Die Anwendung künstlicher neuronaler Netze bei der Auswertung posturografischer Messungen

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

• 1 Nashner LM. Computerized Dynamic Posturography. In: Jacobsen GP, Newman CW, Kartush JM, Hrsg. Handbook of Balance Function Testing. St. Louis: Mosby; 1993: 309-323
• 2 Tianwu H, Watanabe Y, Asai M, Shimizu K, Takada S, Mizukoshi K. Effects of alcohol ingestion on vestibular function in postural control.  Acta Otolaryngol Suppl. 1995;  519 127-131
• 3 Asai M, Watanabe Y, Ohashi N, Mizukoshi K. Evaluation of vestibular function by dynamic posturography and other equilibrium examinations.  Acta Otolaryngol Suppl. 1993;  504 120-124
• 4 Collins JJ, De Luca CJ, Burrows A, Lipsitz LA. Age-related changes in open-loop and closed-loop postural control mechanisms.  Exp Brain Res. 1995;  104 480-492
• 5 Era P, Schroll M, Ytting H, Gause-Nilsson I, Heikkinen E, Steen B. Postural balance and its sensory-motor correlates in 75-year-old men and women: a cross-national comparative study.  J Gerontol A Biol Sci Med Sci. 1996;  51 53-63
• 6 Girardi M, Konrad HR, Amin M, Hughes LF. Predicting fall risks in an elderly population: computer dynamic posturography versus electronystagmography test results.  Laryngoscope. 2001;  111 1528-1532
• 7 Mitchell SL, Collins JJ, De Luca CJ, Burrows A, Lipsitz LA. Open-loop and closed-loop postural control mechanisms in Parkinson's disease: increased mediolateral activity during quiet standing.  Neurosci Lett. 1995;  197 133-136
• 8 Nieschalk M, Ortmann C, West A, Schmäl F, Stoll W, Fechner G. Effects of alcohol on body-sway patterns in human subjects.  Int J Legal Med. 1999;  112 253-260
• 9 Da Silva Schmidt PM, Giordani AM, Garcia Rossi A, Cóser PL. Balance assessment in alcoholic subjects.  Braz J Otorhinolaryngol. 2010;  76 148-155
• 10 Krajewski J, Batliner A, Golz M. Acoustic sleepiness detection: framework and validation of a speech-adapted pattern recognition approach.  Behav Res Methods. 2009;  41 795-804
• 11 Golz M, Sommer D, Holzbrecher-Morys M, Schnupp T, Krajewski J. Computational intelligence methods for recognition of spontaneous microsleep episodes in biosignals.  Somnologie. 2008;  12 7
• 12 Golz M, Sommer D, Trutschel U, Sirois B, Edwards D. Evaluation of fatigue monitoring technologies.  Somnologie 2010 DOI 10.1007/s11818-010-0482-9 (in press)
• 13 Krafczyk S, Tietze S, Swoboda W, Valkovic P, Brandt T. Artificial neural network: a new diagnostic posturographic tool for disorders of stance.  Clin Neurophysiol. 2006;  117 1692-1698
• 14 Juhola M, Laurikkala J, Viikki K, Kentala E, Pyykkö I. Classification of patients on the basis of otoneurological data by using Kohonen networks.  Acta Otolaryngol Suppl. 2001;  545 50-52
• 15 Kentala E, Pyykkö I, Auramo Y, Juhola M. Neural networks in neurotologic expert systems.  Acta Otolaryngol Suppl. 1997;  529 127-129
• 16 Ahmad S, Rohrbaugh JW, Anokhin AP, Sirevaag EJ, Goebel JA. Effects of lifetime ethanol consumption on postural control: a computerized dynamic posturography study.  J Vestib Res. 2002;  12 53-64
• 17 Hamann KF, Schmeißer KJ, Krausen C, Rusche G. Posturografische Studie an alkoholgewöhnten Versuchspersonen bei unterschiedlichen Blutalkoholkonzentrationen.  Laryng Rhinol Otol. 1984;  63 68-70
• 18 Percival DB, Walden AT. Spectral analysis for physical applications. Cambridge: Cambridge University Press; 1993
• 19 Pardey J, Roberts S, Tarassenko L. A review of parametric modelling techniques for EEG analysis.  Med Eng Phys. 1996;  18 2-11
• 20 Müller KR, Mika S, Rätsch G, Tsuda K, Schölkopf B. An introduction to Kernel-Based learning algorithms.  IEEE Transactions on Neural Networks. 2001;  12 181-201
• 21 Kohonen T. Improved Versions of Learning Vector Quantization.  Proc International Joint Conference on Neural Networks San Diego. 1990;  1 545-550
• 22 Cortes C, Vapnik V. Support Vector Networks.  Machine Learning. 1995;  20 273-297
• 23 Fritzke B. Growing cell structures – A self-organizing network for unsupervised and supervised learning.  Neural Networks. 1994;  7 1441-1460
• 24 Kohonen T. Self-organized formation of topologically correct feature maps.  Biol Cybernetics. 1982;  43 59-69
• 25 MacQueen J. On convergence of k-Means and partitions with minimum average variance.  Ann Math Statist. 1965;  36 1084
• 26 Woollacott MH. Effects of ethanol on postural adjustments in humans.  Exp Neurol. 1983;  80 55-68
• 27 Di Iorio A, Abate M, Pini B, Di Nicola I, Marinelli M, Guglielmi M, Battaglini C, Abate G. Effects of vascular risk factors on balance assessed by computerized posturography in the elderly.  Aging Clin Exp Res. 2009;  21 136-142
• 28 Schnupp T, Holzbrecher M, Golz M. Inter- and intra-subject variability in posturography.  Proc Ann Conf Biomed Techn, Aachen. 2007; 

Korrespondenzadresse