INSTITUT FÃR INFORMATIK Entwurf und Implementierung - Ludwig ...
INSTITUT FÃR INFORMATIK Entwurf und Implementierung - Ludwig ...
INSTITUT FÃR INFORMATIK Entwurf und Implementierung - Ludwig ...
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
Kapitel 5 Auswertungen <strong>und</strong> Ergebnisse<br />
um nach Auslösung eines ersten Alarmes keine längere Wartezeit berücksichtigen<br />
zu müssen, als den Zeitraum, für welchen später der Anfall erwartet wird. Getestet<br />
wurde dies für eine Zeitdauer von 30 Minuten, <strong>und</strong> eine maximale Fehlerrate von<br />
0.15 Fehlalarmen pro St<strong>und</strong>e. Dargestellt sind die Resultate in Abbildung 5.4a), in<br />
der sie mit den einzelnen Ergebnissen des Phasensynchronisationsindex (PSI ) <strong>und</strong> des<br />
Dynamical Similarity Index (SIM ) verglichen sind. Bei etwa der Hälfte der Patienten<br />
konnte durch die Kombination bessere Sensitivitäten als mit den einzelnen Methoden<br />
erreicht werden, <strong>und</strong> für keinen Patienten wurden schlechtere Ergebnisse als bei diesen<br />
beobachtet.<br />
Besonders wichtig ist aber auch in dieser Untersuchung der Test auf die statistische<br />
Signikanz der Ergebnisse, bei der die Vorhersageleistung mit jener eines Prädiktors<br />
verglichen wird, der zufällig Alarme auslöst (siehe auch Abschnitt 2.4, [24]). Dabei<br />
muss berücksichtigt werden, dass im Zuge der Optimierungen der Vorhersagemethoden<br />
vielfach multipel getestet wird. So wurden z. B. aus sechs verschiedenen Werten<br />
für den Interventionszeitraum SPH von 10 min, 20 min, ..., 1 h für jeden Patienten<br />
der optimale Wert ausgewählt. Ferner wurde bei der Bestimmung eines besten Features<br />
des Phasensynchronisationsindexes aus 15 Features ausgewählt, beim Similarity<br />
Index aus sechs. Für die Kombination wurden von beiden Indices die jeweils besten<br />
Features verwendet, so dass insgesamt aus 21 Features ausgewählt wurde.<br />
Bei der Berechnung der Sensitivitäten, die vom Random Predictor erreicht werden<br />
können, wurde dies entsprechend Anhang A.3 berücksichtigt. Dabei ergaben sich, wie<br />
in Abbildung 5.4b) gezeigt, bei den einzelnen Methoden nur für die Patienten 1, 5 <strong>und</strong><br />
7 signikante Ergebnisse. Durch die kombinierte Vorhersagemethoden waren für fünf<br />
weitere Patienten Sensitivitäten zu beobachten, die über dem Sensitivitätsniveau des<br />
Random Predictor lagen. Während die einzelnen Methoden keine zufriedenstellende<br />
Vorhersagen erlauben, scheint die kombinierte Vorhersage ein vielversprechender<br />
neuer Ansatz zu sein.<br />
5.5 Lern- <strong>und</strong> Test-Ergebnisse<br />
Das Ziel der Vorhersage epileptischer Anfälle ist ein Vorhersagesystem, das individuell<br />
für einen Patienten optimiert wird, um im anschlieÿenden Betrieb aufgr<strong>und</strong><br />
fortlaufend gemessener EEG-Daten Vorhersagen zu treen. Hierbei müssen anhand<br />
der optimierten Parameter gute Vorhersageleistungen auch auf den im Folgenden<br />
erhobenen Daten erzielt werden. Dies ist im Rahmen der aktuellen Forschung lediglich<br />
in beschränkter Weise möglich, da im Vergleich zum langfristigen Betrieb nur<br />
relativ kurze, bereits gemessene EEG-Daten ausgewertet werden können. Anhand<br />
60