FMCW-Radar (Frequency Modulated Continuous Wave) ermöglicht die berührungslose Erfassung von Vitalzeichen, ohne dass Elektroden oder Körpersensoren am Patienten angebracht werden müssen. Die periodischen Bewegungen der Brustkorboberfläche durch Atmung (Auslenkung typischerweise im Millimeterbereich) und Herzschlag (typischerweise im Submillimeterbereich) modulieren die Phase des reflektierten Radarsignals. Aus diesen Phasenänderungen lassen sich Atem- und Herzrate schätzen.

Gegenüber kontaktbasierten Verfahren wie EKG oder Pulsoximetrie entfällt das Anbringen von Elektroden oder Clips. Das erhöht den Komfort bei Langzeitmessungen, vermeidet Hautreizungen und eignet sich besonders für Personen, bei denen Kontaktsensoren problematisch sind (z. B. Früh- und Neugeborene oder Verbrennungspatient:innen). Gegenüber kamerabasierten Verfahren bietet Radar zudem einen Vorteil für die Privatsphäre, da kein Bild der Person aufgezeichnet wird. Mögliche Anwendungsfelder sind die stationäre und häusliche Pflege sowie die Intensiv- und Schlafmedizin.

Unser Forschungsschwerpunkt liegt auf robusten Methoden der statistischen Signalverarbeitung zur gemeinsamen Lokalisierung von Personen und Schätzung ihrer Vitalzeichen (Atem- und Herzrate) mittels FMCW-Radar. Zentrale Herausforderungen sind die Unterdrückung von statischem und dynamischem Clutter, die Trennung des schwachen Herzsignals vom dominanten Atemsignal (dessen Oberwellen mit dem Frequenzband des Herzschlags überlappen), die Robustheit gegenüber unbeabsichtigten Körperbewegungen und sonstigen Störungen sowie die Zuordnung der Signale bei mehreren Personen im Messbereich.

Mögliche Themenfelder:

• Entwicklung und Evaluierung robuster Verfahren zur Lokalisierung von Personen mittels FMCW-Radar
• Robuste Schätzung von Atem- und Herzrate aus Radarsignalen
• Signaltrennung und Vitalzeichenschätzung bei mehreren Personen im Messbereich
• Untersuchung des Einflusses von Störquellen (Clutter, Körperbewegungen) auf die Schätzgüte und Entwicklung von Kompensationsverfahren
• Simulation und Verifikation von Algorithmen zur gemeinsamen Lokalisierung und Vitalzeichenschätzung
• Vergleich modellbasierter Signalverarbeitung mit datengetriebenen (Machine-Learning-)Ansätzen

Empfohlen werden Kenntnisse in Python und/oder C++ sowie Grundlagen der Signalverarbeitung. Kenntnisse in Statistik oder Optimierung sind von Vorteil, aber nicht zwingend erforderlich.

Christoph Löser (Kontakt)

Schlaganfälle zählen zu den häufigsten Ursachen dauerhafter Beeinträchtigungen der Arm- und Handfunktion. Herkömmliche Therapieansätze bieten dabei oft wenig Möglichkeit, Bewegungsfortschritte objektiv zu erfassen oder die Unterstützung individuell anzupassen.

Im Mittelpunkt unserer Forschung steht ein Endeffektor-Rehabilitationsroboter in Verbindung mit kamerabasierter markerloser Bewegungserfassung, um therapeutische Bewegungen quantitativ zu analysieren und die Unterstützung adaptiv an den jeweiligen Patienten anzupassen. Dabei werden robotische Sensordaten und bildbasierte Informationen gemeinsam ausgewertet, um eine präzise Bewegungsanalyse zu ermöglichen und die Therapie gezielt an alltagsnahe Bewegungsanforderungen anzupassen.

Mögliche Themenfelder zur Bearbeitung sind:

• Analyse und Modellierung von Assistenz- und Kompensationsstrategien in robotischen Systemen
• Fusion von Roboter- und Kameradaten zur präzisen Armpositionsschätzung
• Quantitative Analyse von Bewegungsqualität
• Analyse multimodaler Sensordaten (z. B. EMG, EEG) in der Neurorehabilitation
• Machine Learning und Computer Vision für rehabilitative Anwendungen

Empfohlen werden Kenntnisse in Python (oder alternativ Matlab/Simulink) sowie in der Signalverarbeitung. Grundkenntnisse in der Robotik oder Regelungstechnik sind von Vorteil.

