Senior Scientist Dipl.-Ing. Paul Panek, öffnet eine externe URL in einem neuen Fenster, Institut für Visual Computing and Human-Centered Technology, Forschungsbereich Human Computer Interaction, öffnet eine externe URL in einem neuen Fenster

Stefan Leipold, MSc, Loidl-Consulting & IT Services GmbH, öffnet eine externe URL in einem neuen Fenster

T4ME2 - Toilet for me too

Das Projekt T4ME2 entwickelt und erprobt in einem anwenderzentrierten Ansatz unterstützende, autonome, intelligente Toilettenlösungen für alternde Menschen und Personen jeden Alters mit körperlichen Einschränkungen/Behinderungen. Ältere Menschen und Menschen mit Behinderungen können bei der Benutzung einer Toilette mit erheblichen Herausforderungen konfrontiert sein. Während unterstützende Toiletten zu Hause vor oder während der Installation gezielt auf die individuellen Bedürfnisse und Wünsche zugeschnitten werden können, versagt dieser Ansatz in halböffentlichen Umgebungen (Toiletten in zum Beispiel Restaurants, Veranstaltungsstätten oder Gemeindezentren et cetera). In diesem Fall sind die Benutzer und ihre Bedürfnisse nicht im Voraus bekannt und daher muss die Toilette in der Lage sein, sich selbstständig anzupassen. Basierend auf früheren erfolgreichen FTE-Arbeiten zum Prototyping einer IKT-gestützten Toilette für den Heimgebrauch wurden die Übertragung dieses Konzepts und die notwendigen konzeptionellen Erweiterungen für die Außer-Haus-Umgebung durchgeführt. Das Projekt entwickelte ein Toilettensystem mit IKT-basierter, adaptiver physischer Aufsteh- und Steuerungsunterstützung mit integrierten Sicherheitsfunktionen. Dadurch können Personen mit Bewegungs- oder Mobilitätseinschränkungen eine Toilette unabhängiger und gleichzeitig auch sicherer nutzen. Aktuelle Erkenntnisse zeigen die Vielfalt der Nutzerbedürfnisse und -präferenzen sowie die unterschiedliche Technikaffinität. Das neue Toilettenprototypsystem ist somit nicht nur in der Lage, verschiedene Arten der physischen Unterstützung während der Toilettenbenutzung bereitzustellen, sondern auch unterschiedliche Ebenen der Interaktion, von einfach bis fortgeschritten, von nicht komplexer passiver Nutzung für Anfänger bis hin zu fortgeschritteneren Funktionen für erfahrenere Benutzer. Ein Feldversuch mit 3 Einheiten des entwickelten Prototyps wird für Ende 2022 in Polen, Belgien und den Niederlanden vorbereitet. Dieses kooperative Projekt wird von der Europäischen Union und den nationalen Förderagenturen FFG/BMK, ZONMW, VLAIO, UEFSCDI, NCRD und NKFIH als Projekt AAL-2019-6-116-CP (T4ME2-Projekt) kofinanziert.

APH-ALARM 

Das Projekt APH-ALARM wird von 7 Partnern aus Ungarn, Österreich und Portugal durchgeführt. Konsortialführer ist der Softwarehersteller EvoAid Kft. in Budapest. Das Ziel des Projektes ist die Entwicklung einer persönlichen Sicherheitsapplikation für Personen über 55 Jahren, die mit einer durch Schlaganfall ausgelösten Aphasie konfrontiert sind. Auf diese Weise wollen wir helfen, die soziale Exklusion und Isolierung dieser Personen zu verringern, und gleichzeitig deren Unabhängigkeit im Alltagsleben zu erhöhen.  Ausgehend von einer Idee der ungarischen Firma EvoAid Kft. erweitert das Konsortium die bestehende KI-Funktionalität, um eine Notfalls-App zu entwickeln, die ganz auf die Bedürfnisse von Personen mit Sprach- und Sprechbeeinträchtigungen, wie sie zum Beispiel nach einem Schlaganfall auftreten können, zugeschnitten ist. Die Auslösung eines Notrufes erfolgt dabei entweder über Gesten oder Piktogramme. Das APH-ALARM System unterstützt Personen, die mit Aphasie leben und ist dazu gedacht, Benachrichtigungen und Alarmierungen zu versenden ohne notwendigerweise selber sprechen zu müssen, besonders in Situationen, in denen klassische Notrufsysteme versagen würden. Als Vorarbeit wurde ein webbasiertes multimodales Mockup des Interfaces der zukünftigen App erstellt, welches aus für AphasikerInnen optimierten Piktogrammen in Kombination mit Texten und einer Sprachausgabe besteht. Aufbauend auf diesem Web-Mockup und Feedback der Enduser-Partner wurde die APH-ALARM Piktogramm App entwickelt, die auf Android Smartphones oder Tablets installiert werden kann. An den ersten Erprobungen nahmen in Ungarn 19 Menschen mit Aphasie, in Österreich und Portugal LogopädInnen, ErgotherapeutInnen und ForscherInnen teil. Außerdem wurde eine erste, cloud-basierte Version der App für SekundärnutzerInnen (Angehörige, Bekannte, BetreuerInnen, ...) implementiert, mit der diese die Notrufnachrichten empfangen können und weiters eine Software zur Detektion von epileptischen Anfällen mithilfe eines Bettsensors (Anbindung über Bluetooth) entwickelt. Dieses kooperative Projekt wird von der Europäischen Union und den nationalen Förderagenturen NKFIH, FFG/BMK und FCT als Projekt AAL-2019-6-131-CP (APH-Alarm-Projekt) kofinanziert.

