Die Tiefenplethysmographie (DPG) ist ein optisches Verfahren zur Messung der Abstandsänderung des Oberkörpers einer Testperson zu einer Tiefenkamera. Dieses potenziell mobile und kostengünstige Verfahren ermöglicht es, die Mechanik und die Beiträge bei natürlicher Atmung sichtbar zu machen, daraus auf die Volumenänderungen im Thorax und somit auf die Respirationsvolumina zu schließen.

Die vorliegende Dissertation untersucht den gezielten Einsatz von Künstlicher Intelligenz bei der DPG in drei Bereichen: Erstens die Anwendung von Maschinellem Lernen zur regressiven Bestimmung der Atemvolumina aus extrahierten Signalmerkmalen, zweitens die Entwicklung einer physiologischen Region of Interest zur verbesserten Signalextraktion und drittens die gezielte Anwendung der DPG für die Klassifikation von respiratorischen Erkrankungen.

Anhand eines bestehenden Datensatzes aus der Literatur wird gezeigt, dass das Tidalvolumen mit einer Genauigkeit von 11±253 ml und die Vitalkapazität mit 11±624 ml durch die Verwendung von Support Vector Regression und einer auf Mutual Information basierenden Merkmalsselektion aus 379 extrahierten Merkmalen bestimmt werden kann. Die erzielte Genauigkeit übertrifft vergleichbare Modelle aus der Literatur und ermöglicht zudem eine kalibrationsfreie Messung.

Eine weitere, neu entwickelte Methode nutzt die statistischen Zusammenhänge der Signale der einzelnen Pixel mit dem Spirometersignal in einer gewichteten, individuellen Patientenmaske. Die Darstellung einer verallgemeinerten, gemittelten Maske für alle Probanden erfolgt anhand der detektierten Körpergelenkspunkte. Die daraus resultierende, verbesserte Signalextraktion ermöglicht eine noch genauere Messung von Tidalvolumen 8±206 ml und Vitalkapazität -43±599 ml. Eine explorative Analyse zeigt einen hohen potentiellen Nutzen der individuellen Masken zur Unterstützung von Diagnose und Therapie bei respiratorischen Erkrankungen.

Für die Untersuchung der Klassifikation respiratorischer Erkrankungen wurde ein eigener DPG-Datensatz von Asthmatikern (N = 26), Patienten mit chronisch-obstruktiver Lungenerkrankung (18) und Gesunden (9) aufgezeichnet. Die entwickelten Modelle aus Rohdaten, Merkmalen, extrahierten Signalen und Masken zeigen, dass die individuellen Masken die besten Klassifikationsergebnisse ermöglichen. Eine Klassifikationsgenauigkeit von 57,7 % und Cohens Kappa von 0,28 wird erreicht. Die individuellen Masken wurden durch korrelationsbasierte Methoden entwickelt, ohne den Einsatz eines Referenz-Spirometersignals.

Zusammenfassend zeigt diese Arbeit, dass der Einsatz von Künstlicher Intelligenz in den verschiedenen Bereichen der DPG möglich ist. Zukünftige Entwicklungen auf Mobilgeräten können davon profitieren und eine portable und kostengünstige DPG anbieten.