Prof. Dr.-Ing. Sebastian Zaunseder

Herkömmliche medizinische Messtechnik ist oftmals aufwändig in der Benutzung, benötigt Kontakt zum Körper oder ist sogar invasiv. Entsprechende Systeme/Verfahren sind für Patienten und medizinisches Personal belastend und in ihrer Anwendbarkeit teilweise deutlich eingeschränkt.

Wir konzipieren, entwickeln und validieren anwenderfreundliche Messtechnik, wobei Hardware / Sensorprinzipien und Datenverarbeitung gemeinsam betrachtet werden. Ein Schwerpunkt liegt auf der Nutzung von Kameras, d.h. der Gewinnung verschiedener Vitalparameter aus Videoaufnahmen. Aber auch Alternativen, z.B. die Nutzung von Radar oder des kapazitiven EKG sowie multimodale Konzepte, werden verfolgt. Ebenso spielt die Umsetzung und der Einsatz von Wearables eine wichtige Rolle. Anwendungen liegen im klinischen und außerklinischen Monitoring, wobei diverse Krankheitsbilder (Herz-Kreislauf-Erkrankungen, neurologische Erkrankungen, Depressionen), die Nutzung zur Prävention, Ambient Assisted Living und Sport Themenfelder sind.

S. Zaunseder, A. Henning, D. Wedekind, A. Trumpp, and H. Malberg, “Unobtrusive acquisition of cardiorespiratory signals,” Somnologie, vol. 21, no. 2, pp. 93–100, Jun. 2017.

S. Zaunseder, A. Trumpp, D. Wedekind, and H. Malberg, “Cardiovascular assessment by imaging photoplethysmography – a review,” Biomed. Eng. / Biomed. Tech., vol. 63, no. 5, pp. 617–634, Oct. 2018.

A. Woyczyk, V. Fleischhauer, and S. Zaunseder, “Adaptive Gaussian Mixture Model Driven Level Set Segmentation for Remote Pulse Rate Detection.,” IEEE J. Biomed. Heal. informatics, vol. 25, no. 5, pp. 1361–1372, May 2021.

Methoden der künstlichen Intelligenz (KI) und speziell maschinelle Lernverfahren spielen in der Medizin eine zunehmend wichtige Rolle. Sie haben immenses Potential, die zunehmende Menge an verfügbaren Daten für effizientere Diagnose- und Therapieverfahren zu verwerten. Anders als in anderen KI Anwendungen spielt aber nicht nur die "inhaltliche Leistungsfähigkeit", sondern Faktoren wie die Interpretierbarkeit, Individualisierung und Zulassungsfragen eine entscheidende Rolle im Hinblick auf den medizinischen Einsatz.

Wir befassen uns in verschiedenem Zusammenhang mit dem Einsatz und der Weiterentwicklung von Methoden der künstlichen Intelligenz, um die medizinische Versorgung zu verbessern. Ein Augenmerk liegt dabei auf den oben genannten Aspekten Interpretierbarkeit, Individualisierung und Zulassungsfragen. Die eigenen Arbeiten decken Merkmalsextraktion, -selektion und Klassifikation/Clustering ab, wobei KI Methoden genutzt und auch selbst weiterentwickelt werden. Konkrete Beispiele sind die automatisierte Bewertung von Schlafphasen, Therapieempfehlungssysteme und die Früherkennung oder sogar Voraussage von medizinischen Notfällen. Die eigenen Entwicklungen im Bereich KI gehen auch in der eigenen Messtechnik ein.

M. Scherpf, F. Gräßer, H. Malberg, and S. Zaunseder, “Predicting sepsis with a recurrent neural network using the MIMIC III database.,” Comput. Biol. Med., vol. 113, no. June, p. 103395, Oct. 2019.

M. Goldammer, S. Zaunseder, M. D. Brandt, H. Malberg, and F. Gräßer, “Investigation of automated sleep staging from cardiorespiratory signals regarding clinical applicability and robustness,” Biomed. Signal Process. Control, vol. 71, no. August 2021, p. 103047, Jan. 2022.

F. Gräßer, F. Tesch, J. Schmitt, S. Abraham, H. Malberg, and S. Zaunseder, “A pharmaceutical therapy recommender system enabling shared decision-making,” User Model. User-adapt. Interact., no. 0123456789, Aug. 2021.

Modellierung und Simulation können einen wesentlichen Beitrag für das Verständnis (patho-)physiologischer Prozesse leisten und eine Grundlage für die Entwicklung neuer messtechnischer Verfahren bilden (modellbasierte Entwicklung).

Diverse eigene Arbeiten befassen sich mit der Modellbildung und verbinden dabei medizinisches Hintergrundwissen mit technischen Lösungen. Die eigenen Arbeiten richten sich u.a. auf die Interaktion von Licht und Gewebe, die Modellierung des Herz-Kreislauf-Systems und die Modellierung von Biosignalen verschiedenem Ursprungs. Die Arbeiten dienen der Vertiefung des Verständnisses grundlegender Zusammenhänge und leisten einen konkreten Beitrag zur Entwicklung innovativer Messtechnik und Analyseverfahren.

