einige Krankheiten mit geringer Intensität können durch einfache, rezeptfreie Medikamente geheilt werden. Andere Krankheiten erfordern jedoch eine ordnungsgemäße Diagnose, klinische Operationen und Behandlungen. Um eine Krankheit richtig zu heilen, muss eine ordnungsgemäße Diagnose durchgeführt werden, für die eine korrekte Bewertung der Symptome und biomedizinischen Signale aus dem menschlichen Körper erforderlich ist. Maschinelles Lernen kann bei der richtigen Entscheidungsfindung für die Diagnose und Behandlung von Krankheiten helfen. Für die Entwicklung automatisierter Symptom- und Krankheitsdiagnosesysteme ist der Beitrag des maschinellen Lernens sehr wichtig, z. B. für die Segmentierung von Hautläsionen, Tumoren, Krebszellen usw. Die übliche Praxis ist die Beobachtung durch Radiologen oder andere Spezialisten, was eine hohe Belastung in Bezug auf Zeit und Kosten mit sich bringt und auch zu Inter- und Intra-rater-Variabilität führt. Daher kann die Entwicklung automatisierter Systeme mithilfe des maschinellen Lernens die Belastung für Radiologen und Spezialisten verringern.

Nach der Analyse ist der nächste Schritt die Vorhersage der richtigen Behandlung für die Patienten. Diese Vorhersage könnte eine Herausforderung sein, wenn Entwickler kein intelligentes System entworfen haben. Maschinelles Lernen ermöglicht die Entwicklung von effizienten und zuverlässigen Systemen für die Vorhersage von Krankheiten sowie Medikamenten. Für die Analyse und Diagnose von Krankheiten im menschlichen Körper können verschiedene Modelle des maschinellen Lernens verwendet werden. Es gibt zwei Haupttypen von Algorithmen für maschinelles Lernen, überwachte und nicht überwachte Lernmodelle. In überwachten Lernmodellen, wie Support Vector Machine (SVM), Naive Bayes (NB) und K-nearest neighbor (KNN), werden die Modelle auf einem beschrifteten Datensatz trainiert, der die Grundwahrheit enthält. Der dem Modell zur Verfügung gestellte Datensatz enthält Daten von kranken und gesunden Probanden. Das Modell wird so trainiert, dass es nach dem Training vorhersagen kann, ob der Proband die Krankheit hat oder nicht. In der medizinischen Wissenschaft ist die Verfügbarkeit von beschrifteten Datensätzen sehr begrenzt, da sie viel Zeit und Mühe von Gesundheitsfachleuten und Spezialisten erfordert. Um solche Probleme zu überwinden, können nicht überwachte ML-Modelle wie K-Means, Gaussian Mixture und neuronale Netzwerke ohne die Notwendigkeit des beschrifteten Datensatzes trainiert werden. Diese Modelle extrahieren Merkmale aus dem nicht beschrifteten Datensatz und klassifizieren sie auf der Grundlage dieser extrahierten Merkmale [50].

