Ziel des vorliegenden transdisziplinären grundlagenorientierten Forschungsprojektes ist die computerunterstützte Analyse von akustischen Signalen zur nicht-invasiven Diagnostik thorakaler Erkrankungen. Dabei werden akustische Signale über Sensoren, die am Thorax des Patienten positioniert sind, aufgenommen und mittels intelligenter Analyseverfahren klassifiziert. Die physiologischen Atemgeräusche werden über eine krankheitsbedingte Veränderung der Schallbedingungen in der Brusthöhle unterschiedlich alteriert und sind deshalb als akustisch charakteristische Signale wahrnehmbar. Das Projektziel ist eine zuverlässige computerunterstütze Analyse und Klassifikation dieser Signale.

Im Projekt soll eine Methode einschließlich eines Demonstrators für eine zuverlässige und frühzeitige Erkennung eines Pneumothorax entwickelt werden. Dies unterstützt kostengünstiges Screening von Risikopatienten, die Erstdiagnostik im Notarztwesen und die permanente Observanz von Personen in Risikoberufen. Weiters werden neue wissenschaftliche Methoden für die Analyse einer Vielzahl weiterer (pathologischer) thorakaler akustischer Signale erforscht und neues Fachwissen für die Verarbeitung dieser Signale aufgebaut.

Das Projekt umfasst drei Forschungsschwerpunkte:

(1) Sensorik und Aufnahmetechnik: Für eine optimale Signalqualität müssen ein- und mehrkanalige Aufnahmeverfahren untersucht werden. Weiters ist die Positionierung der Sensoren und die Signalübertragungstechnik zu klären. (2) Signalverbesserung und Artefaktunterdrückung: Es werden verschiedene Ansätze zur optimalen Unterdrückung von Herz- und anderen Störgeräuschen im Zeit- und Frequenzbereich analysiert und bewertet. Bei einem einkanaligen Aufnahmeverfahren ist eine Methode zur automatischen Segmentierung des Signals zu entwickeln. (3) Klassifikation: Der Klassifikator benötigt eine adäquate parametrische Repräsentation des Signals, wobei klassenspezifische Eigenschaften des Signals akzentuiert werden sollen. Die Merkmale werden von dem fourier- und wavelettransformierten Signal abgeleitet und evaluiert. Für die Klassifikation werden diskriminativ optimierte Klassifikatoren verwendet, die durch graphische Modelle repräsentiert werden. Diese werden mit Methoden wie Support-Vector-Machines oder neuronalen Netzen experimentell verglichen. Diskriminative Lernverfahren von graphischen Modellen lassen neue Erkenntnisse und bessere Ergebnisse erwarten. Klassifikatoren, die auf graphischen Modellen basieren liefern neben dem Klassifikationsergebnis auch Aussagen zur Konfidenz des Klassifikators. Die Publikation der wissenschaftlichen Forschungsergebnisse erfolgt bei einschlägigen internationalen Tagungen und in Fachzeitschriften. Zusätzlich wird zur Dissemination ein Demonstrator bzw. Prototyp für Smartphones entwickelt. Weiters wird eine Datenbank mit thorakalen akustischen Signalen erstellt und anonymisiert der Forschungsgemeinschaft für weitere Forschungszwecke zur Verfügung gestellt.