Tagungsband - DAGA 2024
Beitrag
Leistungsfähigkeit verschiedener neuronaler Netze und maschinellem Lernen für die Klassifizierung von EEG-Daten (no manuscript)
Zusammenfassung:
Daten, die mit Elektroenzephalographiemethoden (EEG) gewonnen werden, stellen aus vier Gründen große Herausforderungen an eine Auswertung: Sie verfügen über ein sehr geringes Signal-zu-Rausch-Verhältnis, sind störungsanfällig, sind immer nicht-stationär und weisen eine hohe interindividuelle Streuung auf. Methoden des maschinellen Lernens, z. B. das Deep Learning können dabei unterstützen, Signale zu identifizieren oder physiologischen bzw. psychoakustischen Variablen zuzuordnen.Im Beitrag wird gezeigt, wie maschinelles Lernen und neuronale Netze zur Unterstützung der Erkennung von Nutzsignalen angewandt werden können. In der klinischen Praxis werden aus EEG-Daten wichtige Informationen über das Hörvermögen, z. B. beim Neugeborenenscreening, oder für diagnostische Fragestellungen gewonnen. Um Einsatzmöglichkeiten der neuen Methoden zu testen, wurden verschiedene neuronale Netze und eine Support Vector Machine für die Erkennung von Lautheitsunterschieden aus evozierten Hirnstammpotentialen getestet. Geeignete Qualitätsmarker wie die Konfusionsmatrix oder eine Receiver Operator Characteristic wurden ausgewertet, um die Eigenschaften der einzelnen Netzwerke zu beurteilen. Die Daten wurden geeignet modifiziert, so dass verschiedene Umstände wie starke Artefakte oder hohes Rauschen erfasst werden konnten.Die Resultate stellen erste Schritte für eine Beurteilung von Methoden und Routinen der KI dar, Sie wird insbesondere notwendig, wenn in Zukunft solche Techniken in Medizinprodukten eingesetzt und deshalb zugelassen werden müssen.