close

Anmelden

Neues Passwort anfordern?

Anmeldung mit OpenID

Eine Signalanalyse mit computergestützter Intelligenz

EinbettenHerunterladen
424
Hochschule Magdeburg-Stendal
Können Smartphones für Posturografie verwendet werden?
Eine Signalanalyse mit computergestützter Intelligenz
A. Schenka1, M. Strüning1, D. Sommer1, T. Schnupp1, L. Walther2, M. Golz1
2
1
Fakultät Informatik, FH Schmalkalden, Blechammer 4, 98574 Schmalkalden
HNO-Klinik, Univ.klinikum Heidelberg, Im Neuenheimer Feld,69120 Heidelberg
a.schenka@fh-sm.de
Abstract: Hochwertige und zugleich relativ preiswerte Geräte des IT-Massenmarktes,
wie beispielsweise Smartphones, finden zunehmend Anwendung auch in der Medizintechnik. Wir gehen der Frage nach, ob mit den internen Beschleunigungs- und Winkelgeschwindigkeitssensoren posturografische Messungen erfolgen können, die zur
quantitativen Einschätzung der Standstabilität von Patienten geeignet sind. An einer
Pilotstudie nahmen vier Personen teil, bei denen mit und ohne visuelle Rückkopplung
zehnmal wiederholt die Posturografie erfolgte. Das gemessene Stabilogramm eines Referenzsystem und die Smartphone-Sensorsignale wurden mit einer Prozesskette der computergestützten Intelligenz verarbeitet, um die Separabilität der beiden Bedingungen
(mit / ohne visuelle Rückkopplung) zu schätzen. Es zeigte sich, dass trotz prinzipieller
Unterschiede in der Erfassungsmethode mit Smartphone-Messungen die gleiche Separabilität wie beim Referenzsystem (mittlerer Fehler 16,5 %) erreichbar war. Zukünftige
Untersuchungen müssen zeigen, ob dieses Ergebnis verallgemeinerungswürdig ist.
1
Einleitung
In Neurologie- und HNO-Kliniken wird die Posturografie zur Einschätzung der Standstabilität von Patienten eingesetzt. Dabei wird die Verteilung der Fußkräfte erfasst, die zur
Regulierung des instabilen Gleichgewichts (inverser Pendel) aufgebracht werden müssen,
um den freien Stand zu stabilisieren. Meist wird vereinfachend die Position des Fußkraftschwerpunktes (center of pressure) errechnet und dessen medio-laterale wie auch antero-posteriore Koordinate über der Zeit visualisiert; das so erzeugte Stabilogramm dient
dem Mediziner zur visuellen Einschätzung. Oftmals werden auch einige Größen der deskriptiven Statistik verwendet, um eine gewisse quantitative Einschätzung zu ermöglichen. Allerdings ist deren Aussagewert sehr begrenzt, da die Zeitreihe eine stark irreguläre
Charakteristik mit fluktuativen Komponenten und, wie Collins und De-Luca zeigen konnten, einer nichtlinearen Dynamik unterliegt [CD95]. Wir konnten in früheren Arbeiten
zeigen, dass mit modellfreien, adaptiven Verfahren der Diskriminanzanalyse basierend
auf einfachen, universellen Spektralbereichsmerkmalen als auch auf problemspezifischen
Zeitbereichsmerkmalen eine hohe Genauigkeit für die Einschätzung der Standstabilität
von Schwindelpatienten [Wa05] sowie von Normalpersonen mit / ohne Alkoholeinfluss
[So05] und mit /ohne Müdigkeitseinfluss erreichen [Sc10]. Das Sturzrisiko von Senioren
allerdings wurde mit dieser Methodik nur mit mäßiger Genauigkeit erreicht [Sc13].
Tagungsband: 15. Nachwuchswissenschaftlerkonferenz ost- und mitteldeutscher Fachhochschulen
Mit den Winkelgeschwindigkeits- und Beschleunigungssensoren von Smartphones
