Hatschi: Diagnose von Atemwegserkrankungen

Problem

Unsicherheit über die Diagnose von Atemwegserkrankungen führt zu ggf. unnötigen Arztbesuchen und darauffolgenden Ansteckungen, respektive Kapazitätsbeanspruchungen in der Diagnose bei Ärzten, die nicht mehr zur Diagnose bedrohlicher Erkrankungen zur Verfügung stehen.

Fragestellung

Wie können wir die Sensorik handelsüblicher Smartphones zur Diagnose von Atemwegswerkrankungen wie Covid-19 nutzen?

Lösungsansätze

  • Audioanalyse von Atem, Husten, Nießen etc.
  • Quantitative Erkennung von signifikanten Signalen
  • Qualitative Einordnung eines Signals in eine Kategorie
  • Statistische Aufzeichnungen von Verläufen
  • Nutzerfeedback und Empfehlungen

Umsetzung

Wir haben uns bei der Umsetzung der Idee für eine lokale Browser-Applikation entschieden. Dadurch wird eine schnelle und einfache Zugänglichkeit für möglichst viele Menschen erreicht. Neben einer problemlosen Portierung auf Smartphones kann eine solche Lösung auch in Unternehmen eingesetzt werden, ohne zusätzliche Software auf Endgeräten installieren zu müssen.

Anhand von Google Research Beispieldaten haben wir ein mit Tensorflow ein Neuronales Netz trainiert, um Hustgeräusche über das Mikrofon zu identifizieren. Aufgrund der zeitlichen Einschränkung können wir zum jetzigen Zeitpunkt leider kein fertiges Modell in die Lösung integrieren, da das Training eines zuverlässigen Modells viel Zeit und Anpassungsaufwand benötigt. Der Ordner model beinhaltet den derzeitigen Entwicklungsstand eines grob trainierten Modells aus den Beispieldaten mit Wörtern. Daher wird aktuell nicht bei Husten gezählt, sondern wenn der Nutzer das englische Wort "three" sagt.

Erkanntes Husten wird von der Applikation gezählt und dem Nutzer grafisch dargestellt. Basierend auf der zeitlichen Entwicklung können dann dem Nutzer Informationen zum Gesundheitszustand und hilfreiche Tipps angeboten werden.

Weiterführende Arbeit

Der erste Schritt für die Weiterentwicklung besteht darin ein zuverlässiges Modell zu trainieren, welches relevante Hustgeräusche erkennt. Dabei ist es wichtig diese von Hintergrundgeräuschen zu unterscheiden.

Weiterführende Arbeit könnte sich außerdem einer qualitativen Analyse der aufgezeichneten Geräusche widmen, sodass sowohl zwischen trockenem, als auch feuchtem Husten unterschieden wird und weitere Merkmale wie Nießen, Schniefen, Keuchen oder Röcheln ebenfalls detektiert und klassifiziert werden.

Die Datensammlung dieser Analysen könnte außerdem eine wichtige Informationsquelle zur schnellen Bekämpfung von Infektionsketten werden und eine genauere Abschätzung der Dunkelziffer ermöglichen.

Repository

Der Link zum aktuellen Github-Projekt und weiteren Informationen in der Readme.md: https://github.com/markusthoemmes/hatschi

Built With

Share this project:

Updates