@PhdThesis{duepublico_mods_00082089,
  author = 	{Wichum, Felix},
  title = 	{Kontaktlose Messung von Respirationsparametern mittels K{\"u}nstlicher Intelligenz},
  year = 	{2024},
  month = 	{Jun},
  day = 	{19},
  abstract = 	{Die Tiefenplethysmographie (DPG) ist ein optisches Verfahren zur Messung der Abstands{\"a}nderung des Oberk{\"o}rpers einer Testperson zu einer Tiefenkamera. Dieses potenziell mobile und kosteng{\"u}nstige Verfahren erm{\"o}glicht es, die Mechanik und die Beitr{\"a}ge bei nat{\"u}rlicher Atmung sichtbar zu machen, daraus auf die Volumen{\"a}nderungen im Thorax und somit auf die Respirationsvolumina zu schlie{\ss}en. Die vorliegende Dissertation untersucht den gezielten Einsatz von K{\"u}nstlicher 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 f{\"u}r die Klassifikation von respiratorischen Erkrankungen. Anhand eines bestehenden Datensatzes aus der Literatur wird gezeigt, dass das Tidalvolumen mit einer Genauigkeit von 11{\textpm}253 ml und die Vitalkapazit{\"a}t mit 11{\textpm}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 {\"u}bertrifft vergleichbare Modelle aus der Literatur und erm{\"o}glicht zudem eine kalibrationsfreie Messung. Eine weitere, neu entwickelte Methode nutzt die statistischen Zusammenh{\"a}nge der Signale der einzelnen Pixel mit dem Spirometersignal in einer gewichteten, individuellen Patientenmaske. Die Darstellung einer verallgemeinerten, gemittelten Maske f{\"u}r alle Probanden erfolgt anhand der detektierten K{\"o}rpergelenkspunkte. Die daraus resultierende, verbesserte Signalextraktion erm{\"o}glicht eine noch genauere Messung von Tidalvolumen 8{\textpm}206 ml und Vitalkapazit{\"a}t -43{\textpm}599 ml. Eine explorative Analyse zeigt einen hohen potentiellen Nutzen der individuellen Masken zur Unterst{\"u}tzung von Diagnose und Therapie bei respiratorischen Erkrankungen. F{\"u}r 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 erm{\"o}glichen. 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 K{\"u}nstlicher Intelligenz in den verschiedenen Bereichen der DPG m{\"o}glich ist. Zuk{\"u}nftige Entwicklungen auf Mobilger{\"a}ten k{\"o}nnen davon profitieren und eine portable und kosteng{\"u}nstige DPG anbieten.},
  doi = 	{10.17185/duepublico/82089},
  url = 	{https://duepublico2.uni-due.de/receive/duepublico_mods_00082089},
  url = 	{https://doi.org/10.17185/duepublico/82089},
  file = 	{:https://duepublico2.uni-due.de/servlets/MCRFileNodeServlet/duepublico_derivate_00081572/Diss_Wichum.pdf:PDF},
  language = 	{de}
}