Nach Angaben der Weltgesundheitsorganisationen gibt es weltweit 50 Millionen Menschen mit Epilepsie. Die Krankheit betrifft alle Altersgruppen und Geschlechter. Durch Störungen der Hirnsignale verursacht Epilepsie Krampfanfälle von unterschiedlichem Ausmaß. Viele Menschen mit Epilepsie können weitestgehend normal leben und die gleichen Aktivitäten wie andere ausüben. Einige Epileptiker mit häufigen Anfällen können jedoch auch stark eingeschränkt sein.
Eine Anfallsdetektion kann entscheidend dazu beitragen, dass Menschen mit Epilepsie ihr Belastungslevel konstant halten und ihre Medikamente und Behandlungen optimal auf sich einstellen können. Am häufigsten wird dafür aktuell eine EEG (Elektroenzephalographie) verwendet. Damit können die Gehirnströme einer Person gemessen und überwacht und Anfälle vorhergesagt werden. Die Einschränkung besteht allerdings darin, dass diese Art der Überwachung nur stationär im Krankenhaus vorgenommen werden kann. Ein anderer Ansatz ist, dass der Patient eigene Anfallsaufzeichnungen von Hand macht. Allerdings ist diese Methode der Anfallsdetektion nicht ausreichend effektiv, da laut einer Studie [1] so nur 44,5% der Anfälle registriert wurden.
Wie Cosinuss° dabei helfen kann?
Cosinuss° entwickelt In-Ear-Sensoren, die in der Lage sind, wichtige Daten wie Herzfrequenz und Temperatur und auch Bewegungen, mit hoher Präzision zu messen. Mit der gleichen Technologie hat Cosinuss° zusammen mit dem Fraunhofer-Institut ein Projekt durchgeführt, das darauf abzielt, mithilfe dieser Daten das Auftreten eines epileptischen Anfalls zu erkennen. Für das Monitoring wird dazu lediglich einen kleiner Sensor im Ohr benötigt. So können Patienten im Alltag ihre Anfälle überwachen und werden dabei nicht eingeschränkt. Die Bereitstellung dieser Überwachungsmöglichkeit ermöglicht es Menschen mit Epilepsie, ohne Beeinträchtigungen am normalen Leben teilzunehmen.
In einer Welt, in der Sensoren längst überall Einzug gefunden haben, wird „Machine Learning“ zum entscheidendsten Tool, um die Vorteile einer umfangreichen Database erfolgreich zu nutzen. Die beiden Spitzentechnologien von cosinuss° kommen in diesem Projekt zum Einsatz. Mehr als 20.000 Stunden Daten, die mithilfe der Sensoren von fast 200 Patienten gesammelt wurden, werden von einem Learning-Algorithmus ausgewertet, um die Anfälle zu klassifizieren. Er lernt aus den vorliegenden Daten, um ein Modell zu erstellen, das die Anfälle automatisch erkennen kann.
Wie können wir einer Maschine beibringen, die Detektion selbst auszuführen?
Hier ist die Erklärung: Vom Sensor werden alle Daten gespeichert, die im Datenbankserver generiert werden können. Diese Daten werden dann zweigeteilt verarbeitet. Der erste Teil wird zum Lernmaterial für das Programm, um mehr Wissen zu generieren. Es findet ein intelligentes Datenprocessing statt und Berechnungen werden durchgeführt, um mehr Insights zu erhalten. Aus diesem Prozess resultiert ein Berechnungsmodell. Der letzte Teil der Arbeit ist die Validierung des Modells mit dem zweiten Teil der Daten, um sicherzustellen, dass das Problem grundsätzlich richtig erfasst wurde.
In unserem derzeitigen Forschungsansatz etablieren wir das System mit Hilfe verschiedener Techniken des Machine Learnings: Unterstützung von Vektormaschine, Random Forest und Deep Learning. Derzeit, mit der begrenzten Stichprobe von Daten, hat das Projekt eine Genauigkeit von 40% erreicht, was noch Raum für Verbesserungen im laufenden Projekt lässt
Literatur:
[1] Hoppe, C., Poepel, A., & Elger, C. E. (2007). Accuracy of patient seizure counts.
