Home

Künstliche neuronale Netze in der Neurochirurgie - ttp

1. IN OUT Dateien Abh ng Anzahl Funktion Divisor Anzahl Funktion Divisor Vol_Nor 1 L sGosx 3 Linear 10 3 Linear 10 J 2 L sGosx 3 Logarith 3 Linear 10 3 L sGosx 3 Expo 3 Linear 10 4 L sGosx 3 Kehrw 3 Linear 10 5 L sGosx 3 TanH 3 Linear 10 6 L sGosx 3 Linear 10 3 Logarith J 7 L sGosx 3 Linear 10 3 Expo J 8 L sGosx 3 Linear 10 3 Kehrw J 9 L sGosx 3 Linear 10 3 TanH J 10 L sGosx 3 Logarith 3 Expo 11 L sGosx 3 Logarith 3 Kehrw 12 L sGosx 3 Logarith 3 Logarith 13 L sGosx 3 Logarith 3 TanH 14 L sGosx 3 Expo 3 Logarith 15 L sGosx 3 Expo 3 Expo 16 L sGosx 3 Expo 3 Kehrw 17 L sGosx 3 Expo 3 TanH 18 L sGosx 3 Kehrw 3 Logarith 19 L sGosx 3 Kehrw 3 Expo 20 L sGosx 3 Kehrw 3 Kehrw 21 L sGosx 3 Kehrw 3 TanH 22 L sGosx 3 TanH 3 Logarith 25 L sGosx 3 TanH 3 Expo 24 L sGosx 3 TanH 3 Kehrw 25 L sGosx 3 TanH 3 TanH 26 L s_xEP 3 Linear 10 3 Logarith J 27 L s_xEP 3 Linear 10 3 Expo J 28 L s_xEP 3 Linear 10 3 Kehrw J 29 L s_xEP 3 Linear 10 3 Linear 10 J 30 L s_xEP 3 Linear 10 3 TanH J 31 L s_xEP 3 Logarith 3 Logarith 32 L s_xEP 3 Logarith 3 Expo 33 L s_xEP 3 Logarith 3 Kehrw 34 L s_xEP 3 Logarith 3 Linear 10 35 L s_xEP 3 Logarith 3 TanH 36 L s_xEP 3 Expo 3 Logarith 37 L s_xEP 3 Expo 3 Expo 38 L s_xEP 3 Expo 3 Kehrw 39 L s_xEP 3 Expo 3 Linear 10 IN
2. 1 ICP mmHg Ja analog 2 pO mmHg Nein Paratrend 7 Ja manuell digital analog 3 pCO mmHg Nein Paratrend 7 Ja manuell digital analog 4 pH Nein Paratrend 7 Ja manuell digital analog 5 mmHg Ja digital analog 6 PtiCO mmHg Ja digital analog 7 5 digital analog 8 tilemp digital analog 9 Herzfrequenz min Ja digital analog 10 art Druck syst diast mmHg Ja digital analog 11 ven Druck mmHg Ja digital analog 12 TCD Syste cm sec Ja digital 13 TCD Diast cm sec Ja digital 14 TCD Mean cm sec Ja digital 15 TCD PI digital 16 TCD RI Ja digital 17 TCD Linnegrad Nein manuell 18 TCD Reaktiv Nein manuell 19 Resp Freq min Nein Ja manuell digital analog 20 Resp Nein Ja manuell digital analog 21 Resp Beatm Muster Nein manuell 22 Resp PEEP mmHg Nein Ja manuell digital analog 23 CCT Nein manuell 24 MRT Nein manuell 25 Median SEP li re Nein manuell 26 Tibial SEP li re Nein manuell 27 AEP re li Nein manuell 28 NIRS Nein Ja manuell digital analog 29 Microdialyse Lactat mg dl Nein manuell 30 Labor Hb Hkt mg dl Nein manuell Tabelle 8 1 Datenbeschreibung der Messwerte des MNM Die Zusammenh nge der einzelnen Messwerte lassen sich aus Abbildung 8 2 entnehmen D
3. strReplace Format Log nn lid i_faktor 0 00000 strReplace Format Log nn L sion Volumen max i faktor HHO 00000 strReplace Format Log pat aep o_faktor 0 00000 strReplace Format Log pat msep o_faktor 00000 strReplace Format Log pat tsep o_faktor 0 00000 Case Exponentiell sql Select Patient Neu from Patient Neu where PID amp nn PID Set pat db OpenRecordset sql Print fn strReplace Format Exp nn aid 0 00000 strReplace Format Exp nn lid 0 00000 strReplace Format Exp nn L sion Volumen max 0 00000 e pat aep 0 00000 strReplace Format Exp pat msep 0 00000 strReplace Format Exp pat tsep 0 00000 Case TangensH sql Select Patient Neu from Patient Neu where PID amp nn PID Set pat db OpenRecordset sql Print fn strReplace Format TanH nn aid 0 00000 strReplace Format TanH nn lid 0 00000 strReplace Format TanH nn L sion Volumen 0 00000 strReplace Format TanH pat aep 0 00000 strReplace Format TanH pat msep 4 0 00000 el strReplace Format TanH pat tsep 0 00000 Case Sinus
