Datenbestand vom 19. Februar 2024

Warenkorb Datenschutzhinweis Dissertationsdruck Dissertationsverlag Institutsreihen     Preisrechner

aktualisiert am 19. Februar 2024

ISBN 9783843950565

84,00 € inkl. MwSt, zzgl. Versand


978-3-8439-5056-5, Reihe Mikrosystemtechnik

Simon Heller
Energieeffiziente Hardwareimplementierung von Methoden des maschinellen Lernens zur Detektion epileptischer Anfälle

200 Seiten, Dissertation Albert-Ludwigs-Universität Freiburg im Breisgau (2022), Softcover, B5

Zusammenfassung / Abstract

Aufgrund ihrer Pharmakoresistenz gibt es derzeit für etwa 30 % der Epilepsiepatienten keine Behandlungsmöglichkeit, die eine Anfallsfreiheit ermöglicht. Eine neue, symptomatische Therapie könnte die Neurostimulation darstellen, die bereits erfolgreich zur Behandlung von Parkinson eingesetzt wird. Für ihre Anwendung in einem responsiven Stimulator ist eine kontinuierliche Überwachung und Klassifikation der neuronalen Aktivität erforderlich, um die Ausbreitung eines beginnenden Anfalls möglichst frühzeitig durch eine Stimulation zu unterbrechen. In jüngerer Zeit erweisen sich dafür vor allem Methoden aus dem Bereich des maschinellen Lernens als vielversprechend, da sie trotz der Komplexität und Variation der neuronalen Aktivität und der epilepsietypischen Potenziale eine zuverlässige Detektion ermöglichen.

Im Rahmen der vorliegenden Arbeit wird untersucht, ob und wie Methoden des maschinellen Lernens energieeffizient auf der Hardwareplattform eines Neurostimulators implementiert werden können, um zum einen epileptische Anfälle sicher zu erkennen und zum anderen einen mehrjährigen Betrieb sicher zu stellen. Aufgrund der Skalierbarkeit ihrer Modellgröße und der vergleichsweise einfachen Klassifikationsalgorithmen stellen Entscheidungswälder und Konvolutionsnetze aussichtsreiche Methoden für eine Hardwareimplementierung dar.

Mit einer Detektionsrate von 100 % und einer Detektionsverzögerung von 4 s zeigen beide Methoden beste Voraussetzungen, Anfälle zuverlässig und früh genug zu erkennen, um eine erfolgreiche Intervention zu gewährleisten. Durch seine im Vergleich zum Konvolutionsnetz geringere Falschdetektionsrate (4,6 vs. 34 Falschdetektionen pro Stunde) und geringere Leistungsaufnahme (56 μW vs. 868 μW), ist der Entscheidungswald der für den Einsatz in einem Implantat zu bevorzugende Klassifikator.