Stresslevel einer Einsatzkraft in Echtzeit messen und einschätzen
Durch unsachgemäße Reaktionen in gefährlichen Einsätzen verletzt sich jedes Jahr eine große Anzahl von Feuerwehrleuten. Extreme Hitze, schlechte Sicht durch Rauchentwicklung, Zeitdruck, sind nur ein Teil der externen Faktoren, unter denen sie reaktionsschnell agieren müssen. Der Stress, der in einer solchen Situation entsteht, beeinflusst die körperliche und mentale Reaktionsfähigkeit und kann zu einer potenziell schweren Beeinträchtigung der kognitiven Fähigkeiten führen.
Der Betroffene ist sich seiner eingeschränkten Urteilsfähigkeit jedoch oft nicht bewusst. Daher ist es von entscheidender Bedeutung, Feuerwehrpersonal über die potenzielle Gefahr in Bezug auf ihren aktuellen körperlichen und emotionalen Zustand genauer zu informieren. fortiss arbeitet an einer Möglichkeit, das Stresslevel einer Einsatzkraft der Feuerwehr in Echtzeit zu messen und einzuschätzen, um sie auf dieser Basis direkt im Einsatz bei ihren Entscheidungen zu unterstützen
In diesem Projekt untersucht fortiss den mentalen Stress (sowohl physischen und psychischen) und entwickelt benutzer-zentrierte Machine-Learning-Algorithmen zur Stressüberwachung. Sie dienen der verbesserten System-internen Repräsentation des Menschen und basieren auf Data-Mining sowie der Erfassung von kognitiven Eigenschaften. Untersucht werden u.a. generelle Indikatoren für Stress, wie Herzfrequenz, Gehirnaktivität, Muskelspannung, Hautfeuchtigkeit oder Cortisonausschuss. Berücksichtigt werden weiterhin individuelle Reaktionen auf Stress, die nicht nur von der aktuellen mentalen Belastbarkeit des Einzelnen abhängt, sondern auch von der Situation in der er sich während der Messung befindet. Das Daten-basierte System, das dabei entsteht, soll die Anforderungen und Bedürfnisse des Feuerwehrpersonals besser erfüllen.
fortiss entwickelt anhand unterschiedlicher Einsatzszenarien der Feuerwehr und den Erfahrungen aus solchen Einsätzen, neue personalisierte Stresserkennungsmodelle, um einen nachvollziehbaren Benutzer-Stresszustand zu liefern. Ziel des Projektes ist es, die Leistungsfähigkeit eines intelligenten lernenden Systems zu steigern.
16.12.2019 - 31.12.2023