Projektwebsite T4ME2, öffnet eine externe URL in einem neuen Fenster

Präsentation T4ME2, öffnet eine Datei in einem neuen Fenster

Poster T4ME2, öffnet eine Datei in einem neuen Fenster

Projektwebsite APH-ALARM, öffnet eine externe URL in einem neuen Fenster

Präsentation APH-ALARM, öffnet eine Datei in einem neuen Fenster

Poster APH-ALARM, öffnet eine Datei in einem neuen Fenster

Univ.Prof. Dipl.-Ing. Dr.techn. Eugenijus Kaniusas, öffnet eine externe URL in einem neuen Fenster, Institut für Biomedizinische Elektronik, Gruppe Biomedizinische Sensorik und Therapie

Biofeedback-basierte Aurikuläre Vagus Nerve Stimulation

Auricular vagus nerve stimulation (aVNS) is a novel neuromodulatory therapy used for treatment of various chronic systemic disorders such as chronic back pain. Currently, aVNS is non-individualized, disregarding the physiological state of the patient and therefore making it difficult to reach optimum therapeutic outcomes. A closed-loop aVNS system is required to avoid over-stimulation and under-stimulation of patients, leading to personalized, side-effects free and thus improved therapy. This can be achieved by continuous monitoring of individual physiological parameters that serve as a basis for the selection of optimal aVNS settings. In this work we developed a novel aVNS hardware for closed-loop application, which utilizes cardiorespiratory sensing using embedded sensors (and/or external sensors), processes and analyzes the acquired data in real-time, and directly governs settings of aVNS. We show in-lab that aVNS stimulation can be arbitrarily synchronized with respiratory and cardiac phases (as derived from respiration belt, electrocardiography and/or photo plethysmography) while mimicking baroreceptor-related afferent input along the vagus nerve projecting into the brain. Our designed system identified >90% of all respiratory and cardiac cycles and activated stimulation at the target point with a precision of ± 100ms despite the intrinsic respiratory and heart rate variability, reducing the predictability. The developed system offers a solid basis for future clinical research into closed-loop aVNS in clear favor of personalized therapy.

Perkutane aurikuläre Vagusnervstimulation bei kritischen Covid-19-Patienten

Covid-19 is an infectious disease associated with cytokine storms and derailed sympatho-vagal balance leading to respiratory distress, hypoxemia and cardiovascular damage. We apply the auricular vagus nerve stimulation (aVNS) to modulate the parasympathetic nervous system, activate the associated anti-inflammatory pathways, and reestablish the abnormal sympatho-vagal balance. aVNS is performed percutaneously using miniature needle electrodes in ear regions innervated by the auricular vagus nerve. In terms of a randomized prospective study, chronic aVNS is started in critical but not yet ventilated Covid-19 patients during their stay at the intensive care unit. The results show decreased pro-inflammatory, e.g. a reduction of CRP level by 32% after one day of VNS and 80% over 7 days (from the mean 151.9 mg/dl to 31.5 mg/dl) or similar a reduction of TNFalpha level by 58.1% over 7 days (from a mean 19.3 pg/ml to 8.1 pg/ml) and coagulation parameters, e.g. reduction of DDIMER level by 66% over 7 days (from a mean 4.5 µg/ml to 1.5 µg/ml) and increased anti-inflammatory parameters, e.g. a decrease of IL-10 level by 66% over 7 days (from the mean 2.7 pg/ml to 7 pg/ml) over the aVNS duration without collateral effects. aVNS proved to be a safe clinical procedure and could effectively supplement treatment of critical Covid-19 patients while preventing devastating over-inflammation.

