Zusammenfassung
Hintergrund: Posturografische Verfahren werden für die Beurteilung der Gleichgewichtsfunktion
in der klinischen Praxis häufig eingesetzt. Statistische Verfahren spielen bei der
Bewertung der Ergebnisse eine bedeutende Rolle. Neben der konventionellen Statistik
können künstliche neuronale Netze zur Klassifikation der Ergebnisse beitragen. Ziel
dieser Studie war es, bei gesunden und artifiziell durch Alkohol gleichgewichtsgestörten
Probanden mit unter-schiedlichen statistischen neuroinformatischen Methoden eine Klassifikation
vorzunehmen.
Patienten und Methoden: Bei 51 freiwilligen Personen wurde die Standstabilität vor bzw. 40 min nach Alkoholaufnahme
(0,4–0,6‰) erfasst. Aus den Zeitreihen wurden mit 4 verschiedenen Methoden eine Frequenzanalyse
(0–25 Hz) durchgeführt. 11 verschiedene Methoden künstlicher neuronaler Netze wurden
eingesetzt und auf Ihre Eignung für die Analyse der posturografischen Zeitreihen evaluiert.
Bei 7 Patienten mit einem akuten isolierten Vestibularisausfall wurde die Klassifikationsregel
der neuronalen Netze praktisch überprüft.
Ergebnisse: Die statistische Bewertung unter Anwendung künstlicher neuronaler Netze zeigte, dass
mit lernfähigen statistischen Methoden eine exakte Trennung der 2 Gruppen in gleichgewichtsgesunde
und artifiziell gleichgewichtsgestörte Probanden sowie Patienten mit einer vestibulären
Störung möglich ist. Die besten Klassifikationsleistungen wurde durch die Methoden
„Lernende Vektor-Quantisierung” und „Support-Vektor Maschine” erbracht (mittlerer
Klassifikationsfehler von 4,2±2,2).
Schlussfolgerungen: Die Analyse neurootologischer Daten durch künstliche neuronale Netze ist eine moderne
statistische Methode, die für die Erkennung geringfügiger Einflüsse auf das posturale
System geeignet ist. Sie kann für die Klassifikation neurootologischer Daten bei verschiedenen
Zuständen des posturalen Systems eingesetzt werden.
Abstract
The Use of Artificial Neural Networks in Evaluation of Posturographic Data
Background: Posturography methods have been applied in clinical neurootology to evaluate the
equilibrium function of patients. Methods of statistical analysis play an important
role for improving data processing and to support the interpretation of the results.
In contrast to conventional statistics, artificial neural networks are model-free
and non-parametric. The aim of the presented study was to investigate how accurately
these methods are able to discriminate between healthy and equilibrium-disturbed subjects.
Patients and Methods: 51 healthy volunteers participated in this study. 2 static posturography measurements
were recorded before and 40 min after alcohol intake (0.4‰–0.6‰). Recorded signals
were processed by 4 different methods in order to estimate power spectral densities
(0 Hz–25 Hz). 11 different methods of artificial neural networks were investigated.
The ability of artificial neural networks for classification was evaluated in patients
with an acute unilateral vestibular loss.
Results: It turned out that estimating power spectral densities by means of autoregressive
modelling and subsequent classification by Support-Vector Machine or by Learning Vector
Quantization Networks are most accurate. Validation analysis yielded mean classification
errors for the test set of 4.2±2.2%.
Conclusions: Analysis of neurootological data by artificial neural networks proved to be a sensitive
recognition method of even small changes of the postural system.
Schlüsselwörter
Gleichgewicht - Schwindel - Posturografie - künstliche neuronale Netze - Vestibularisausfall
Key words
vertigo - posturography - artificial neural networks
Literatur
Korrespondenzadresse
Leif.Walther@hno-praxissulzbach.de
