[Meetup] Herz im Fokus: KI, Wearables und die Revolution der Rhythmusstörungserkennung

Herzrhythmusstörungen, eine der weltweit häufigsten Todesursachen, rückten bei diesem Meetup ins Zentrum unserer Aufmerksamkeit. Unser Meetup bot einen faszinierenden Einblick in die Welt der kardiovaskulären Überwachung und präsentierte innovative Ansätze zur Erkennung von Herzrhythmusstörungen.

Unsere Kolleg:innen Katharina und Sven nahmen uns in ihren Vorträgen mit auf eine Reise von der Klassifizierung mittels Deep Learning bis hin zur Anwendung von neuronalen Netzen auf Wearables, immer mit dem Ziel, die Früherkennung und Überwachung dieser lebenswichtigen Parameter zu revolutionieren.

1. Vortrag: Klassifizierung von Herzrhythmusstörungen in EKGs und PPGs mittels Deep Learning (Katharina)

Herzrhythmusstörungen zählen weltweit zu den häufigsten Todesursachen. Die Früherkennung und Überwachung spielen eine entscheidende Rolle bei der Reduzierung vermeidbarer Todesfälle. Obwohl die Elektrokardiographie (EKG) ein bedeutendes Diagnoseinstrument ist, bedarf es spezieller Ausrüstung und geschultem Personal.

Aktuell gewinnt die Photoplethysmographie (PPG) als vielversprechende Alternative und unterstützende Maßnahme für die kardiovaskuläre Überwachung außerhalb des klinischen Umfelds an Bedeutung. Diese Technologie ist unter anderem in Smartwatches integriert. In diesem Vortrag zeige ich die Anwendung von Deep-Learning-Techniken zur Erkennung und Überwachung von Herzrhythmusstörungen in EKGs und PPGs. Dadurch wird der Grundstein für eine kontinuierliche und langfristige Überwachung von Herzrhythmusstörungen gelegt.

2. Vortrag: Einsatz von neuronalen Netzen auf Wearables (Sven)

In diesem Vortrag steht die Anwendung von neuronalen Netzen auf Wearables im Fokus, um Herzrhythmusstörungen zu erkennen. Durch die Ausführung von neuronalen Netzen direkt auf dem Wearable können Analysen von Herzdaten ohne den Austausch von sensiblen Gesundheitsinformationen vorgenommen werden. Zudem zeige ich dir, wie durch diesen Ansatz auch neuronale Netze auf Wearables trainiert werden können und wie durch die Implementierung eines Federated Learning Systems auch selbst zur Trainingszeit sensible Daten auf den Wearables der Nutzer:in verbleiben.