Präsentation Kaniusas, öffnet eine Datei in einem neuen Fenster

Poster Kaniusas, öffnet eine Datei in einem neuen Fenster

Privatdoz. Dipl.-Ing. Dr.techn. Martin Kampel, öffnet eine externe URL in einem neuen Fenster, Institut für Visual Computing and Human-Centered Technology, Forschungsbereich Forschungsbereich Computer Vision, öffnet eine externe URL in einem neuen Fenster

Dr. Rainer Planinc, CogVis Software und Consulting GmbH, öffnet eine externe URL in einem neuen Fenster

The care of people with cognitive impairment is demanding and requires a high level of personnel and nursing commitment. It is therefore of the utmost importance to develop solutions that can support caregivers in their daily work at an unprecedented level. The project DIANA improves the life and safety of mild to severely cognitive impaired persons 65+ while assisting nurses and care givers by providing novel solutions for action and behaviour recognition. The enabling technology will be AI powered 3D sensors with embedded analytic algorithms. The metadata provided by these sensors will be seamlessly integrated into the nurses working routine and will free valuable time for personalized care. For mild to medium impaired persons these data will also be used to provide a virtual assistant which can guide through certain activities of daily living. A first activity where this will be tested focuses on toileting (personal hygiene), where hardly any technologies exist. DIANA has the unique goal of increasing people’s autonomy and digitizing nursing assistance in this area.

Projektwebsite, öffnet eine externe URL in einem neuen Fenster

Präsentation Kampel, Planinc, öffnet eine Datei in einem neuen Fenster

Dipl.-Ing. Daniel Ramsauer, öffnet eine externe URL in einem neuen Fenster, BSc, Institut für Computer Engineering, Forschungsbereich Automation Systems, öffnet eine externe URL in einem neuen Fenster

Ein wesentliches Ziel des Gebäudemanagements ist, unter minimalem Einsatz von Energie und Ressourcen die maximale Behaglichkeit für Personen im Gebäude (User) zu schaffen. Der aktuelle Stand der Technik beschreibt den Einsatz einer Vielzahl von technischen Systemen (Anlagen-, Mess- und Automatisierungstechnik), um eine hohe Zufriedenheit bei Usern zu erreichen. Zur Quantifizierung der Behaglichkeit verwenden bestehende Ansätze meist objektive Messwerte und empirische Modelle (zum Beispiel ISO 7730). Trotz der häufig sehr aufwendigen Vorgehensweise können diese Ansätze zu Problemen führen, da User und ihr kontinuierliches Feedback nicht unmittelbar in den Gesamtprozess eingebunden sind. Einflüsse auf deren Zufriedenheit werden derzeit nicht oder nicht ausreichend berücksichtigt (zum Beispiel Tätigkeit, Gesundheitszustand, Wetterempfinden oder Beeinflussung durch andere Personen). Obwohl das User-Feedback eine wichtige Quelle für den energieeffizienten und behaglichen Gebäudebetrieb beziehungsweise für die Entwicklung neuer Leistungen für User ausgehend von deren Bedürfnissen und tatsächlichen Problemen sein kann, bedeutet das manuelle Verarbeiten von Feedback einen hohen Aufwand für das Gebäudemanagement. Um User-Feedback sinnvoll einbinden und mit Sensor-Messwerten in Einklang bringen zu können, ist zunächst eine automatisierte Integration nötig. Ein erstes Ziel dieses Projekts ist deshalb der Entwurf einer möglichst intuitiven Schnittstelle zur einfachen und schnellen Erfassung von menschlicher Wahrnehmung (Human Perception) hinsichtlich verschiedener Komfortparameter. Eine zentrale Herausforderung bildet die Einbindung der Rückmeldungen in bestehende Integrationslösungen der Gebäudeautomation (Building Automation System, BAS). Wesentlich ist in diesem Zusammenhang die Gewährleistung des Schutzes personenbezogener Daten. Durch die Zusammenführung und semantische Modellierung der objektiven Sensor-Messwerte und des subjektiven User-Feedbacks in einer gemeinsamen Wissensbasis werden nun im Projekt HumBAS Aussagen über auftretende Probleme im Gebäudemanagement wie zum Beispiel signifikante Abweichungen zwischen Messwerten und User-Feedback abgeleitet. Durch die Einbeziehung von Expertenwissen und zusätzlicher Kontextinformation über das Gebäude, die installierte Anlagen- undAutomatisierungstechnik, die Betriebsstrategien und die subjektiv empfundenen Einflüsse auf das Wohlbefinden wird schließlich eine aufschlussreichere Interpretation der herkömmlichen Sensorwerte erreicht. Die verwendete Methodik orientiert sich an bewährten Ansätzen aus dem Bereich Wissensverarbeitung (zum Beispiel Ontologien und Reasoning).Zusammenfassend wird ein konkreter Forschungsbedarf gesehen, um ein User-zentriertes, intelligentes Gebäudemanagement zu etablieren. Der Einfluss von User-Feedback in Gebäuden soll erforscht werden. Erkenntnisse aus diesem Projekt können aber auch in anderen Anwendungsfeldern eingesetzt werden, in denen User eine zentrale Rolle einnehmen. Gerade in der Personenbeförderung (Züge, Flugzeuge) als auch im Assisted Living abseits der herkömmlichen Wohn- und Zweckbauten ist zu erwarten, dass dieser Ansatz hohes Potential hat.