Friederike Hicking (Kontakt)

Im Rahmen des LOEWE-Schwerpunkts MultiDrug-TDM wird ein innovatives Point-of-Care-Sensorsystem entwickelt, das die Wirkstoffkonzentrationen von Krebsmedikamenten direkt am Krankenbett in der pädiatrischen Onkologie bestimmt. Ziel ist eine personalisierte, datenbasierte Dosisanpassung in Echtzeit ohne Umwege über Speziallabore.

Die Raman-Spektroskopie spielt dabei eine zentrale Rolle, da sie das molekulare Gemisch einer Blutprobe in einem gemeinsamen Spektrum erfasst. Die Signalbeiträge der einzelnen Substanzen überlagern sich, weshalb robuste Algorithmen zur spektralen Entmischung (Unmixing) erforderlich sind, um die Wirkstoffkonzentrationen der einzelnen Medikamente zu bestimmen. Ergänzend wird ein Virtual Raman Device entwickelt, ein Simulationsmodell des Messsystems, das die Erzeugung synthetischer Trainingsdaten ermöglicht und zur Optimierung der Messparameter genutzt werden kann.

Mögliche Themenfelder zur Bearbeitung sind:

• Identifikation von physikalischem Vorwissen für Raman-Spektren
• Integration physikalischer Constraints in Unmixing-Algorithmen
• Vergleich physikalisch informierter und klassischer Unmixing-Verfahren
• Aufbau und Training eines Virtual Raman Device

Empfohlen sind Kenntnisse in Python. Vorkenntnisse zu Machine Learning können bei einigen Themen von Vorteil sein.

Malte Drees (Kontakt)

Die Kamera-basierte Vitalparameterschätzung wird ein immer populäreres Thema in der Forschung mit einem großen Potential für zukünftige Anwendungen. So können kontaktfrei Vitaldaten von Patienten überwacht werden, was zu einer Stressreduktion bei Patienten führen kann und in Notfällen den Fokus auf die Behandlung des Patienten lenkt, anstatt auf das Anbringen von Messelektroden, Fingerclips, etc.. Viele Vitalparameterschätzungen, wie das PPGI, basieren auf Modellparameter, die durch maschinelles Lernen bestimmt werden müssen. Das Problem dabei ist die fehlende Menge an Trainingsdaten und die Diversität in den Daten, was wiederum zusätzlich noch durch Datenschutzbestimmungen zusätzlich erschwert wird. Die Lösung für das Problem: Die Erzeugung künstlicher und simulierter Trainingsdaten, die sowohl aus synthetischen Videos bestehen als auch aus simulierten Vitalparametern. Ziel ist es auch potenzielle Krankheiten und Dysfunktionen zu erzeugen, damit resultierende Algorithmen auch robust gegen (krankhafte) Abnormalitäten sind.

Mögliche Themen:

• Modellierung eines realistischen menschlichen Körpermodells
• Erzeugung eines stochastischen Haut- und Haarmodells
• Simulation von Vitalparametern von gesunden Personen und von Personen mit Krankheiten.
• Vergleich von realen und synthetischen Trainingsdaten durch daraus trainierte Algorithmen o.Ä.

Empfohlen sind Kenntnisse in Python. Kenntnisse mit Render-Engines, vorzugsweise Blender, sind vorteilhaft aber nicht zwingend notwendig. Theoretische Kenntnisse von Machine Learning können bei manchen Themen von Vorteil sein.

Tobias Reinhardt (Kontakt)

Mit der Elektroimpedanztomographie (EIT) können durch die Einspeisung von kleinen Mengen Strom und die Messung der resultierenden Spannungen Schnittbilder des menschlichen Körpers erzeugt werden. Im Gegensatz zur Computertomographie (CT) werden also keine schädlichen Röntgenstrahlen verwendet, und das System ist auch deutlich kostengünstiger als ein MRT. Die Einsatzmöglichkeiten der EIT sind vielfältig: Sie kann zur Überwachung der Atmung, zur Untersuchung des muskuloskelettalen Systems, aber auch in miniaturisierter Form für die Überwachung von Zellwachstum eingesetzt werden.

