Device for automatically monitoring respiration and ventilation of patient suffering from e.g. asthma, in hospital, has personal computer connected to sensor, and classification result fed to learning system for result confirmation

The device has personal computer connected to a sensor. A statistical analysis method is used for feature extraction. Obtained features are fed to a learning hybrid system for identification of sounds e.g. intestinal movement sound. The hybrid system consists of hidden Markov models, neural networks and a knowledge-based machine. A classification result is provided with classification quality. The result is fed to a learning system for result confirmation. A spectral or Fourier analysis method, a cepstral analysis method or a wavelet analysis method is used as the statistical analysis method. Die Erfindung betrifft ein Gerät zum automatischen Atmungs- und Beatmungs-Monitoring mittels Hidden Markov Modellen, neuronalen Netzwerken und eines wissensbasierten Fusionsverfahrens. Mittels eines einfachen akustischen Sensorsystems, am Beispiel eines Körperschall-Mikrofons, werden Beatmungs-, Herz-, Atmungs- und Strömungsgeräusche im Kopf-, Hals- und Brustkorbbereich eines Patienten aufgezeichnet und mittels eines Analog-Digital-Wandlers in einem PC digitalisiert. Alternativ kann eine intelligente Software auf einem Prozessor mit Display und Speichereinheit integriert werden. Das Gesamtsystem wird über ein Bedienelement gesteuert. Weiterhin ist auch die Integration des Gerätemoduls als Subsystem in ein übergeordnetes Patientenmonitoring-Gerätesystem möglich. Basierend auf Methoden der Signalverarbeitung und der künstlichen Intelligenz, wie Hidden Markov Modellen und neuronalen Netzwerken, wird anschließend eine lernfähige Software trainiert. Aufgrund eines wissensbasierten Fusionsverfahrens können dann pathologische und nicht pathologische Geräuschklassen erkannt werden und zudem aufgrund einer daran gekoppelten statistischen Auswertung Krankheitsbildern, z.B. Lungenfunktionsstörungen, Asthmaanfälle, akute Bronchitis, grippale Infekte, Grippetypen oder andere Atemwegserkrankungen zugeordnet werden. Dazu können bei künstlich beatmeten Patienten Fehlfunktionalitäten der Beatmungsmaschine sowie Patientengefährdungen frühzeitig erkannt und alarmiert werden.