4. strReplace Format 1 Sqr nn lid i_faktor 0 00000 strReplace Format 1 Sqr nn L sion Volumen max i_faktor 0 00000 d Al sql Select Patient Neu from Patient Neu where PID amp nn PID Set pat db OpenRecordset sql G R hrig 111 T Schreiber K nstliche neuronale Netze in der Neurochirurgie Print fn strReplace Format 1 Sqr pat gose o_faktor 0 00000 strReplace Format 1 Sqr pat gos3m o_faktor 0 00000 strReplace Format 1 Sqr pat gos12m o_faktor 0 00000 End Select nn MoveNext Loop pat Close nn Close Close fn End Function Public Function Pat_ep_Pascal i As String o As String file As String faktor As String o_faktor As String In_fkt As String Out_fkt As String Function erzeugt Pattern File f r Turbo Pascal Konstante Datei input output units Formal 3xInput 3xOutput Anzahl der Input Variablen Jo Anzahl der Output Variablen file Zielverzeichnis amp Zieldatei i_faktor Konstante zur Funktionsbestimmung im Eingaberaum o_faktor Konstante zur Funktionsbestimmung im Ausgaberaum In_fkt Schl ssel der Input Funktion Out_fkt Schl ssel der Output Funktion Dim db As Database Dim nn As Recordset Dim dat As Recordset Dim pat As Recordset Dim sql datei max Set db CurrentDb Set nn db OpenRecordset L sionen Neu datei file
5. strReplace Format 1 Sqr pat msep o_faktor 0 00000 strReplace Format 1 Sqr pat tsep o_faktor 0 00000 wo G R hrig 113 T Schreiber K nstliche neuronale Netze in der Neurochirurgie End Select nn MoveNext Loop pat Close nn Close Close fn End Function Public Function Pat_ep_havbpett i As String o As String file As String i_faktor As String o_faktor As String In_fkt As String Out_fkt As String Function erzeugt Pattern File f r Havbpett Konstante Datei input output units Formal 3xInput 3xOutput Anzahl der Input Variablen Jo Anzahl der Output Variablen file Zielverzeichnis amp Zieldatei i_faktor Konstante zur Funktionsbestimmung im Eingaberaum o_faktor Konstante zur Funktionsbestimmung im Ausgaberaum In_fkt Schl ssel der Input Funktion Out_fkt Schl ssel der Output Funktion Dim db As Database Dim nn As Recordset Dim dat As Recordset Dim pat As Recordset Dim sql datei max Set db CurrentDb Set nn db OpenRecordset L sionen Neu datei file Dim fn As Integer fn FreeFile Open datei For Output As fn ffnen der Ausgabedatei Erzeugung der Kopfzeile f r HavbpNet Print fn DCount aid L sionen Neu 2 amp amp i amp amp o If Forms Pattern Normal True Then Volumennormaliiserung max Normalize Else max 1 End If nn MoveFirst G R hrig 114 T Schreiber K nstliche n
6. 0 00000 Case TangensH Print fn strReplace Format TanH nn gose 0 00000 strReplace Format TanH nn gos3m 0 00000 strReplace Format TanH nn gos12m 0 00000 Print fn strReplace Format TanH nn aep 0 00000 strReplace Format TanH nn msep 0 00000 strReplace Format TanH nn tsep 0 00000 Case Sinus Print fn strReplace Format Sin nn gose 0 00000 strReplace Format Sin nn gos3m 0 00000 strReplace Format Sin nn gos12m 0 00000 Print fn strReplace Format Sin nn aep 0 00000 strReplace Format Sin nn msep 0 00000 strReplace Format Sin nn tsep 0 00000 Case Wurzel Print fn strReplace Format 1 Sqr nn gose i_faktor 0 00000 strReplace Format 1 Sqr nn gos3m i_faktor 0 00000 strReplace Format 1 Sqr nn gos12m i_faktor 0 00000 Print Sin strReplace Format 1 Sqr nn aep o_faktor 0 00000 strReplace Format 1 Sqr nn msep o_faktor 0 00000 strReplace Format 1 Sqr nn tsep o_faktor 0 00000 End Select nn MoveNext Loop nn Close Close fn End Function Public Function gos_ep_SNNS i As String o As String file As String