Projektwebsite, öffnet eine externe URL in einem neuen Fenster

Präsentation Ramsauer, öffnet eine Datei in einem neuen Fenster

Univ.Prof.ⁱⁿ Mag.^a Dr.ⁱⁿ Ivona Brandic, öffnet eine externe URL in einem neuen Fenster, Institut für Institut für Information Systems Engineering, Forschungsbereich Data Science, öffnet eine externe URL in einem neuen Fenster

InTraSafEd 5G

Despite advances in vehicle technology and road modernization, traffic accidents are a huge global issue, causing deaths and injuries, especially among pedestrians and cyclists. This often happens due to pedestrians and cyclists in drivers’ blind spots or distractions delaying drivers’ reactions. For these reasons, timely notification of drivers about critical situations is important to increase traffic safety. Recently, new edge computing and communication technologies have been proposed to reduce latency in critical IoT systems. However, state-of-the-art solutions either do not focus on traffic safety or do not consider low-latency requirements in this context.

We propose InTraSafEd 5G (Increasing Traffic Safety with Edge and 5G) to address this issue. InTraSafEd 5G performs real-time edge analytics to detect critical situations and deliver early warning notifications to drivers. After showing a detailed analysis of the design choices, we provide a prototype implementation of the system and evaluate its performance in a real-world setup. The evaluation shows that InTraSafEd 5G is able to (i) detect critical situations on the chosen intersection in real-time and (ii) notify affected drivers in 108.73 ms on average using 5G, which is within expected latency requirements of road safety IoT applications. Our selection shows a promising step towards increasing overall traffic safety and supporting decision-making in critical sitauations.

SWAIN - Sustainable Watershed Management Through IoT-Driven Artificial Intelligence

Water resource contamination substantially threatens the environment. Rapid identification of chemicals and their emission sources in watersheds is crucial for sustainable water resources management. Despite studies on the measurement of micropollutants in the water resources around Europe, efficient utilization of the data in decision-making to protect water resources from detrimental chemical pollution is currently not available. Novel Internet of Things (IoT) technologies, coupled with advanced Artificial Intelligence (AI) strategies, may provide faster and more efficient responses to these challenges in real-time reactions as well as long-term planning.

The proposed solution aims at providing: better understanding and near real-time response to pollution incidents; better prediction of pollution spread and improved response for mitigation of effects in the long run; data-driven AI life-long learning and evolution of the algorithm. The primary outcome would be an integrated decision support system utilizing micropollutant measurements along with real-time collected hydrodynamic and meteorological data of a watershed for sustainable water quality management. Since micropollutants are related to emission sources and are resistant to degradation, they are good indicators of pollution and fingerprints of the pollution sources.

Our approach is based on introducing and combining novel technologies in improving water pollution management in several critical phases. First of all, we rely on an advanced, scalable IoT technology that adapts to the considered problem's specific needs through a novel mechanism called viscoelasticity. Therefore, we obtain desirable data from the locations and at the time that is optimized for further data analysis. Then, we introduce a novel methodology for creating a more accurate hybrid model integrating the expert-based physical environment model and data-driven, evidence-based techniques. To that end, we introduce a novel graph-based functional representation of data that captures affinities and dependencies among data streams more efficiently.

Projektwebsite InTraSafEd 5G, öffnet eine externe URL in einem neuen Fenster

Projektwebsite SWAIN, öffnet eine externe URL in einem neuen Fenster