Digitale Signalverarbeitung in Echtzeit für magnetoelektrische Sensorsysteme
Zusammenfassung der Projektergebnisse
Im Rahmen des DFG-Projektes „Digitale Signalverarbeitung in Echtzeit für magnetoelektrische Sensorsysteme“ wurde ein mehrkanaliges echtzeitfähiges System entwickelt, welches die Signale von magnetoelektrischen (ME) Sensoren signifikant im Hinblick auf den Einfluss von exogenen Störungen verbessert. Des Weiteren wurde an Algorithmen gearbeitet, welche die vorverarbeiteten Signale von endogenen Artefakten befreien. In einem dritten Projektteil wurden dann mit den aufbereiteten Signalen Quellenlokalisationsalgorithmen untersucht. Die Signalverbesserung wurde sowohl mit analogen als auch mit digitalen Ansätzen untersucht. Da die Ausleseprinzipien der ME Sensoren in den meisten Varianten eine Trägerschwingung großer Amplitude benötigen, wurde zunächst eine digital angesteuerte, aber analog umgesetzte Addiererschaltung erforscht. Kurz vor der Analog-Digital-Wandlung wurde damit ein Kompensationsträgersignal addiert, wodurch die verwendeten Analog-Digital- Wandler deutlich besser eingestellt werden konnten. Die Signale mussten des Weiteren demoduliert sowie entzerrt werden. Durch eine Erweiterung des Systems um einen oder mehrere Referenzsensoren konnten mit Hilfe adaptiver Filterstrukturen exogene nicht-magnetische sowie magnetische Störungen kompensiert werden. Des Weiteren konnte über eine Kombination mehrerer Moden, mehrerer Träger und verschiedener Demodulationsarten eine Verbesserung des SNR erzielt werden. Die Kompensation sowie die Ansteuerung der Sensoren wurden in einer Echtzeitplattform implementiert. Außerdem zeigten die untersuchten Überlagerungsansätze bei sich wiederholenden Signalen eine deutliche Verbesserung des Signal-zu-Geräusch-Verhältnisses. Auf der Ebene bereits digitalisierter Daten wurde die Erfassung und Unterdrückung von Artefakten mittels Zustandsraum-Modellierung untersucht; diese kann entweder im physischen Raum der Quellen erfolgen (Quellenanalyse des EEGs und MEGs), oder in einem geeignet definierten Signalraum (wie etwa bei der Independent Component Analysis). Praktische Anwendung der Zustandsraum-Modellierung stellt hohe Anforderungen an die Algorithmen zur Invertierung der Daten (Kalman-Filter und dessen Weiterentwicklungen, wie Square-Root-Filter) sowie zur Bestimmung der Modellparameter über Maximierung der Likelihood; an diesen Themen wurde in zwei Arbeitspaketen gearbeitet. Zu den Arbeitspaketen gehörte auch die Entwicklung von Algorithmen mit denen Quellen von cerebraler elektrischer Aktivität analysiert werden können. Dazu wurden die Hirnaktivität bei motorischen Paradigmen mit hochauflösendem EEG oder Squid-MEG (Kooperation Prof. Schnitzler, Düsseldorf) aufgenommen. Die Ergebnisse lassen die Vorzüge der magnetoencephalographischen Ableitung gegenüber dem Elektroencephalogramm erkennen, die besonders für tiefe Quellen im Gehirn nützlich sind. Einzelne Anwendungen dieser Methoden in der Klinik wurden weiterentwickelt. Die Ergebnisse beim Tremor unterstützen die bereits vorgeschlagene Annahme einer besonderen Tremorform, des altergebundenen Tremors, dem offenbar andere intrazerebrale Netzwerke zugrundeliegen als der bereits gut bekannten Tremorform des ‚essentiellen Tremors.‘
Projektbezogene Publikationen (Auswahl)
- Adaptive Multi-mode Combination for Magnetoelectric Sensors Based on the delta-E Effect, Procedia Engineering, Eurosensors 2015, vol. 120, pp. 536-539 (2015)
J. Reermann, G. Schmidt, S. Zabel, F. Faupel
(Siehe online unter https://doi.org/10.1016/j.proeng.2015.08.705) - Analysis of epileptic seizure count time series by Ensemble State Space Modelling. 37th Annual International Conference of the IEEE Engineering in Medicine and Biology Society, Mailand, pp. 5601-5605 (2015)
A. Galka, R. Boor, C. Doege, S. von Spiczak, U. Stephani, M. Siniatchkin
(Siehe online unter https://doi.org/10.1109/EMBC.2015.7319662) - Differentiating tremor patients using spiral analyses, Conf. Proc. IEEE Eng. Med. Biol. Soc. (2015)
N. Koirala, M. Muthuraman, T. Anjum, C. V. Chaitanya, V. F. Helmolt, K. G. Mideksa, K. Lange, G. Schmidt, S. Schneider, G. Deuschl
(Siehe online unter https://doi.org/10.1109/EMBC.2015.7319815) - Essential and aging-related tremor: Differences of central control, Mov. Disord. (2015)
M. Muthuraman, G. Deuschl, A. R. Anwar, K. G. Mideksa, F. von Helmolt, S. A. Schneider
(Siehe online unter https://doi.org/10.1002/mds.26410) - The choice of the source space and the Laplacian matrix in LORETA and the spatiotemporal Kalman Filter EEG inverse methods. 37th Annual International Conference of the IEEE Engineering in Medicine and Biology Society, Mailand, pp. 2745-2749 (2015)
N. Habboush, L. Hamid, N. Japaridze, G. Wiegand, U. Heute, U. Stephani, A. Galka, M. Siniatchkin
(Siehe online unter https://doi.org/10.1109/EMBC.2015.7318960) - The performance of the spatiotemporal Kalman Filter and LORETA in seizure onset localization. 37th Annual International Conference of the IEEE Engineering in Medicine and Biology Society, Mailand, pp. 2741-2744 (2015)
L. Hamid, M. Sarabi, N. Japaridze, G. Wiegand, U. Heute, U. Stephani, A. Galka, M. Siniatchkin
(Siehe online unter https://doi.org/10.1109/EMBC.2015.7318959) - Adaptive Readout Schemes for Thin-Film Magnetoelectric Sensors Based on the delta-E Effect, IEEE Sensors Journal, vol. 16, no. 12, pp. 4891-4900 (2016)
J. Reermann, S. Zabel, Ch. Kirchhof, E. Quandt, F. Faupel, G. Schmidt
(Siehe online unter https://doi.org/10.1109/JSEN.2016.2553962) - Comparison of imaging modalities and source-localization algorithms in locating the induced activity during deep brain stimulation of the STN, Conf Proc IEEE Eng Med Biol Soc. 2016:105-8 (2016)
K. G. Mideksa, A. Singh, N. Hoogenboom, H. Hellriegel, H. Krause, A. Schnitzler, G. Deuschl, J. Raethjen, G. Schmidt, M. Muthuraman
(Siehe online unter https://doi.org/10.1109/EMBC.2016.7590651) - Comparison of Reference Sensors for Noise Cancellation of Magnetoelectric Sensors, IEEE Sensors 2016, Orlando (2016)
J. Reermann, C. Bald, S. Salzer, P. Durdaut, A. Piorra, D. Meyners, E. Quandt, M. Höft, and Gerhard Schmidt
(Siehe online unter https://doi.org/10.1109/ICSENS.2016.7808758)