Die Auswirkungen von ML können im Gesundheitswesen und in der Medizin aufgrund seiner Fähigkeit zur Krankheitserkennung, -management und -behandlung nicht geleugnet werden [51]. Die Diagnose von Krankheiten durch Techniken des maschinellen Lernens kann das Risiko des Verlusts von Patientenleben verringern. Fortgeschrittene Algorithmen werden heutzutage für eine vorherige Diagnose von Epilepsie, Herzinfarkt und anderen tödlichen Krankheiten verwendet. Es ist jetzt einfach, große Datenmengen durch ML zu handhaben, da viele Verbesserungen und Modifikationen vorgenommen wurden. Die Verarbeitung, Analyse und Charakterisierung von biomedizinischen Signalen werden nun effizient mit ML-Ansätzen durchgeführt. Biomedizinische Signale wie MRT, (CT), (PET), Ganzbildaufnahmen (WSIs), EKG, EEG, EMG usw. sind sehr wichtig und bedeutend für die Analyse und Bestimmung des aktuellen Zustands einiger Krankheiten im menschlichen Körper. Die Diagnose von Krankheiten auf traditionelle Weise, bei der Gesundheitsspezialisten die biomedizinischen Signale visuell inspizieren, kann ein Risiko von menschlichen Fehlern und Mehrdeutigkeiten mit sich bringen. ML-Methoden beseitigen diese Einschränkungen und bieten risikoarme Systeme. Die Extraktion von Signalmerkmalen ist eine der Techniken im ML, die eine systematische Visualisierung von biomedizinischen Signalen bietet. Moderne ML-Methoden bieten Vorteile bei der Rauschreduktion, Artefaktentfernung und Früherkennung von Krankheiten. ML kann für die Klassifizierung und Clusterbildung von biomedizinischen Signalen und Bildern verwendet werden. Für kleine Datensätze wird klassisches ML verwendet und optimiert, indem die Bedingungen eingehalten werden, die für in biomedizinische Signalverarbeitungsgeräte eingebaute Mikrocontroller geeignet sind. Dies erfordert die richtige Auswahl von ML-Algorithmen, die von Experten in ML durchgeführt wird.

1.6 Gehirn-Computer-Schnittstelle (BCI)

Die Forschung und Fortschritte in der BCI begannen in den 1970er-Jahren durch Jacques Vidal an der University of California, Los Angeles (UCLA). Er veröffentlichte seine Studien zur Steuerung externer Objekte mit EEG-Signalen im Jahr 1973 und prägte den Namen Gehirnsteuerungsschnittstelle [52]. Die kohärente negative Variation (CNV) war ein wesentlicher Bestandteil seiner Veröffentlichungen. Er berechnete die durch EEG hervorgerufene elektrische Aktivität des Großhirns vom Schädel aus [53]. Im Jahr 1988 fügten Farwell und Donchin [54] einen weiteren Erfolg hinzu, indem sie eine direkte Kommunikation zwischen einem Computer und dem Gehirn eines Individuums herstellten. Nach diesen ersten Errungenschaften wurden viele Fortschritte von Entwicklern gemacht. Im Jahr 1990 wurde eine Forschung über bidirektionale adaptive BCI zur Steuerung von Computerbuzzern durchgeführt. Diese Studien und Forschungen ebneten den Weg für das Konzept der BCI-Technologien zur Wiederherstellung der Gehirnfunktionalität.

Die Gehirn-Computer-Schnittstelle, oft auch Gehirn-Schnittstellenmaschine genannt, bietet eine direkte Kommunikationstür zwischen der elektrischen Aktivität des Gehirns und einem externen Gerät [55]. Die physische Implementierung der BCI reicht von nicht-invasiven bis zu invasiven Methoden [56]. Das BCI-System erfasst Gehirnsignale vom Probanden, verarbeitet diese Signale, die eine Vorverarbeitung wie Rauschunterdrückung, Merkmalsextraktion entsprechend der Anwendung von BCI und Klassifizierung der Gehirnsignale in nützliche Befehle enthalten können, und gibt eine Rückmeldung an den Probanden entsprechend der Anwendung, um bestimmte Gehirnfunktionen zu verbessern.

