Grundlagen Künstliche Neuronale Netze vom Typ KFM (Kohonen Feature Map) können Typen, Häufigkeiten und Verteilungen von Mustern lernen sowie, in der von uns entwickelten dynamischen Variante DyCoN (Dynamically Controlled Network), ihre zeitabhängigen Veränderungsprozesse erkennen. Das einzelne Muster kann dabei eine statische Struktur von Item-Werten sein (z.B. bei der Diagnose von Zuständen) oder eine Zeitreihe von Item-Werten (z.B. bei Prozessen aus den Bereichen Strategie, Motorik oder Rehabilitation). Als Items können wegen des im KFM verwendeten Ähnlichkeitskonzeptes primär numerisch-skalare Attribute verwendet werden; andere Attribute sind nach geeigneten Transformationen verwendbar. Ein KFM verfügt über sog. Neuronen, die mit Information trainiert werden und dabei Cluster ähnlicher Information bilden können. Die weiterführende Idee von DyCoN ist, dass jedes einzelne Neuron individuell und zeitlich unbegrenzt lernen und Information bereitstellen kann. Zu Beginn seiner Nutzung muss ein Netz zunächst mit den typischen Mustern eines Einsatzbereiches trainiert und geprägt werden. Nach Abschluss dieser initialen Lernphase ist das Netz in der Lage, aktuelle neue Falldaten zu identifizieren, d.h. den gelernten Mustern oder Trends zuzuordnen. Darüber hinaus hat DyCoN die Fähigkeit, kontinuierlich weiterzulernen, so dass neue, während der initialen Lernphase noch unbekannte Informationen die bereits gelernten Muster und Trends fortlaufend ergänzen und aktualisieren können. Anwendungsbeispiele Bei der Analyse von Prozessen im Sport, z.B. biomechanische Prozesse im Fall von Bewegungen und strategische Prozesse im Fall von Spielverhalten, besteht häufig das Problem sehr vieler und zum Teil hochpräziser Daten. Hier hilft der Netzansatz, aus einer unüberschaubaren Menge komplexer Daten die relevante Information herauszufiltern und dem Beurteilungs- und Entscheidungsprozess zugänglich zu machen. Insbesondere können so u.a. auch die z.T. subtilen Differenzen motorischer Muster in inter- und intraindividuellen vergleichenden Analysen verdeutlicht werden. Auf diese Weise gelingt es, Bewegungsmuster oder Verhaltensmuster zu erkennen, ihre Wirksamkeit besser einzuschätzen und die so erhaltene Information optimierend in das Training zurückzuführen. Eine systematische oder gar statistische Analyse von medizinischen Prozessen scheitert häufig an einer schlecht konditionierten Datensituation. So steht z.B. im Reha-Bereich sehr oft eine große Anzahl von Befindlichkeits-Attributen des Patienten pro Erfassungszeitpunkt (z.B. 10 bis 30 Attribute pro Woche) einer kleinen Zahl von Erfassungszeitpunkten (z.B. 5 bis 10 Wochen) gegenüber. Die spezielle Lerntechnik des DyCoN-Ansatz erlaubt es, das eklatante Defizit an Originaldaten auszugleichen. Das trainierte Netz ermöglicht durch eine zeitabhängige Einordnung der Einzeldaten die Beurteilung einer Reha-Maßnahme in ihrem zeitlichen Verlauf und die rechtzeitige Erkennung sich entwickelnder kritischer Situationen.
© Copyright 2005 Forschungs-Symposium Sonification FSS 2005. All rights reserved.