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
