Christian WaltherMultikriteriell evolutionär optimierte Anpassung von unscharfen Modellen zur Klassifikation und Vorhersage auf der Basis hirnelektrischer Narkose-Potentiale | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
ISBN: | 978-3-8440-1245-3 | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Series: | Medizinischen Informatik und Bioinformatik | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Keywords: | Evolutionärer Algorithmus; Fuzzy Logik; Narkose; Elektroenzephalogramm; multikriteriell; Regelwerke; Klassifikation; Optimierung | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Type of publication: | Thesis | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Language: | German | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Pages: | 198 pages | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Figures: | 59 figures | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Weight: | 293 g | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Format: | 21 x 14,8 cm | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Binding: | Paperback | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Price: | 48,80 € / 61,00 SFr | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Published: | September 2012 | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Buy: | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Download: | Available PDF-Files for this title: You need the Adobe Reader, to open the files. Here you get help and information, for the download. These files are not printable.
User settings for registered users You can change your address here or download your paid documents again.
| |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Recommendation: | You want to recommend this title? | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Review copy: | Here you can order a review copy. | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Link: | You want to link this page? Click here. | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Export citations: |
|
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Abstract: | Diese Arbeit behandelt die Modellierung unscharfer Regelwerke, welche zur Klassifikation von Signalmustern eingesetzt werden. Zur Optimierung der Regelwerke werden multikriterielle Evolutionäre Algorithmen eingesetzt. Verschiedene Algorithmen wie der Non-dominated Sorting Algorithm II, der Strength Pareto Evolutionary Algorithm der Version 2 und der Indicator-Based Evolutionary Algorithm werden erprobt, validiert und zur Regelgenerierung genutzt. Die Optimierung wird durch eine Variation der Parameter der Zugehörigkeitsfunktionen der unscharfen Mengen, die innerhalb der Regeln verwendet werden, umgesetzt. Weiterhin kann die Regelstruktur über die Auswahl der unscharfen Operatoren und die Verwendung der linguistischen Terme beeinflusst werden. Die generierten Regelwerke können anschließend über einen Genetischen Algorithmus zu einer Population zusammengefasst werden, um über eine Konsensentscheidung die Klassifikationsgenauigkeit zu erhöhen. Weiterhin wurde eine kontextbasierte Vorhersagemethodik für das Klassifikationsproblem erarbeitet. Die multikriteriell optimierten Regelwerke werden in einem Anwendungsfall eingesetzt. Dazu werden frontal und einkanalig aufgezeichnete hirnelektrische Narkosepotentiale bezüglich ihrer Signalstruktur klassifiziert und die Leistungsfähigkeit der Regelwerke validiert. Die automatische Generierung von Narkoseprofilen wird ermöglicht. Dabei ist hervorzuheben, dass ausschließlich das einkanalig erfasste Elektroenzephalogramm zur Klassifikation verwendet wird. Es werden keine weiteren vitalen Parameter oder Angaben über den Patienten berücksichtigt. Auch die verwendeten Anästhetika der Narkoseführung sind den unscharfen Regelwerken unbekannt. Somit wird ein hochdimensionales Klassifikationsproblem definiert. Der Algorithmus zur Generierung unscharfer Regelwerke wurde entsprechend der gegebenen Rahmenbedingungen dieses Anwendungsfalls erarbeitet. Die generierten Populationen unscharfer Regelwerke werden anhand unabhängiger elektroenzephalographischer Datensätze validiert. Dabei wird die Bewertung von intra- und inter-individuellen Daten betrachtet. Als Ergebnis wird festgestellt, dass die multikriteriell optimierten Populationen unscharfer Regelwerke sehr robust hirnelektrische Narkosepotentiale der Klassen Wach, Narkose und Asphyxie unterscheiden können. Zusätzliche patientenspezifische Daten, wie vitale Parameter oder verwendete Anästhetika, werden dabei nicht genutzt. In einem Ausblick wird der Einsatz der Regelwerke als hardware-nahe Implementierung angesprochen. |