Es gibt viele Anwendungen von BCI in medizinischen, pädagogischen und anderen Bereichen, was es zu einem wichtigen Thema für Forschung und Entwicklung macht. Die medizinische Anwendung kann in 3 Teile unterteilt werden: Prävention, Erkennung und Rehabilitation. Bei der Prävention werden BCI-Techniken verwendet, um einen Probanden vor bestimmten Krankheiten oder Gewohnheiten wie Rauchen und Alkohol zu schützen. Dies geschieht zunächst durch das Training eines spezifischen Klassifikators für den Probanden, der das EEG-Muster von Rauchen und neutralem Hinweis lernt, und dann wird der Proband aufgefordert, seine Echtzeit-EEG-Aktivitätsmuster des Rauchsignals zu deaktivieren, die mit einem zuvor erstellten Klassifikator berechnet wurden [57]. Der mögliche Funktionsverlust und die Abnahme des Wachsamkeitsniveaus, die durch Rauchen und/oder Alkoholkonsum entstehen können, können verhindert werden. Ähnlich kann BCI bei der Erkennung zur Vorhersage und Erkennung von Gesundheitsproblemen wie abnormaler Gehirnstruktur verwendet werden. Krankheiten wie Schlaganfälle können rechtzeitig erkannt werden, sodass der Proband rechtzeitig medizinische Hilfe in Anspruch nehmen kann. Rehabilitation ist eine weitere wichtige medizinische Anwendung von BCI, bei der Probanden, die nach Schlaganfällen und anderen traumatischen Hirnerkrankungen unter Bewegungsstörungen leiden, trainiert werden können, ihr vorheriges Niveau dieser Funktionen wiederzuerlangen, indem sie dazu beitragen, die aktivitätsabhängige Plastizität des Gehirns zu leiten, indem sie EEG verwenden, um den aktuellen Zustand des Gehirns dem Probanden anzuzeigen und es dem Probanden zu ermöglichen, anschließend die abnormale Aktivität zu senken [58]. EEG-basierte BCI verwendet Gehirnsignale zur Steuerung von robotischen Armen, künstlichen Gliedmaßen, Rollstühlen und anderen Prothesengeräten [59]. Der BCI-Ansatz ermöglicht es dem behinderten Individuum, seine Gliedmaßen und Stimme erneut zu verwenden, um mit der Welt zu kommunizieren [60].

Die Anwendungen von BCI beschränken sich nicht auf das medizinische Feld, sondern auch auf intelligente Umgebungen wie Smart Homes, sicherere Transportmittel und gehirngesteuerte Haushaltsgeräte sind ein wichtiger Einsatz von BCI [61]. Die Verwendung von BCI zur Überwachung des Stress- und Aufmerksamkeitsniveaus des Fahrers und zur Unterstützung der Fahrer während des Transports bei der Reduzierung des Risikos von Unfällen auf den Straßen [62]. Darüber hinaus haben auch Marketing und Werbung das Interesse der Forscher geweckt. BCI-basierte Werbung wird implementiert, bei der die Aufmerksamkeit und Beobachtungsaktivität des Probanden analysiert wird und die effektivsten Werbungen dem Publikum angezeigt werden.

Darüber hinaus werden im Bildungsbereich BCI-Techniken wie Neurofeedback-Training verwendet, um die Leistung des Gehirns des Probanden zu verbessern, einschließlich Verbesserungen in Wachsamkeit, Fokus und kognitiven Fähigkeiten des Probanden. Die Unterhaltungsindustrie verwendet ebenfalls BCI, um die Beteiligung des Benutzers an Spielen zu erhöhen. BCI wird verwendet, um Spielzeuge und Videospiele zu steuern, die immer mehr Benutzer anziehen, um sie auszuprobieren und zu verwenden. BCI wird auch in der Sicherheit eingesetzt, wo kognitive Biometrie (wie Gehirnsignale) als Quellen für Identitätsinformationen verwendet werden, wodurch die Anfälligkeiten und die Chance, gehackt zu werden, verringert werden [63].

BCI-Techniken haben einige Herausforderungen, die angegangen werden müssen, um die Akzeptanz der Benutzer zu erreichen. Die Benutzbarkeit von BCI hat bestimmte Herausforderungen wie den Trainingsprozess, der notwendig ist, um zwischen Klassen zu unterscheiden. Im Trainingsprozess wird dem Probanden beigebracht, das System zu verwenden und das Gehirnfeedbacksignal zu steuern. Nach dem Training wäre das BCI-System in der Lage, bestimmte Funktionen gemäß den Anforderungen des Probanden zu klassifizieren oder durchzuführen. Rauschen in den Aufzeichnungen der Gehirnaktivitäten kann die Leistung des BCI-Systems reduzieren. Aus diesem Grund muss der Proband beim Einsatz von BCI vorsichtig sein. Der Zeitverbrauch spielt auch eine wichtige Rolle bei der Akzeptanz von BCI im normalen Leben, da der Trainingsprozess sehr lange dauern kann. Darüber hinaus gibt es einige technische Probleme wie die Nichtlinearität der Gehirnsignale. Daher ist der Prozess der Rausch- oder Artefaktentfernung rechenintensiv.

