In dieser Dissertation werden biomedizinische Signalverarbeitungsverfahren auf Basis der Photoplethysmografie entwickelt und analysiert. Die entwickelten Methoden lösen Probleme der Herzratenschätzung bei körperlicher Betätigung und der Beobachtung der kardiovaskulären Gesundheit. Für die Schätzung der Herzrate während körperlicher Betätigung werden zwei verschiedene Methoden vorgestellt, die die momentane Herzrate am Handgelenk sehr genau schätzen können und gleichzeitig rechnerisch effizient in Wearables integriert werden könnten. Im Rahmen der Beobachtung der kardiovaskulären Gesundheit wird eine Methode für die Erkennung von Vorhofflimmern mit der Videokamera eines Smartphones vorgeschlagen, die eine hohe Erkennungsrate von Vorhofflimmern auf einem klinischen Vorstudien-Datensatz erzielt. Die weitere Beobachtung der kardiovaskulären Parameter beinhaltet die Schätzung von Blutdruck, Pulswellengeschwindigkeit und vaskulären Altersindex, für die ein Verfahren vorgestellt wird, das nur ein einziges photoplethysmografisches Signal benötigt.

Die Schätzung der Herzrate während einer körperlichen Betätigung mit Hilfe von photoplethysmografischen Signalen stellt einen wichtigen Forschungsschwerpunkt dieser Dissertation dar. In dieser Arbeit werden zwei effizient rechnende Algorithmen vorgestellt, die die Herzrate aus zwei photoplethysmografischen Signalen mit einem dreiachsigen Beschleunigungssensorsignal schätzen. Im ersten Algorithmus werden adaptive Filter benutzt, um die Artefakte zu schätzen, die durch die Bewegung verursacht wurden und die die Signalqualität stark beeinträchtigen. Hierzu wird der nichtstationäre Zusammenhang zwischen den gemessenen Beschleunigungen und den Artefakten als lineares System modelliert. Die Ausgänge der adaptiven Filter werden kombiniert, um die Signalqualität weiter zu verbessern. Die Herzrate wird im Spektralbereich so verfolgt, dass sie entlang der wahrscheinlichsten kontinuierlichen Linie mit hoher Energie verläuft. Der zweite Algorithmus weist eine geringe Berechnungskomplexität auf und ist im Vergleich zu anderen Ansätzen sehr schnell in der Ausführung. Er nutzt korrelationsbasierte Indikatorfunktionen und Kombinationen der Signalspektren, um das korrelierte Nutzsignal zu verbessern und unkorrelierte Störungen zu unterdrücken. Durch die zusätzliche Dämpfung harmonischer Rauschanteile werden die Auswirkungen starker Bewegungsartefakte auf die Herzratenschätzung reduziert. Das spektrale Schätzverfahren verwendet eine lineare Vorhersage mithilfe der Methode der kleinsten Quadrate. Beide Algorithmen sind sehr genügsam in der benötigten Rechenleistung. Insbesondere der zweite Algorithmus ist sehr schnell in seiner Ausführung, was an einem weitverbreiteten Vergleichsdatensatz gezeigt wird, an dem beide Algorithmen mit anderen aktuellen Methoden verglichen werden.

Der zweite Forschungsschwerpunkt und ein weiterer wichtiger Beitrag dieser Dissertation liegt in der Beobachtung der kardiovaskulären Gesundheit mittels eines einzelnen photoplethysmografischen Signals. Es werden zwei Methoden vorgestellt, von der die eine zur Erkennung von Vorhofflimmern und die andere zur Schätzung des Blutdrucks, der Pulswellengeschwindigkeit und des vaskulären Alters dient.

Die erste Methode ist in der Lage, Vorhofflimmern anhand eines Smartphones zu erkennen, das einen auf der Videokamera aufgelegten Finger filmt. Der Algorithmus wandelt das Video in ein photoplethysmografisches Signal um und extrahiert Signalmerkmale, die dann zur Unterscheidung zwischen Vorhofflimmern und einem normalen, regelmäßigen Herzschlag verwendet werden. Eine fehlerfreie Erkennung von Vorhofflimmern kann für einen klinischen Datensatz, der 326 Messungen (davon 20 mit Vorhofflimmern) enthält, bereits durch zwei Merkmale und anhand einer einfachen linearen Entscheidungsgleichung erreicht werden.

Die zweite Methode zielt darauf ab, kardiovaskuläre Parameter aus einem einzigen photoplethysmografischen Signal ohne die sonst übliche Verwendung eines zusätzlichen Elektrokardiogramms zu schätzen. Das vorgeschlagene Verfahren extrahiert eine große Anzahl von Merkmalen aus dem photoplethysmografischen Signal und seiner Differenzenreihe erster und zweiter Ordnung und rekonstruiert fehlende Merkmale durch Anwendung eines "Matrix Completion"-Ansatzes. Die Schätzung kardiovaskulärer Parameter basiert auf einer nichtlinearen Erweiterung der "Support Vector Regression" und wird mit einkanaligen photoplethysmografisch-basierten Schätzern, die lineare Regressionsmodelle nutzen, sowie einer auf der Pulsankunftszeit basierten Methode verglichen. Wenn der Trainingsdatensatz bereits die Person enthält, für die die kardiovaskulären Parameter bestimmt werden sollen, kann mit der vorgeschlagenen Methode eine akkurate Schätzung ohne weitere Kalibrierung erfolgen.

Alle vorgeschlagenen Algorithmen werden auf reale Daten angewendet, die wir entweder selbst in unserem biomedizinischen Labor erfasst haben, die von einem klinischen Forschungspartner erfasst wurden oder die als Benchmark-Datensatz frei verfügbar sind.