Skip to main content Skip to main navigation

Stresserkennung mit KI: DFKI-Forscherin Nele Brügge mit Best Student Paper Award ausgezeichnet

| Gesundheit & Medizin | Data Management & Analysis | Image Recognition & Understanding | KI in der medizinischen Bild- und Signalverarbeitung | Lübeck

Stress kann sich negativ auf Gesundheit und Wohlbefinden auswirken. Um ihn zu messen, kommen in der Medizin häufig Sensoren zum Einsatz – doch diese können das Verhalten der Betroffenen beeinflussen. Die Lübecker DFKI-Forscherin Nele Brügge hat gemeinsam mit weiteren Forschenden eine KI entwickelt, die Stress allein anhand von Videodaten erkennt. Für ihren innovativen Ansatz wurde das Team nun mit dem Best Student Paper Award der International Conference on Health Informatics (HEALTHINF) ausgezeichnet.

© Ben Gierig
Nele Brügge präsentiert ihre Forschung auf dem All Hands Meeting der deutschen KI-Community im Oktober 2024 in Dresden.

Die Erkennung von Stress ermöglicht gezielte Maßnahmen, um gesundheitliche Risiken zu reduzieren. Herkömmliche Methoden basieren oft auf Sensoren, die Biomarker und Biosignale erfassen – diese können jedoch von den Betroffenen als störend empfunden werden und ihr Verhalten beeinflussen. Eine nicht-invasive Alternative bietet die videobasierte Analyse von Gesichtsmerkmalen.

Nele Brügge, Wissenschaftlerin am DFKI-Forschungsbereich KI in der medizinischen Bild- und Signalverarbeitung unter der Leitung von Prof. Dr. Heinz Handels, hat gemeinsam mit Forschenden der Universität zu Lübeck und der Foundation for Research and Technology Hellas (FORTH) einen innovativen, videobasierten Ansatz zur Stresserkennung entwickelt. Dieser nutzt Bag-Level Multiple Instance Learning, um subtile Gesichtsausdrücke und Verhaltensvariationen in stressreichen Situationen präzise zu analysieren. Dafür wird ein speziell entwickeltes temporales Feature-Netzwerk eingesetzt, das die zeitlichen Informationen aus den Videos nutzt, um stressbezogene Muster im Verhalten zu erkennen. Kombiniert mit einer optimierten Datenverarbeitung identifiziert es besonders relevante Sequenzen in den Aufnahmen und erzielt so eine hohe Genauigkeit. Der Ansatz erreicht eine Genauigkeit von 95,46 % und einen F1-Score von 95,49 % und übertrifft damit Methoden, die ohne Multiple Instance Learning oder ein angepasstes Feature-Netzwerk arbeiten.

Die Ergebnisse dieser Forschung hat das Team in dem Paper "Bag-Level Multiple Instance Learning for Acute Stress Detection from Video Data” veröffentlicht. Für seine herausragende wissenschaftliche Arbeit wurde es auf der International Conference on Health Informatics (HEALTHINF), die vom 20. bis 22. Februar 2022 in Porto (Portugal) stattfand, mit dem Best Student Paper Award ausgezeichnet.


Das ausgezeichnete Paper:

Brügge, N. S.; Korda, A.; Borgwardt, S.; Andreou, C.; Giannakakis, G. and Handels, H. (2025). Bag-Level Multiple Instance Learning for Acute Stress Detection from Video Data.  In Proceedings of the 18th International Joint Conference on Biomedical Engineering Systems and Technologies - Volume 2: HEALTHINF, ISBN 978-989-758-731-3, ISSN 2184-4305, pages 285-296.  DOI: 10.5220/0013364900003911 
Link: www.scitepress.org/publishedPapers/2025/133649/pdf/index.html

 

Pressekontakt:

Communications & Media DFKI Bremen/Lübeck