7. 9 7 Die Datenbankstruktur von KNN 1 0 Nach dieser Transformation stehen der Analyse die 30 Patientendaten incl der konvertierten GOS Werte und der 320 L siondaten deren Reduzierung auf die Skalentransformation der Referenzen Lage und zur ckzuf hren ist zur Verf gung Die Struktur der Datenbank ist in Abbildung 9 5 dargestellt Es stehen zwei Datentabellen zur Verf gung Diese sind Patient und L sion wobei es sich hierbei um eine 1 n Verkn pfung handelt Die referentielle Integrit t wird im Bereich des Patienten durch den Prim rschl ssel PID und in der Tabelle L sion durch den Fremdschl ssel PID mit Prim rschl ssel L sionsID gew hrleistet Die beiden Referenztabellen Art und Lage komplettieren die relationale Datenbank durch den jeweiligen Index in Verbindung mit der L sionstabelle Bei diesen Verbindungen handelt es sich um eine 1 1 Beziehung die den Zugriff auf die reduzierte Lage und Art Entit t zul sst Entit ten e Patient PID GOSE GOS3M GOS12M AEP MSEP TSEP e L sion L sionsID PID LID AID VOL e Lage e Art LID Beschreibung AID Beschreibung Die Beschreibung der einzelnen Felder und deren Attribute kann man Tabelle 9 4 entnehmen Die Auspr gungen der einzelnen Messwerte und Skalen ergeben sich aus den in Tabelle 9 1 beschriebenen Wertebereichen Pos Attribut Beschreibung G R hrig 67 T Schreiber K nst
8. 5 act PATTERN Ee 0 gt Le YALID var LEARN UPDATE INIT Learning func BackpropBatch EN Explorer H NN SNNSVA 1 Datei Bearbeiten Ansicht Extras 7 Alle Ordner Inhalt von H SNNNNSNNSV4 1 a README GETSNNS GETSNNS Datei 01 12 95 00 00 a FEADME LICENSE LICENSE Datei 01 12 95 00 00 Readme x11 x11 Datei 07 06 97 04 15 E Snns bat Stapelverarbeitungs 28 11 97 14 37 Io GH Snnsv4 1 1 Objektfe markiert 67 Bytes Start E7 Microsoft Word scree Au Explorer H NNNSSNN ese diocalho snns manager snns control _ pattem 10 45 Abbildung 7 3 SNNS control panel W hlen einer Lernfunktion Die Grundeinstellung f r feedforward Netze ist die Std_Backpropagation Regel Durch Anklicken des Buttons f r Lernfunktionen erscheint ein fly out Men mit verschiedenen Lernfunktionen die gew hlt werden k nnen Nachdem verschiedene andere Lernfunktionen Momentum etc ebenfalls getestet wurden aber keine besseren Ergebnisse geliefert haben wird die Standardeinstellung f r die ausf hrlicheren Tests bernommen Trainieren des Netzes Sind alle Parameter gesetzt so kann damit begonnen werden das Netz zu trainieren Um das Training zu starten wird der ALL Button aktiviert das Netz durchl uft in der Lernphase di