J. Behar, F. Andreotti, S. Zaunseder, Q. Li, J. Oster, and G. D. Clifford, “An ECG simulator for generating maternal-foetal activity mixtures on abdominal ECG recordings.,” Physiol. Meas., vol. 35, no. 8, pp. 1537–1550, Jul. 2014.

V. Fleischhauer, N. Ruprecht, M. Sorelli, L. Bocchi, and S. Zaunseder, “Pulse decomposition analysis in photoplethysmography imaging,” Physiol. Meas., vol. 41, no. 9, p. 095009, Oct. 2020.

• S. Zaunseder, A. Vehkaoja, V. Fleischhauer, and C. Hoog Antink, “Signal-to-noise ratio is more important than sampling rate in beat-to-beat interval estimation from optical sensors,” Biomed. Signal Process. Control, vol. 74, no. January, p. Minor Revisions in Progress, 2022.

• A. Woyczyk, V. Fleischhauer, and S. Zaunseder, “Adaptive Gaussian Mixture Model Driven Level Set Segmentation for Remote Pulse Rate Detection.,” IEEE J. Biomed. Heal. informatics, vol. 25, no. 5, pp. 1361–1372, May 2021.
• M. Goldammer, S. Zaunseder, M. D. Brandt, H. Malberg, and F. Gräßer, “Investigation of automated sleep staging from cardiorespiratory signals regarding clinical applicability and robustness,” Biomed. Signal Process. Control, vol. 71, no. August 2021, p. 103047, Jan. 2022.
• F. Gräßer, F. Tesch, J. Schmitt, S. Abraham, H. Malberg, and S. Zaunseder, “A pharmaceutical therapy recommender system enabling shared decision-making,” User Model. User-adapt. Interact., no. 0123456789, Aug. 2021.

• I. Kukel, A. Trumpp, K. Plötze, A. Rost, S. Zaunseder, K. Matschke, and S. Rasche, “Contact-Free Optical Assessment of Changes in the Chest Wall Perfusion after Coronary Artery Bypass Grafting by Imaging Photoplethysmography,” Appl. Sci., vol. 10, no. 18, p. 6537, Sep. 2020.
• S. Rasche, R. Huhle, E. Junghans, M. G. de Abreu, Y. Ling, A. Trumpp, and S. Zaunseder, “Association of remote imaging photoplethysmography and cutaneous perfusion in volunteers,” Sci. Rep., vol. 10, no. 1, p. 16464, Dec. 2020.
• V. Fleischhauer, N. Ruprecht, M. Sorelli, L. Bocchi, and S. Zaunseder, “Pulse decomposition analysis in photoplethysmography imaging,” Physiol. Meas., vol. 41, no. 9, p. 095009, Oct. 2020.
• J. A. Behar et al., “Remote health diagnosis and monitoring in the time of COVID-19.,” Physiol. Meas., vol. 41, no. 10, p. 10TR01, Nov. 2020.

• M. Schmidt, M. Baumert, T. Penzel, H. Malberg, and S. Zaunseder, “Nocturnal ventricular repolarization lability predicts cardiovascular mortality in the Sleep Heart Health Study,” Am. J. Physiol. Circ. Physiol., vol. 316, no. 3, pp. H495–H505, Mar. 2019.
• M. Scherpf, F. Gräßer, H. Malberg, and S. Zaunseder, “Predicting sepsis with a recurrent neural network using the MIMIC III database.,” Comput. Biol. Med., vol. 113, no. June, p. 103395, Oct. 2019.
• S. Rasche, A. Trumpp, M. Schmidt, K. Plötze, F. Gätjen, H. Malberg, K. Matschke, M. Rudolf, F. Baum, and S. Zaunseder, “Remote Photoplethysmographic Assessment of the Peripheral Circulation in Critical Care Patients Recovering from Cardiac Surgery,” Shock, vol. 52, no. 2, 2019.

• S. Zaunseder, A. Trumpp, D. Wedekind, and H. Malberg, “Cardiovascular assessment by imaging photoplethysmography – a review,” Biomed. Eng. / Biomed. Tech., vol. 63, no. 5, pp. 617–634, Oct. 2018.
• D. Wedekind, D. Kleyko, E. Osipov, H. Malberg, S. Zaunseder, and U. Wiklund, “Robust Methods for Automated Selection of Cardiac Signals After Blind Source Separation,” IEEE Trans. Biomed. Eng., vol. 65, no. 10, pp. 2248–2258, Oct. 2018.
• A. Trumpp, J. Lohr, D. Wedekind, M. Schmidt, M. Burghardt, A. R. Heller, H. Malberg, and S. Zaunseder, “Camera-based photoplethysmography in an intraoperative setting.,” Biomed. Eng. Online, vol. 17, no. 1, p. 33, Mar. 2018.
• M. Schmidt, M. Baumert, H. Malberg, and S. Zaunseder, “Iterative two-dimensional signal warping—Towards a generalized approach for adaption of one-dimensional signals,” Biomed. Signal Process. Control, vol. 43, pp. 311–319, May 2018.

• Kardiovaskuläres System
• Medizintechnische Systeme
• Applied Biosignal Processing - beat detection
• Applied Biosignal Processing - introduction to machine learning
• Fachpraktikum 1
• Fachpraktikum 2
• Präsentationstechnik
• Seminar Biomedizintechnik

• Angewandte Biomedizintechnik
• Machine Learning