In der EIT werden sowohl simulierte Messungen als auch Messungen, die an Versuchstanks oder an Menschen durchgeführt wurden, verwendet. Wir forschen daran, wie wir unseren Messaufbau und unser Messprotokoll so verändern können, dass wir möglichst informative Messungen erhalten. Außerdem beschäftigen wir uns damit, wie wir unsere Simulationsumgebung so anpassen können, dass die simulierten Messungen den echten Messungen möglichst ähnlich sind, sodass wir Erkenntnisse, die wir mit Simulationen gewinnen, besser auf die Realität übertragen können. Das Anwendungsfeld, mit dem wir uns hauptsächlich auseinander setzen ist das muskulo-skelettale System, also zum Beispiel die Überwachung von Frakturheilung.

Mögliche Themenfelder zur Bearbeitung sind:

• Weiterentwicklung des vorhandenen Messaufbaus
• Entwicklung und Implementierung von verschiedenen Methoden zur Verbesserung des Messprotokolls z.B. mit Machine Learning
• Simulation von EIT-Messungen in Matlab z.B. von Frakturen
• Vergleich von Simulation und Realität und Verringerung der Unterschiede

Empfohlen, aber nicht zwangsweise nötig, sind Kenntnisse in Python und/oder Matlab. Vorkenntnisse in Machine Learning/Deep Learning können bei einigen Themen hilfreich sein.

Theresa Nolte (Kontakt)

Die Qualität der Behandlung diverser Erkrankungen (wie Epilepsie und kardiovaskuläre Erkrankungen) wurde durch ihre Früherkennung anhand von medizinischen Messverfahren (wie EKG, EEG, EMG, PPG, CT, MRT, usw.) erheblich verbessert. Diese Messverfahren leiden leider oft unter Artefakten und fehlenden Sensoren, sodass sie nur verrauschte und unvollständige Daten liefern. Wir forschen deshalb an robusten Algorithmen, die mit diesen Artefakten umgehen können, und fehlende Information u.a. durch die Fusion mit anderen Modalitäten ergänzen können.

Mögliche Themenfelder zur Bearbeitung sind:

• Robust Machine Learning & Interpretability
• Methoden zur Sensorfusion (Kameras, Wearables, …)
• Unsupervised / Self-supervised Learning für Zeitreihen
• Transfer learning zwischen unterschiedlichen Modalitäten

Empfohlen werden Kenntnisse in Python und Signalverarbeitung. Theoretische Kenntnisse zu Machine Learning / Deep Learning können bei einigen Themen von Vorteil sein.

Jad Haidamous (Kontakt)

Vitalparameter wie Puls und Atmung sind wichtige Indikatoren für diverse Erkrankungen und den allgemeinen Gesundheitszustand des Menschen. Die Goldstandardmethoden, wie Elektrokardiographie zur Überwachung des Herzens, setzen zumeist Kontakt zum Patienten voraus, z.B. in Form von Klebeelektroden. Wir forschen an Möglichkeiten diese, wo möglich, durch Kameras zu ersetzen.

Mögliche Themenfelder zur Bearbeitung sind:

• Machine Learning & Interpretability
• Multiphysics Simulationen und Rendering synthetischer Videodaten
• Methoden zur Sensorfusion (Kameras, Wearables, …)
• Photoplethymography Imaging
• Robuste Schätzung der Herzratenvariabilität

Empfohlen werden Kenntnisse in Python (oder alternativ Matlab) und Signalverarbeitung. Kenntnisse in Blender oder Unreal Engine können bei einigen Themen von Vorteil sein.

Unser Doktorand Maurice Rohr steht kurz vor dem Abschluss seiner Promotion. Bei Interesse an diesem Thema wenden Sie sich bitte an Tobias Reinhardt.

Tobias Reinhardt (Kontakt)

Stress ist eine häufige Ursache für Schlafprobleme, Konzentrationsstörungen, Depressionen oder sogar kardiovaskuläre Erkrankungen. Während Stress oft rein subjektiv beurteilt wird, arbeiten wir daran, Vitalparameter zu erfassen, um eine quantitative Aussage über das Wohlbefinden der Person zu treffen. Die Vitalparameter sollen primär nicht-invasiv erfasst werden, um einen möglichst angenehmen Umgang für den Endnutzer zu ermöglichen. Darüber hinaus kann so auch Stress bei Menschen erfasst werden, die nicht in der Lage sind, dies selbstständig zu artikulieren, wie zum Beispiel Neugeborene oder Menschen mit Behinderungen.