9. Output Inputfunktion Outputfunktion Pattern Nummer Art des Netzes Varianz GOSE Logarithmisch Linear 2 Elman 0 00449 GOS3M Logarithmisch Linear 2 Elman 0 007076 GOS12M Logarithmisch Linear 2 Elman 0 007051 Tabelle 10 4 Beste SNNS Ergebnisse GOSy f L SION Tabellarische Aufstellung des ungeeignetsten Ergebnisses Output Inputfunktion Outputfunktion Pattern Nummer Art des Netzes Varianz GOSE Kehrwert Logarithmisch 18 FFW 32 5 0 175 G R hrig 74 T Schreiber K nstliche neuronale Netze in der Neurochirurgie GOS3M Logarithmisch Logarithmisch 12 FFW 32 5 0 267 GOS12M Logarithmisch Logarithmisch 12 FFW 32 5 0 268 Tabelle 10 5 Schlechteste SNNS Ergebnisse GOSy f L SION Abh ngigkeit yEP f L SION Als Eingangsdaten liegen die L sionsdaten zu Grunde Der erwartete Output soll die evozierten Potentiale liefern Output 1 AEP Output 2 MSEP Output 3 TSEP Zum Training standen 320 Datens tze zur Verf gung Tabellarische Aufstellung des besten Ergebnisses Output Inputfunktion Outputfunktion Pattern Nummer Art des Netzes Varianz AEP Exponentiell Tangens Hyp 40 FFW 32 5 0 001171 MSEP Tangens Hyp Tangens Hyp 50 FFW 32 5 0 006367 TSEP Logarithmisch Linear 34 FFW 32 5 0 008817 Tabelle 10 6 Beste SNNS Ergebnisse yEP f L SION Tabellarische
10. wes strReplace Format Exp EE 0 00000 strReplace Format Exp nn gos12m 0 00000 DW Case TangensH Print fn strReplace Format TanH nn aep 0 00000 strReplace Format TanH nn msep 0 00000 strReplace Format TanH nn tsep 0 00000 strReplace Format TanH nn gose 0 00000 strReplace Format TanH nn gos3m 0 00000 strReplace Format TanH nn gos12m 0 00000 Case Sinus Print fn strReplace Format Sin nn aep 0 00000 strReplace Format Sin nn msep 0 00000 i StReplaceForma Sin nnlisep 0 00000 strReplace Format Sin nn gose 0 00000 strReplace Format Sin nn gos3m 0 00000 strReplace Format Sin nn sos12m 0 00000 Case Wurzel Print fn strReplace Format 1 Sqr nn aep 1 faktor 0 00000 strReplace Format 1 Sqr nn msep i_faktor 0 00000 strReplace Format 1 Sqr nn tsep i_faktor 0 00000 strReplace Format 1 Sqr nn gose o_faktor 0 00000 strReplace Format 1 Sqr nn gos3m o_faktor 0 00000 strReplace Format 1 Sqr nn gos12m o_faktor 0 00000 End Select nn MoveNext Loop nn Close Close f
11. End Select Select Case Out_fkt G R hrig Selektion der Ausgabefunktion 124 T Schreiber K nstliche neuronale Netze in der Neurochirurgie Case linear Print fn strReplace Format nn aep o_faktor 0 00000 strReplace Format nn msep o faktor 0 00000 strReplace Format nn tsep o_faktor 0 00000 Case Kehrwert Print fn strReplace Format 1 nn aep o_faktor 0 00000 strReplace Format 1 nn msep o_faktor 0 00000 strReplace Format 1 nn tsep o_faktor 0 00000 Case Logarithmus Print fn strReplace Format Log nn aep o_faktor 0 00000 strReplace Format Log nn msep o_faktor 0 00000 strReplace Format Log nn tsep o_faktor 0 00000 Case Exponetiell Print fn strReplace Format Exp nn aep 0 00000 strReplace Format Exp nn msep 0 00000 strReplace Format Exp nn tsep 0 00000 Case TangensH Print fn strReplace Format TanH nn aep 0 00000 strReplace Format TanH nn msep 0 00000 strReplace Format TanH nn tsep 0 00000 Case Sinus Print fn strReplace Format Sin nn aep 0 00000 strReplace Format Sin nn msep 0 00000 strRepla
