Meine Forschung konzentriert sich auf innovative und effiziente Verfahren der Datenerfassung und -verarbeitung. Das beinhaltet innovative Sensorik/Messtechnik und Aspekte aus den Bereichen Signalverarbeitung, Bildverarbeitung, maschinelle Lernverfahren und Modellierung/Simulation. Wir, die Mitarbeiter des Laboratory on advanced measurements and biomedical data analysis (lambda) (Öffnet in einem neuen Tab) und ich, kombinieren Verfahren der angesprochenen Gebiete bzw. entwickeln diese weiter. Ziele sind
die Umsetzung innovativer Diagnoseverfahren,
die Umsetzung klinischer Unterstützungssysteme sowie
die Vertiefung des Verständnisses pathophysiologischer Interaktionen.
Anwendungen liegen in verschiedensten Bereichen von der Klinik bis zu täglichem Leben und Sport. Ein Kernelement ist dabei die intelligente Kombination von Verfahren der oben genannten Gebiete Sensorik und Datenverarbeitung.
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.
Eigene Arbeiten
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.
Ausgewählte eigene Arbeiten
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.
Künstliche Intelligenz für die Medizin
Hintergrund
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.
Eigene Schwerpunkte
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.
Ausgewählte eigene Arbeiten
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).
Eigene Schwerpunkte
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.
Ausgewählte eigene Arbeiten
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.
Publikationen
Monographie
G. A. Urban, K. Becker, M. Braecklein, B. Habenstein, P. Knaup, A. Melzer, T. Stieglitz, G. Urban, and S. Zaunseder, Technologische Souveränität in der Biomedizinischen Technik - der Mensch im Fokus. Frankfurt am Main: VDE Verband der Elektrotechnik Elektronik Informationstechnik, 2021 [Online]. Available: https://www.vde.com/resource/blob/2094018/797483bfeea2238c6d59c0d2cc01db15/positionspapier-data.pdf
V. Fleischhauer, J. Adrians, and S. Zaunseder, “Validation of Skin Perfusion Monitoring by Imaging PPG versus Laser Speckle Imaging,” in Proceedings of the 57th Annual Meeting of the German Society of Biomedical Engineering, 2023, pp. 351–354.
A. Woyczyk, S. Rasche, and S. Zaunseder, “Impact of Sympathetic Activation in Imaging Photoplethysmography,” in 2019 IEEE/CVF International Conference on Computer Vision Workshop, 2019, pp. 1697–1705.
V. Fleischhauer, J. Bruhn, S. Rasche, and S. Zaunseder, “Photoplethysmography upon cold stress - impact of measurement site and acquisition mode,” Frontiers in Physiology, 2023.
V. Fleischhauer, A. Feldheiser, and S. Zaunseder, “Beat-to-Beat Blood Pressure Estimation by Photoplethysmography and Its Interpretation,” Sensors, vol. 22, no. 18, 2022.
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,” Biomedical Signal Processing and Control, vol. 74, 2022.
A. Woyczyk, V. Fleischhauer, and S. Zaunseder, “Adaptive Gaussian mixture model driven level set segmentation for remote pulse rate detection,” IEEE journal of biomedical and health informatics : a publication of the IEEE Engineering in Medicine and Biology Society, vol. 25 (2021), no. 5, pp. 1361–1372, 2021.
F. Gräßer, F. Tesch, J. Schmitt, S. Abraham, H. Malberg, and S. Zaunseder, “A pharmaceutical therapy recommender system enabling shared decision-making,” User modeling and user adapted interaction : umuai ; an international journal, vol. 2021, pp. 1019–1062, 2021.
R. Pape, S. Patzke, S. Zaunseder, and J. Thiem, “Automatic Hypercube Acquisition with high spatial and spectral resolution using a HSI Linescan Camera,” Current Directions in Biomedical Engineering, pp. 811–814, 2021.
A.-G. Pielmus, J. Mühlstef, E. Bresch, M. Glos, C. Jungen, S. Mieke, R. Orglmeister, A. Schulze, B. Stender, V. Voigt, and S. Zaunseder, “Surrogate based continuous noninvasive blood pressure measurement,” Biomedical engineering = Biomedizinische Technik : joint journal of the German Society for Biomedical Engineering in VDE and the Austrian and Swiss Societies for Biomedical Engineering, vol. 66 (2021), no. 3, pp. 231–246, 2021.
V. Fleischhauer, N. Ruprecht, M. Sorelli, L. Bocchi, and S. Zaunseder, “Pulse decomposition analysis in photoplethysmography imaging,” Physiological measurement : an official journal of the Institute of Physics and Engineering in Medicine, representing also the Deutsche Gesellschaft für Medizinische Physik, the European Federation of Organisations for Medical Physics and the International Organization for Medical Physics, vol. 41, no. 9, 2020.
J. A. Behar, C. Liu, K. Kotzen, K. Tsutsui, V. D. A. Corino, J. Singh, M. A. F. Pimentel, P. Warrick, S. Zaunseder, and F. Andreotti, “Remote health diagnosis and monitoring in the time of COVID-19,” Physiological measurement : an official journal of the Institute of Physics and Engineering in Medicine, representing also the Deutsche Gesellschaft für Medizinische Physik, the European Federation of Organisations for Medical Physics and the International Organization for Medical Physics, vol. 41 (2020), no. 10, p. ohne Seitenangabe-ohne Seitenangabe, 2020.
Gemeinsam mit verschiedenen Partnern sind wir für eine Reihe von Veröffentlichungen verantwortlich. Die folgende Liste zeigt ausgewählte Arbeiten. Ein vollständigerer Überblick findet sich z.B. auf ResearchGate (Öffnet in einem neuen Tab).
Ausgewählte Journalpublikationen
2022
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.
2021
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.
2020
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.
2019
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.
2018
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.
Ausgewählte sonstige Veröffentlichungen/Arbeiten
S. Zaunseder and S. Rasche, “Clinical applications for imaging photoplethysmography,” in Contactless Vital Signs Monitoring, Elsevier, 2022, pp. 149–164.
A. G. Pielmus, J. Mühlsteff, E. Bresch, M. Glos, C. Jungen, S. Mieke, R. Orglmeister, A. Schulze, B. Stender, V. Voigt, and S. Zaunseder, “VDE Positionspapier Surrogate Based Continuous Noninvasive Blood Pressure Measurement,” 2020.
Lehre
Überblick
Meine Lehre umfasst Aspekte aus den Bereichen
(patho-)physiologisch Grundlagen,
medizintechnische Systeme,
Messtechnik,
Datenverarbeitung und
Modellierung und Simulation.
Die Vermittlung erfolgt in verschiedenen Fächern und Lehrformen, oftmals in Kombination theoretischer und praktischer Inhalte und AUfgaben.
Aktuelle Lehrveranstaltungen
Bachelor
Kardiovaskuläres System
Medizintechnische Systeme
Applied Biosignal Processing - beat detection
Applied Biosignal Processing - introduction to machine learning
Fachpraktikum 1
Fachpraktikum 2
Präsentationstechnik
Seminar Biomedizintechnik
Master
Angewandte Biomedizintechnik
Machine Learning
Diese Seite verwendet Cookies, um die Funktionalität der Webseite zu gewährleisten und statistische Daten zu erheben. Sie können der statistischen Erhebung über die Datenschutzeinstellungen widersprechen (Opt-Out).