1.7 Neurofeedback & Biofeedback-Systeme

Hans Berger, ein deutscher Forscher, war der Erste, der in den 1920er-Jahren EEG-Geräte an menschlichen Probanden einsetzte, indem er Elektroden an der Kopfhaut befestigte und die erzeugten Ströme maß [64]. Danach wurde in den 1950er- und 1960er-Jahren eine Methode zur Veränderung der Gehirnaktivitäten von Dr. Joseph Kamiya und Dr. Barry formuliert und sie nannten sie Neurofeedback [65]. Das Hauptkonzept hinter diesem System ist, dass ein Proband seine Gehirnwellen kontrollieren kann, wenn ihm ein einfaches Belohnungssystem angeboten wird. Dr. Kamiya verwendete einen einfachen Glockenton, der auf dem EEG des Probanden basierte, als Belohnung, um einen Alpha-Zustand zu erreichen.

Biofeedback wurde in alten Zeiten gefunden, in denen indische Yogis ähnliche Yoga- und transzendentale Meditation praktizierten [66]. Das moderne Biofeedback wurde erstmals 1969 dokumentiert. Das Konzept dahinter ist das Feedback, das während des Zweiten Weltkriegs durch die Kybernetik formalisiert wurde [67]. Biofeedback-Instrumente setzten moderne elektronische Technologien im Bereich der Psychiatrie ein.

In der Biofeedback-Behandlungsmethode wird die Selbstregulation des Körperprozesses erreicht, indem ein Aspekt der physiologischen Funktion des Probanden mit elektronischen Geräten überwacht wird und dem Probanden Feedback gegeben wird, in der Regel in Form von Audio oder Video, damit der Proband lernen kann, diese Funktion auf irgendeine Weise zu verändern. Einige Probanden nutzten das Biofeedback-Training, um Herzschlag und Körpertemperatur zu kontrollieren [68]. Ebenso kann das Biofeedback-Training verwendet werden, um Probanden zu trainieren, die Kontrolle über Blutdruck, Hauttemperatur und elektrische Aktivitäten des Gehirns zu erlangen.

Im EMG-Biofeedback werden elektrische Veränderungen in spezifischen Muskelgruppen in elektrische Signale umgewandelt und dem Probanden angezeigt. Ähnlich verwenden thermische biomedizinische Signale die Hauttemperatur als Feedback, um den Probanden zu trainieren, den Blutfluss und den Blutdruck zu kontrollieren. Elektrodermales (EDR) Biofeedback misst die Hautleitfähigkeit und verwendet sie als Feedback, um den sympathischen Tonus des Probanden zu reduzieren [69].

Einige der häufigen Anwendungen von Biofeedback umfassen die Behandlung von Kopfschmerzen, Herz-Kreislauf-Erkrankungen einschließlich Bluthochdruck, Herzrhythmusstörungen und Raynaud-Krankheit. Neuromuskuläre Rehabilitation wie spasmodischer Torticollis, Blepharospasmus und chronische Schmerzen können ebenfalls durch Biofeedback-Training erreicht werden [70]. Ebenso können gastrointestinale Störungen auch mit Biofeedback-Methoden behandelt werden [71].

Neurofeedback-Training ist eine nicht-invasive Form der Therapie, die zur Regulierung der Gehirnwellen verwendet wird. Dieser Prozess hat sich als hilfreich bei der Behandlung verschiedener neurologischer und psychologischer Störungen erwiesen. Im Neurofeedback-Training werden EEG-Signale verwendet, um die Gehirnaktivitäten des Probanden zu erfassen, und dem Probanden wird in Echtzeit Feedback gegeben, um bestimmte Funktionen des Gehirns zu verbessern. Neurofeedback-Training wird auch weit verbreitet eingesetzt, um die Gehirnaktivität zur Erzielung kognitiver und verhaltensbedingter Verbesserungen zu verbessern [72]. Alpha-Neurofeedback-Training kann zur kognitiven Verbesserung gesunder Probanden verwendet werden [73]. Weitere Anwendungen des Neurofeedback-Trainings umfassen die Verbesserung der kognitiven Verarbeitungsgeschwindigkeit und der exekutiven Funktionen [74], die Verringerung von Angstzuständen [75], die Behandlung von Epilepsie und ADHS [76], die Verbesserung der künstlerischen Leistung [77] und die Verbesserung bei Intelligenztests und psychologischen Bewertungen [78].