Während sich die Forschung hauptsächlich auf die Stressentwicklung durch akustische Stimuli, wie Lärm, konzentriert, ist sie nicht darauf beschränkt. Mögliche Anwendungsgebiete sind die kontaktlose Parametererfassung am Arbeitsplatz, im Auto oder im Bett. Die Auswertung der Parameter soll vorwiegend mithilfe von Machine Learning Algorithmen erfolgen.

Mögliche Themen:

• Nicht-invasive Vitalparameterschätzung basierend auf cECG, Thermographiekamera und PPGI
• Sensor Fusion für robuste Parameterschätzung
• Quantitative Analyse von Stress
• Anwendung von Machine Learning mit Fokus auf Computer Vision und Signalverarbeitung
• Implementierung von Virtual Reality Umgebungen für Testaufbauten

Empfohlen werden Programmierkenntnisse in Python oder Matlab. Falls ein Thema im Bereich VR gesucht wird, empfiehlt es sich, Kenntnisse in C# und Unity Programmierung mitzubringen.

Tizian Dege (Kontakt)

Die Analyse menschlicher Bewegungen ist ein wichtiger Bestandteil vieler Anwendungen in Medizin und Sport. Ein klassisches Einsatzgebiet ist die Physiotherapie, bei der Übungen idealerweise unter Aufsicht einer medizinischen Fachkraft durchgeführt werden, die individuelles und unmittelbares Feedback geben kann. Aber auch ohne direkte Aufsicht können Übungen zu Hause dem Heilungsprozess förderlich sein. Gleichzeitig können falsche Ausführungen, Fehleinschätzungen des eigenen Fitnessniveaus und Überanstrengung auch zu einem ineffizienten Training oder schlimmer noch zu schweren Verletzungen führen.

Neben der Physiotherapie gewinnt die automatisierte Bewegungsanalyse auch in weiteren Anwendungsfeldern an Bedeutung. Dazu gehört beispielsweise die Fahrradbiometrie, bei der individuelle Bewegungsmuster auf dem Fahrrad analysiert werden können, etwa zur Bewertung der Sitzposition oder zur Untersuchung biomechanischer Belastungen während der Bewegung.

Um solche Fragestellungen zu adressieren, können automatisierte Bewertungssysteme eingesetzt werden, um die Qualität von Bewegungsabläufen zu beurteilen, individuelles Feedback zu ermöglichen und den Bedarf an menschlicher Aufsicht zu verringern. Aufbauend auf den Fortschritten im Bereich der Computer Vision forschen wir daran, mithilfe von videobasierter Schätzung der menschlichen Körperhaltung solche Unterstützungssysteme zu entwickeln.

Mögliche Themenfelder zur Bearbeitung sind:

• Natural Language Processing zur automatisierten Generierung von Trainingsdaten aus Videos mit Untertiteln
• Analyse von Sensordaten (EMG, Kraftmessplatten, IMUs) und Relation zu Kameraaufnahmen
• Erarbeitung Biomechanischer Modelle menschlicher Bewegung
• Erarbeitung von Methoden zur quantitativen Bewertung menschlicher Bewegung
• Machine Learning & Computer Visison
• Bewegungsanalyse im Kontext von Physiotherapie, Sport und Fahrradbiometrie

Empfohlen werden Kenntnisse in Python, Computer Vision und Signalverarbeitung. Kenntnisse in Blender sowie NLP können bei einigen Themen von Vorteil sein.

Sebastian Dill (Kontakt)

Videobasierte Analyse menschlicher Zustände bezeichnet die Nutzung von Videoaufnahmen zur Erfassung und Interpretation physischer, emotionaler oder psychologischer Zustände von Personen. Dabei werden visuelle Daten, die durch Kameras aufgezeichnet werden, analysiert, um Erkenntnisse über Verhalten, Emotionen, Handlungen oder das allgemeine Wohlbefinden einer Person zu gewinnen.

Mögliche Themenbereiche:

• Methoden zur Detektion und Verfolgung menschlicher Gliedmaßenbewegungen zur Korrelation mit dem aktuellen Zustand der Person
• Verfahren zur Analyse menschlicher Reflexe
• Quantitative Analyse emotionaler Zustände
• Maschinelles Lernen und Computer Vision

Einsatz von Werkzeugen wie Python, MATLAB sowie klassische Signal- und Bildverarbeitung

Unser Doktorand Gökhan Güney steht kurz vor dem Abschluss seiner Promotion. Bei Interesse an diesem Thema wenden Sie sich bitte an Tizian Dege oder Friederike Hicking.

Tizian Dege (Kontakt), Friederike Hicking (Kontakt)