lassen sich ebenfalls empfindlich die posturalen Schwankungen aufzeichnen. Allerdings wird nun nicht mehr die Verteilung der Fußkraft erfasst, sondern die Schwankungen selbst. Damit hat man keinen direkten Zugriff mehr auf die neuromuskuläre
Regulierungsdynamik und die zuvor erfolgte propriozeptive, visuelle und vestibuläre
Perzeption. Es besteht daher die Frage, inwieweit diese Signale trotz des grundsätzlich
anderen Entstehungsprozesses dennoch Rückschlüsse auf gravierende Einflüsse, wie
dem Ausschalten der visuellen Perzeption, zulassen.
Für diese Untersuchungen setzen wir eine Prozesskette der computergestützten Intelligenz ein, um mit automatisch lernfähigen Methoden an den gegebenen Daten zu
lernen und dabei eine möglichst hohe Adpativität und hohe Generalisierungsfähigkeit
zu erreichen.
2
Material und Methoden
Im Rahmen einer Pilotstudie wurde an vier Personen mit jeweils zehn, auf mehrere
Tage verteilte Wiederholungen die Posturographie vorgenommen. Als Referenzsystem
diente ein Wii-Balance-Board, ebenfalls ein Artikel des IT-Massenmarktes. Dessen Ebenbürdigkeit zu kommerziellen Posturographiesystemen wurde in früheren Untersuchungen nachgewiesen. Mit drei Smartphones wurde an drei Lokalisationen die posturale
Schwankung erfasst. Da der Proband in Romberg-Stellung (waagerecht ausgestreckte
Arme mit abduzierten Handflächen) den Versuch absolvieren musste, bot es sich an, ein
Smarthphone auf eine Handfläche zu legen. Das zweite Smartphone wurde mit Gürtel
seitlich an der Hüfte und das dritte mit elastischem Band an der Brust lokalisiert. Als
Einflussvariable (condition) wurde die visuelle Rückkopplung gewählt. Das heißt, dass
Messungen mit geöffneten und mit geschlossenen Augen durchgeführt wurden. Bei geschlossenen Augen sind in der Regel größere Schwankungsamplituden zu beobachten.
Abbildung 1: Signalsegmente eines Smartphones (links) und des Posturographie-Systems
(rechts)
425
426
Hochschule Magdeburg-Stendal
Da beide Sensoren in drei Raumachsen die Beschleunigung und die Winkelgeschwindigkeit erfassen, liegen insgesamt sechs Zeitreihen pro Messung vor (Abb. 1). Das Referenzsystem misst in herkömmlicher Weise den Fußkraftschwerpunkt, der nur mit zwei
Zeitreihen repräsentiert wird (Abb. 1).
Die Auswertung erfolgte für alle Geräte in gleicher Weise mit einer Prozesskette der
computergestützten Intelligenz. Diese enthält die Schritte Vorverarbeitung, Merkmalsextraktion, Klassifikation und Kreuzvalidierung. Im zweiten Schritt wurde mit der
Welch-Methode Spektrale Leistungsdichten geschätzt. Als Klassifikatoren kamen neuronale Netze vom Typ Lernende Vektorquantisierung und Support-Vektor-Maschinen
zum Einsatz. Alle Parameter der Prozesskette wurden empirisch optimiert, indem das
Minimum des Testfehlers im Rahmen von Kreuzvalidierungen mit wiederholter, zufälliger Stichprobenerzeugung gesucht wurde.
3
Ergebnisse
Die Generalisierungsfähigkeit für eine Klassifikation der beiden Versuchsbedingungen
(visuelle Rückkopplung ja/nein) wurde untersucht. Die Optimierung der Prozesskette
erbrachte, dass im Frequenzband von 0,14 bis 1,8 Hz die für den Klassifikationserfolg
wesentlichen Leistungsdichten liegen. Die optimale Anzahl von Neuronen lag bei 23;
größere Anzahlen verbesserten nicht mehr wesentlich den Klassifikationserfolg (Abb. 2).
Abbildung 2: Mittelwert und Standardabweichung des Klassifikationsfehlers für Test- und
