{"id":14716,"date":"2019-07-31T14:18:45","date_gmt":"2019-07-31T12:18:45","guid":{"rendered":"https:\/\/www.cosinuss.com\/?p=14716"},"modified":"2020-08-17T10:15:06","modified_gmt":"2020-08-17T08:15:06","slug":"wie-spitzentechnologie-epilepsie-patienten-ein-besseres-leben-ermoeglicht","status":"publish","type":"post","link":"https:\/\/www.cosinuss.com\/de\/2019\/07\/31\/wie-spitzentechnologie-epilepsie-patienten-ein-besseres-leben-ermoeglicht\/","title":{"rendered":"Wie Spitzentechnologie Epilepsiepatienten ein besseres Leben erm\u00f6glicht"},"content":{"rendered":"

Nach Angaben der Weltgesundheitsorganisationen gibt es weltweit 50 Millionen Menschen mit Epilepsie. Die Krankheit betrifft alle Altersgruppen und Geschlechter. Durch St\u00f6rungen der Hirnsignale verursacht Epilepsie Krampfanf\u00e4lle von unterschiedlichem Ausma\u00df. Viele Menschen mit Epilepsie k\u00f6nnen weitestgehend normal leben und die gleichen Aktivit\u00e4ten wie andere aus\u00fcben. Einige Epileptiker mit h\u00e4ufigen Anf\u00e4llen k\u00f6nnen jedoch auch stark eingeschr\u00e4nkt sein.<\/p>\n

Eine Anfallsdetektion kann entscheidend dazu beitragen, dass Menschen mit Epilepsie ihr Belastungslevel konstant halten und ihre Medikamente und Behandlungen optimal auf sich einstellen k\u00f6nnen. Am h\u00e4ufigsten wird daf\u00fcr aktuell eine EEG (Elektroenzephalographie) verwendet. Damit k\u00f6nnen die Gehirnstr\u00f6me einer Person gemessen und \u00fcberwacht und Anf\u00e4lle vorhergesagt werden. Die Einschr\u00e4nkung besteht allerdings darin, dass diese Art der \u00dcberwachung nur station\u00e4r 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 Anf\u00e4lle registriert wurden.<\/p>\n

Wie Cosinuss\u00b0 dabei helfen kann?<\/h2>\n

Cosinuss\u00b0 entwickelt In-Ear-Sensoren<\/a>, die in der Lage sind, wichtige Daten wie Herzfrequenz und Temperatur und auch Bewegungen, mit hoher Pr\u00e4zision zu messen. Mit der gleichen Technologie hat Cosinuss\u00b0 zusammen mit dem Fraunhofer-Institut ein Projekt durchgef\u00fchrt, das darauf abzielt, mithilfe dieser Daten das Auftreten eines epileptischen Anfalls zu erkennen. F\u00fcr das Monitoring wird dazu lediglich einen kleiner Sensor im Ohr ben\u00f6tigt. So k\u00f6nnen Patienten im Alltag ihre Anf\u00e4lle \u00fcberwachen und werden dabei nicht eingeschr\u00e4nkt. Die Bereitstellung dieser \u00dcberwachungsm\u00f6glichkeit erm\u00f6glicht es Menschen mit Epilepsie, ohne Beeintr\u00e4chtigungen am normalen Leben teilzunehmen.<\/p>\n

In einer Welt, in der Sensoren l\u00e4ngst \u00fcberall Einzug gefunden haben, wird \u201eMachine Learning\u201c zum entscheidendsten Tool, um die Vorteile einer umfangreichen Database erfolgreich zu nutzen. Die beiden Spitzentechnologien von cosinuss\u00b0 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 Anf\u00e4lle zu klassifizieren. Er lernt aus den vorliegenden Daten, um ein Modell zu erstellen, das die Anf\u00e4lle automatisch erkennen kann.<\/p>\n

Wie k\u00f6nnen wir einer Maschine beibringen, die Detektion selbst auszuf\u00fchren?<\/h2>\n

Hier ist die Erkl\u00e4rung: Vom Sensor werden alle Daten gespeichert, die im Datenbankserver generiert werden k\u00f6nnen. Diese Daten werden dann zweigeteilt verarbeitet. Der erste Teil wird zum Lernmaterial f\u00fcr das Programm, um mehr Wissen zu generieren. Es findet ein intelligentes Datenprocessing statt und Berechnungen werden durchgef\u00fchrt, 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 grunds\u00e4tzlich richtig erfasst wurde.<\/p>\n

 <\/p>\n

\"Creation<\/p>\n

In unserem derzeitigen Forschungsansatz etablieren wir das System mit Hilfe verschiedener Techniken des Machine Learnings: Unterst\u00fctzung 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 f\u00fcr Verbesserungen im laufenden Projekt l\u00e4sst<\/p>\n

Literatur:<\/strong><\/p>\n

[1] Hoppe, C., Poepel, A., & Elger, C. E. (2007). Accuracy of patient seizure counts.<\/p>\n

Share this post! \/ Teile diesen Beitrag!<\/div>