Neural System
Lösungen · Gesundheitswesen

Sicherheitsprotokolle für Patienten und Personal

Händehygiene, PSA im Krankenhaus, Patientenstürze und Umlagerung von Patienten, kontinuierlich und berührungslos überwacht.

Händehygiene

Prüft, ob das Händewaschen stattfindet und die Mindestdauer erreicht

Demo ansehen

Überwachung der Händehygiene an Waschbecken in Krankenhäusern, Küchen und Fabriken. Das System erkennt Beginn und Ende jeder Händewaschung, misst die Reibedauer und erstellt Konformitätsberichte pro Abteilung – zur Unterstützung von Patientensicherheitszielen und GMP.

So funktioniert es

  1. 1Der Waschbeckenbereich wird im Kamerabild markiert.
  2. 2Das Posenmodell findet die Handgelenke; Hände zusammen und in Bewegung im Bereich = Reiben.
  3. 3Die Dauer wird mit dem eingestellten Minimum verglichen (WHO: 40–60 s mit Wasser und Seife).
  4. 4Unzureichende Händewaschungen lösen eine Warnung aus und fließen in die Aufsichtsberichte ein.
YOLO11-PoseWaschbeckenbereichAnalyse der Reibebewegung

Vorteile

  • Kontinuierliche Messung der Compliance (heute per Stichprobenbeobachtung).
  • Weniger behandlungsassoziierte Infektionen.
  • Berichte nach Abteilung und Schicht für gezielte Schulungen.
bis zu 40 %
Weniger nosokomiale Infektionen
Tausende
Vermiedene Kosten pro Krankenhausinfektion
+30 Pkt.
Händehygiene-Compliance

Referenzen aus der Literatur zur Infektionsprävention; die Erkennung der vollständigen Technik (die 6 Schritte der WHO) kann mit einem eigenen Handmodell ergänzt werden.

Patientenstürze

Unterscheidet Stehen, Sitzen und Liegen am Boden, um Stürze ohne Fehlalarme zu melden

Demo ansehen

Schätzung der menschlichen Körperhaltung (17 Körperpunkte) für jede Person im Sichtfeld. Erkennt das System einen plötzlichen Wechsel vom Stehen zum Liegen – oder eine Person, die lange am Boden liegt –, alarmiert es sofort das Einsatzteam und verkürzt die Zeit bis zur Hilfe.

So funktioniert es

  1. 1Das Posenmodell findet Schultern, Hüften, Knie und Knöchel jeder Person; der Tracker verfolgt jede Person.
  2. 2Stehen: Beine gestreckt unter den Hüften (Knie über 140° und Füße deutlich unter den Hüften) – sich bücken, um etwas aufzuheben, zählt weiterhin als Stehen.
  3. 3Sitzen: aufrechter Oberkörper, Oberschenkel fast waagerecht und Füße unter den Hüften (Stuhl, Bank, Bettkante). Geneigter Oberkörper mit gestreckten Beinen = halb liegend (Bett, Sessel).
  4. 4Hocken/Knien: Knie stark gebeugt mit Hüften nah an den Fersen oder Körperhöhe deutlich niedriger als bei derselben Person im Stehen.
  5. 5Am Boden: waagerechter Oberkörper, ohne dass die Beine den Körper tragen, oder Füße über den Hüften. Auf dem Boden sitzend: Hüften auf Höhe der Füße.
  6. 6Die Messungen werden auf die Körpergröße der Person normiert, und die Haltung wird per Abstimmung über mehrere Bilder bestätigt, damit sie nicht flackert.
  7. 7Sturz: Eine stehend gesehene Person erreicht den Boden mit schnellem Absinken der Hüften. Eine bereits am Boden liegend gefundene Person löst nach einigen Sekunden eine Warnung aus.
  8. 8Eine Warnung mit Bild des Moments geht innerhalb von Sekunden raus; Sitzen, halb Liegen und Hocken lösen keinen Alarm aus.
YOLO11-PoseByteTrackBiomechanische Regeln

Vorteile

  • Drastisch kürzere Zeit zwischen Sturz und Hilfe („long lie“).
  • Videoaufzeichnungen für Ursachenanalyse und rechtliche Verteidigung.
  • Weniger visuelle Überwachungslast für das Pflegepersonal.
-80 %
Zeit bis zur Hilfe
Tausende
Durchschnittliche Mehrkosten pro Sturz mit Verletzung
bis zu 40 %
Weniger Stürze mit schweren Verletzungen

Referenzschätzungen aus der Literatur zur Patientensicherheit; die Leistung hängt von Kamerawinkel und Abdeckung ab.