Trainingsdaten über der Neuronenanzahl für Klassifikatoren vom Typ Lernende Vektorquantisierung.
Tagungsband: 15. Nachwuchswissenschaftlerkonferenz ost- und mitteldeutscher Fachhochschulen
Der wichtigste Parameter eines Neuronalen Netzes vom Typ Lernende Vektorquantisierung ist die Anzahl der Neuronen. Diese wurde soweit erhöht, bis sich die Generalisierungsfähigkeit nicht mehr verbessern ließ. Sie wurde geschätzt mit dem mittleren
Klassifikationsfehler für Testdaten. Abb. 2 zeigt, dass das Minimum von 22 % ab 25
Neuronen erreicht wurde und dass eine weitere Erhöhung der Neuronenzahl keine signifikanten Verbesserungen mehr erbringt. Abb. 2 zeigt zudem, dass die Adaptivität des
Neuronalen Netzes sehr hoch war, denn es konnten mittlere Klassifikationsfehler für
Trainingsdaten von unter 2 % erreicht werden.
Die besten Resultate wurden mit der Support-Vektor-Maschine erreicht. Für das
Posturografie-Referenzgerät (Wii balance board) wurden mittlere Klassifikationsfehler
an Testdatensätzen von 16,5 ± 3,8 % (N = 40) und für die Smartphone-Messungen auf
der Handfläche 16,5 ± 8,9 % (N = 40) erreicht (Abb. 2). Die beiden anderen Smartphone-Messungen lagen um 3,6 % bzw. 7,8 % schlechter.
4
Schlussfolgerungen
Die Messungen beider Gerätetypen sind aus biomechanischer Sicht verschieden, weil
der Fußkraftschwerpunkt sowohl von der Auslenkung des Masseschwerpunktes als auch
von den regulierenden Fußkräften abhängt. Die Smartphone-Messungen sind Elongationen eines inversen physikalischen Pendels, der mehr oder weniger als starr betrachtet
werden kann. Einen Rückschluss auf die Lage des Masseschwerpunktes kann mit beiden Methoden nicht sicher getroffen werden. Durch die Signalanalyse mit modellfreien
Methoden der computergestützten Intelligenz können dennoch vergleichbare Klassifikationsgenauigkeiten erreicht werden. Die höhere Standardabweichung bei den Smartphone-Messungen lässt sich unter anderem durch den größeren Einfluss von Störgrößen
erklären, wie bspw. Körperbewegungen, die nicht der Aufrechterhaltung des posturalen
Gleichgewichts dienen, bspw. Arm- und Kopfbewegungen. Die Resultate geben Anlass für
eine größere Pilotstudie, um die Gleichwertigkeit beider Messungstypen zu untermauern.
Literaturverzeichnis
[CD95] Collins, J. J., DeLuca, C.J.: Age-related changes in open-loop and closed-loop
postural control mechanisms. Exp. Brain Res., vol. 104(3), pp. 480-492, 1995
[Sc13] Schnupp, T., Schenka, A., Walther, L.E., Blödow, A., Golz, M.: Posturographic Assessment of In-creased Fall Risk. Biomed Tech (Berl). DOI: 10.1515/bmt-2013-4117, 2013
[Sc10] Schnupp, T., Schenka, A., Sommer, D., Golz M., Krajewski, J.: Using Postural
Control System Measures to Detect Hypovigilance. In: Spink et al (eds) Proc 7th
Int Conf Measur Behav, Eindhoven: 189-91, 2010
[So05]Sommer, D., Golz, M., Walther, L.E., Fey, A., Storch, H., Eurich, C.: Discrimination of Dizziness and Detection of Alcohol Consumption by Posturography.
HNO-Informationen 84: 140-1, 2005
[Wa10] Walther, L.E., Repik, I., Schnupp, T., Sommer, D., Hörmann, K., Golz, M.: Die
Anwendung künstlicher neuronaler Netze bei der Auswertung posturographischer Messungen. HNO Laryngo-Rhino-Otology 90 (7): 410-5, 2010
427
Autor
Document
Kategorie
Uncategorized
Seitenansichten
3
Dateigröße
201 KB
Tags
1/--Seiten
melden