1.8 Schlussfolgerung

In diesem Kapitel wird eine kurze Einführung in nicht-invasive biomedizinische Signale für die Gesundheitsversorgung gegeben. Biomedizinische Signale sind die Aufzeichnungen der physiologischen Aktivitäten, die im menschlichen Körper stattfinden. Diese Signale können von verschiedenen Körperteilen wie dem Gehirn, dem Herzen, den Augen usw. aufgezeichnet werden. Der Einsatz von biomedizinischen Signalen hat es Fachleuten ermöglicht, einen tiefen Einblick in die Arbeitsweise verschiedener Körperteile des Probanden zu erhalten. Nicht-invasive biomedizinische Signale sind in der Regel sehr anfällig für Störungen. Dies erfordert einige zusätzliche Vorverarbeitungsschritte, bevor die Signale zur Analyse verwendet werden können. Zunächst werden die Daten mit großer Sorgfalt aufgezeichnet, um das Rauschen zu minimieren. Die aufgezeichneten Daten werden dann visualisiert und Methoden zur Artefaktentfernung implementiert, die die Signale entfernen, die nicht mit den Aktivitäten des beobachteten Körperteils in Verbindung stehen. Sobald das Signal gereinigt ist, werden die Merkmale extrahiert. Diese Merkmale werden dann Maschinenlern-Algorithmen zur Analyse verschiedener Krankheiten und Störungen zugeführt. Nicht-invasive biomedizinische Signale wurden zur Erkennung und Prävention verschiedener Krankheiten und Störungen eingesetzt. EKG und PCG wurden zur Erkennung von Herzkrankheiten eingesetzt. Ebenso kann EEG für die Früherkennung von neurologischen und psychologischen Störungen eingesetzt werden. Die Anwendungen von nicht-invasiven biomedizinischen Signalen beschränken sich nicht nur auf die Heilung und Prävention von Krankheiten, sondern diese Signale können auch zur Verbesserung und Förderung der kognitiven und physischen Gesundheit des Menschen eingesetzt werden. EEG kann zur Verbesserung der Kognition und der geistigen Gesundheit des Probanden eingesetzt werden. PPG kann zur Überwachung von Blutdruck, Herzfrequenz und Sauerstoffsättigung im Blut eingesetzt werden. Anwendungen von nicht-invasiven biomedizinischen Signalen wie Neurofeedback und Biofeedback-Training haben es uns ermöglicht, die geistige und körperliche Gesundheit zu verbessern.

1.9 Unterrichtsaufgaben

  1. 1.

    Beschreiben Sie verschiedene Arten von biomedizinischen Signalen.

  2. 2.

    Unterscheiden Sie zwischen invasiven und nicht-invasiven Erfassungsverfahren von biomedizinischen Signalen mit Beispielen.

  3. 3.

    Erklären Sie die verschiedenen Schritte, die bei der Verarbeitung von biomedizinischen Signalen beteiligt sind.

  4. 4.

    Was sind Merkmale und was bedeutet Merkmalsextraktion?

  5. 5.

    Beschreiben Sie kurz die Gehirn-Computer-Schnittstelle und ihre Anwendungen.

  6. 6.

    Was ist Biofeedback-Therapie?

  7. 7.

    Was sind die Vorteile von Biofeedback?

  8. 8.

    Erklären Sie, wie Neurofeedback-Training funktioniert.

  9. 9.

    Wofür wird Neurofeedback-Training verwendet?