Nächstgeneration-Digital-Twin-Modell mit unauffälliger RF-Mehrfachsensorik für KI-basierte Überwachung von Menschen

Warum ein Raum Ihre Atmung überwachen kann

Stellen Sie sich vor, Ihr Wohnzimmer könnte unauffällig Ihre Atmung und Hydratation beobachten und Ärzte alarmieren, wenn etwas nicht stimmt – ganz ohne Kabel, Brustgurte oder Kameras. Dieses Paper untersucht, wie alltägliche drahtlose Signale in einem Raum in eine Art lebenden Spiegel des Körpers verwandelt werden können. Das öffnet die Tür zu sanfter, kontinuierlicher Überwachung für ältere Menschen, Personen mit chronischen Lungenerkrankungen und andere, die Langzeitpflege benötigen.

Eine digitale Kopie von Ihnen in der Klinik

Im Mittelpunkt dieser Arbeit steht ein „digitaler Zwilling“ einer Person: eine virtuelle Stellvertretung, die sich in Echtzeit aktualisiert, während die Person atmet. Anstelle von an den Körper befestigten Klinikgeräten nutzt das System Radiowellen im Raum, um zu erfassen, wie sich der Brustkorb bewegt und wie feucht die ausgeatmete Luft ist. Diese Signale speisen ein ständig aktualisiertes digitales Modell, das die Atemfrequenz und den Wassergehalt des Atems widerspiegelt. Ärztinnen und Ärzte könnten dieses Modell konsultieren, um zu entscheiden, wann sie einen Patienten kontrollieren, wie engmaschig er überwacht werden sollte oder wie Pflegepläne angepasst werden müssen – während die Person wie gewohnt sitzt oder ruht.

Den Körper mit unsichtbaren Wellen abhören

Das Team baute sein Pilot­system um zwei kleine, kontaktfreie Funksensoren. Der erste basiert auf einem kostengünstigen Wi‑Fi‑Chip, der winzige Änderungen im Funksignal misst, wenn es zwischen Sender und Empfänger hindurchgeht. Wenn sich der Brustkorb hebt und senkt, stört er das Signal minimal, und diese Störungen tragen Informationen über die Atemfrequenz. Der zweite Sensor ist eine flexible Ultra‑Wideband‑Antenne nahe dem Mund, die Änderungen in der Funkreflexion erfasst, wenn feuchter Atem austritt. Da Wasserdampf stark mit Radiowellen wechselwirkt, offenbaren Muster in diesen Reflexionen, wie viel Feuchtigkeit in jedem Atemzug vorhanden ist und liefern damit Hinweise auf Zustand der Atemwege und Hydratation.

Rauschige Signale in klare Vitalwerte umwandeln

Funksignale in einem realen Raum sind unordentlich. Sie prallen an Wänden, Möbeln und sogar an kleinen Bewegungen ab, die nichts mit der Atmung zu tun haben. Um dieses Durcheinander in verlässliche Vitalwerte zu verwandeln, entwarfen die Autoren eine sorgfältige Signalverarbeitungskette. Zuerst entfernen sie konstante Offset‑Anteile und zufällige Ausreißer, dann leiten sie die Daten durch Filter, die nur die langsamen Rhythmiken erhalten, in denen normale Atmung liegt. Eine statistische Methode namens Hauptkomponentenanalyse (PCA) extrahiert anschließend das einzelne Muster, das der regelmäßigen Brustbewegung am besten entspricht. Schließlich betrachtet das System, wie stark dieser Rhythmus in verschiedenen Frequenzen ausgeprägt ist, um Atemzüge pro Minute zu schätzen. In Labortests mit einem Probanden, der in vorgegebenen langsamen, mittleren und schnellen Raten atmete, erreichte diese Methode in allen drei Stufen die klinisch akzeptierte Genauigkeitsspanne von plus/minus fünf Atemzügen pro Minute.

Den Zwilling mit realen und synthetischen Daten lehren

Um einen smarten digitalen Zwilling aufzubauen, müssen Computermodelle lernen, wie sich verschiedene Atmungs‑ und Hydratationszustände darstellen. Große, gelabelte medizinische Datensätze zu sammeln ist jedoch langsam und teuer, insbesondere für neue Messmethoden. Die Forscher entwickelten daher statistische Tricks, um auf Basis ihrer Messungen realistische „synthetische“ Daten zu generieren. Für die Hydratation arbeiteten sie direkt in den Frequenzmustern der Funkreflexionen und modifizierten die Kurven in kontrollierter Weise, sodass ihre Gesamtform erhalten blieb. Prüfungen mittels verschiedener Korrelationsmaße zeigten, dass die synthetischen Signale den realen sehr nahe kamen. Mit diesen erweiterten Datensätzen konnten Machine‑Learning‑ und Deep‑Learning‑Methoden Atmung als normal oder abnormal klassifizieren und Hydratationsniveaus mit respektabler Genauigkeit gruppieren, vor allem bei Einsatz kompakter neuronaler Netze gefolgt von einfacheren Klassifikatoren.

Eine Schleife, die lernt und die Pflege steuert

Anders als ein eindirektionaler Monitor, der nur Zahlen meldet, ist dieser digitale Zwilling als Schleife zwischen Patient, Sensoren und Klinikpersonal konzipiert. Während die Sensoren kontinuierlich Daten streamen, aktualisiert der Zwilling seine Sicht auf Atmung und Hydratation und liefert zusammenfassende Entscheidungen sowie Vertrauenswerte an eine Ärztin oder einen Arzt. Diese können dann entscheiden, die Überwachung zu intensivieren oder zu lockern, die Aufmerksamkeit zwischen den beiden Sensoren zu verschieben oder Alarmgrenzwerte anzupassen. Diese Entscheidungen beeinflussen wiederum, wie und wann neue Daten erhoben werden. Im Laufe der Zeit kann das System typische Muster der einzelnen Person lernen und so zu einem persönlicheren und nützlicheren Begleiter in der Langzeitversorgung werden.

Von der Pilotstudie zum künftigen Bettenrandhelfer

Die Studie zeigt, dass es möglich ist, handelsübliche drahtlose Hardware, clevere Signalbereinigung, synthetische Daten und maschinelles Lernen zu einem frühen digitalen Zwilling der Atmung und ausgeatmeten Hydratation einer Person zu kombinieren. Bei einem einzelnen Probanden unter kontrollierten Bedingungen lieferte der Ansatz klinisch akzeptable Atemfrequenzen und vielversprechende Klassifizierungen hydratationsbezogener Muster. Die Autoren betonen, dass deutlich größere und diversere Studien nötig sind, bevor ein solches System echte Behandlungsentscheidungen unterstützen könnte. Dennoch weist die Arbeit in Richtung einer Zukunft, in der Krankenzimmer und Wohnungen leise mit Radiowellen „zuhören“ und digitale Stellvertreter von Patientinnen und Patienten erstellen, die Pflegende ohne Kabel oder Unbehagen bei der Überwachung unterstützen.

Zitation: Khan, S., Alzaabi, A., Saied, I.M. et al. Next-generation digital twin model with unobtrusive RF multi-sensing for AI-based human monitoring. Sci Rep 16, 15612 (2026). https://doi.org/10.1038/s41598-026-43984-w

Schlüsselwörter: digitaler Zwilling Gesundheitswesen, kontaktlose Atemüberwachung, RF-Sensorik, KI-Gesundheitsüberwachung, ausgeatmete Atemfeuchte