Überwachung der Patientenlagerung

Verfolgt die Lage des Patienten und warnt, wenn eine Umlagerung fällig ist

Demo ansehen

Kontinuierliche Überwachung der Liegeposition bettlägeriger Patienten. Das System erkennt die Lage (Rücken-, rechte/linke Seiten-, Bauchlage), misst die Zeit in jeder Lage und alarmiert das Pflegepersonal, wenn das Umlagerungsintervall überschritten wird – zur Vorbeugung von Druckgeschwüren.

So funktioniert es

  1. 1Das Posenmodell findet Schultern, Hüften und Gesicht des Patienten im Bett.
  2. 2Schulterbreite, Sichtbarkeit des Gesichts und die sichtbare Gesichtsseite bestimmen die Lage.
  3. 3Ein Timer erfasst die Zeit in jeder Lage und die durchgeführten Wechsel.
  4. 4Berichte zeigen die Einhaltung des Umlagerungsprotokolls pro Bett und Schicht.
YOLO11-PoseKlassifizierung der LageUmlagerungstimer

Vorteile

  • Vorbeugung von Druckgeschwüren – ein vermeidbares unerwünschtes Ereignis.
  • Automatische Dokumentation der Lagewechsel (Audit und Akkreditierung).
  • Weniger Kontrollgänge für das Pflegepersonal.
bis zu 50 %
Weniger Druckgeschwüre
Tausende
Vermiedene Kosten pro schwerem Dekubitus
100 %
Nachvollziehbarkeit des Protokolls

Die Demo nutzt Zeitraffer (1 s Video = 1 min). Referenzen aus der Pflegeliteratur.

Schmuck in PflegebereichenZero-shot

Arbeitsschutzvorschriften – Pflegepersonal ohne Ringe, Uhren und Armbänder

Demo ansehen

Automatische Prüfung auf Schmuck – Ringe, Eheringe, Uhren, Armbänder, Ketten und Ohrringe – in Umgebungen, in denen er wegen biologischer Gefährdung, Produktkontamination oder mechanischer Sicherheit verboten ist. Der Detektor arbeitet mit offenem Vokabular: Neue Klassen lassen sich per Text ergänzen, ohne neues Training.

So funktioniert es

  1. 1Der YOLO-World-Detektor erhält die Liste der Schmuckstücke in natürlicher Sprache.
  2. 2Jedes Schmuckstück wird der Person zugeordnet, die es trägt.
  3. 3Ein Verstoß löst eine Warnung mit dem Bildausschnitt als Nachweis aus.
YOLO-World (offenes Vokabular)OpenCV

Vorteile

  • Nachprüfbare Einhaltung von Arbeitsschutzvorschriften und GMP.
  • Weniger Kreuzkontamination und Produktrückrufe.
  • Vorbeugung von Verletzungen durch Erfassen und Ringabrisse.
> 90 %
Konformität bei Audits
-60 %
GMP-Abweichungen

Die Funktion läuft im Zero-Shot-Modus (ohne spezielles Training): Die Genauigkeit steigt deutlich mit Kameras aus kurzer Distanz (z. B. Hygieneschleuse) und künftigem Fine-Tuning.

PSA im Krankenhaus

Kittel/Overall, Maske, Handschuhe, Schutzbrille und Gesichtsschild in Pflegebereichen

Demo ansehen

Von Neural trainiertes Computer-Vision-Modell, das bei jeder beschäftigten Person das Vorhandensein oder Fehlen persönlicher Schutzausrüstung erkennt – Overalls, Handschuhe, Schutzbrillen, Masken und Gesichtsschilde – mit den bereits installierten Kameras. Jeder Verstoß löst eine Warnung mit Fotonachweis aus und fließt in Sicherheitskennzahlen nach Bereich, Schicht und Team ein.

So funktioniert es

  1. 1Die Kameras (RTSP/IP) senden Bilder an den Inferenzserver vor Ort oder in der Cloud.
  2. 2Das YOLO-Modell erkennt Personen und jedes PSA-Teil (oder dessen Fehlen) in Millisekunden.
  3. 3Ein Tracker ordnet die Erkennungen jeder Person zu, um doppelte Warnungen zu vermeiden.
  4. 4Bereichsregeln legen fest, welche PSA Pflicht ist (z. B. Helm und Weste auf der Baustelle).
  5. 5Warnungen mit Foto gehen an die Sicherheitsfachkraft (Dashboard, E-Mail, WhatsApp, Webhook).
YOLOv8 PSA (Bau)YOLOv5 Neural (Gesundheitswesen)YOLO11 + ByteTrack (Personen)

Vorteile

  • Kontinuierliche Überwachung rund um die Uhr, ohne auf Rundgänge angewiesen zu sein.
  • Fotonachweis jedes Vorfalls für Schulungen und Audits (Arbeitsschutzvorschriften, ISO 45001).
  • Konformitätskennzahlen nach Bereich, Schicht und Team für gezielte Prävention.
  • Weniger Unfälle, Ausfalltage und arbeitsrechtliche Risiken.
  • Nutzt die vorhandene Kamerainfrastruktur (CCTV).
bis zu 60 %
Weniger Unfälle mit Ausfallzeit
Zehntausende
Durchschnittlich vermiedene Kosten pro schwerem Unfall
2 bis 4 h/Tag
Freigewordene Zeit für Sicherheitsrundgänge
> 95 %
Konformität nach 90 Tagen

Referenzschätzungen auf Basis von Marktindikatoren (amtliche Unfallstatistiken und Studien zur Arbeitssicherheit); die tatsächlichen Ergebnisse hängen von Unternehmensgröße, aktueller Unfallrate und Umsetzungsgrad ab.

Stimmung und Unbehagen von Patienten

Erkennt Gesichtsausdrücke – Freude, Traurigkeit, Wut, Überraschung und mehr

Demo ansehen

KI-Modell, das darauf trainiert ist, Gesichtsausdrücke zu erkennen, die mit Emotionen verbunden sind – Freude, Traurigkeit, Angst, Ekel, Überraschung, Wut, Verachtung und neutral. Es misst in Echtzeit, wie Kunden, Lernende und Publikum auf Produkte, Service, Unterricht, Schaufenster und Präsentationen reagieren.

So funktioniert es

  1. 1Der YuNet-Detektor findet die Gesichter in jedem Bild.
  2. 2Das HSEmotion-Modell (trainiert mit dem AffectNet-Datensatz) klassifiziert 8 Emotionen mit Wahrscheinlichkeiten.
  3. 3Die Messwerte werden pro Person über die Zeit geglättet, um Schwankungen zu vermeiden.
  4. 4Ein Zufriedenheitsindex (Valenz) fasst die Stimmung des Publikums Minute für Minute zusammen.
YuNet (OpenCV)HSEmotion (AffectNet)Gesichts-TrackingYOLO11-pose

Vorteile

  • Objektives emotionales Feedback ohne Fragebögen.
  • Zeigt, welche Momente und Produkte am meisten begeistern (oder frustrieren).
  • Ergänzt NPS und Umfragen um kontinuierliche, anonyme Daten.
+10–20 %
Wirksamkeit von Kampagnen
-50 %
Kosten für Pretests
Echtzeit
Erkennung von Unzufriedenheit im Service

Gesichtsausdrücke zeigen sichtbare Emotionen, keine inneren Zustände. Anonyme, aggregierte Nutzung im Einklang mit den geltenden Datenschutzgesetzen.

Alle Branchen

Haben Sie einen Anwendungsfall im Kopf? Senden Sie ein Video und erhalten Sie eine kostenlose Analyse.

Senden Sie uns einen Videoausschnitt aus Ihrem Betrieb: Wir verarbeiten ihn mit unserer KI und schicken Ihnen das Ergebnis mit Erkennungen, Warnmeldungen und Kennzahlen – unverbindlich.