12. Abbildung 11 4 Graph zu GOS3M 12M f TEP mit kompletter Skala F r die Abh ngigkeit von GOS3M 12M zu ergibt sich der schlechteste Korrelationskoeffizient nach Pearson von 0 164 Abbildung 11 5 GOS3M 12M AEP y 0 2083x 3 0599 GOS3M 12M S eje e AEP Abbildung 11 5 Graph zu GOS3M 12M f AEP mit kompletter Skala G R hrig 83 T Schreiber K nstliche neuronale Netze in der Neurochirurgie Um weitere Aussagen bzgl der Abh ngigkeiten in diesem Bereich treffen zu k nnen wird ein Filter auf die referentiell hinterlegten Schl ssel f r Art und Lage gelegt Die einzelnen Korrelationskoeffizienten k nnen bzgl der kompletten sowie reduzierten Skala den Tabellen 11 1 bis 11 4 entnommen werden F r die Lage einer L sion stehen insgesamt sieben Auspr gungen zur Verf gung f r die Art einer L sion sind es vier Die besten Korrelationen werden besonders hervorgehoben Der maximale Korrelationskoeffizient liegt bei 0 926 f r den Zusammenhang zwischen GOS3M 12M TEP in der Lage Capsula interna Das Minimum der Korrelation befindet sich bei 0 000 f r die Abh ngigkeit von GOS3M 12M zu in der Lage Capsula interna Die Anzahl der vorhandenen Datens tze die nach Filtrierung der Analyse zur Verf gung stehen werden in der Spalte N dargestellt F r die Korrelation im Bereich der Art Diffuse hypoxic damage kann keine Analyse durchgef hrt werden d
13. Durch diese Konvertierung ist es m glich eine Eindeutigkeit innerhalb der Zuweisungen von Lage und Art zu den verschiedensten L sionstypen in Kombination mit den Lokalisationen innerhalb der Datenbank KNN zu definieren Aus den zuvor beschriebenen Daten des Klinikums und der f r diese Arbeit ben tigten Informationen ergibt sich die Konvertierungsproblematik die aus Tabelle 9 1 zu entnehmen ist Pos Tabelle Attribut Typ Wertebereich 1 Patient PID Z hler 1 30 2 Integer 2 5 3 GOS3M Integer 255 4 GOS12M Integer 2 5 Sk AEP Integer 1 4 6 MSEP Integer 1 4 7 TSEP Integer 1 4 8 L sion L sionsID Z hler 1 320 gt PID Integer 1 30 10 LID Integer 1 7 11 AID Integer 1 4 12 VOL Long Integer 0 189 Tabelle 9 1 Klassifikation der relevanten Daten Bei den als Z hler definierten Feldern handelt es sich um Indizes die fortlaufend erh ht werden um eine eindeutige Beziehung innerhalb der Datenbank gew hrleisten zu k nnen Die mit dem Typ Integer versehenen Felder entsprechen einer Skala nat rlicher Zahlen innerhalb des Wertebereichs wobei nach Definition der Wertebereich der Glasgow Outcome Werte auf ein Intervall der nat rlichen Zahlen von 1 3 zu beschr nken ist Dabei werden die Werte 1 2 1 3 2 und 4 5 3 zugewiesen G R hrig 63 T Schreiber K nstliche neuronale Netze in der Neurochirurgie Der able
14. K nstliche neuronale Netze in der Neurochirurgie If Me Funktion1 3 Or Me Funktion1 4 Or Me Funktionl 7 Or Me Funktion1 1 Then Melfaktor1 Visible True Else Melfaktor1 Visible False End If End Sub Private Sub Funktion2_AfterUpdate Sichtbarschalten bei Funktionen mit Transformationskonstanter If Me Funktion 2 3 Or Me Funktion 2 4 Or Me Funktion 2 7 Or Me Funktion2 1 Then Me Faktor2 Visible True Else Me Faktor2 Visible False End If End Sub Private Sub Funktion3_AfterUpdate Sichtbarschalten bei Funktionen mit Transformationskonstanter If Me Funktion3 3 Or Me Funktion3 4 Or Me Funktion3 7 Or Me Funktion3 1 Then Me Faktor3 Visible True Else Me Faktor3 Visible False End If End Sub Private Sub Funktiond_AfterUpdate Sichtbarschalten bei Funktionen mit Transformationskonstanter If Me Funktion4 3 Or Me Funktion4 4 Or Me Funktiond4 7 Or Me Funktiond 1 Then Me Faktor4 Visible True Else Me Faktor4 Visible False End If End Sub Private Sub Funktion5_AfterUpdate Sichtbarschalten bei Funktionen mit Transformationskonstanter If Me Funktion5 3 Or Me Funktion5 4 Or Me Funktion5 7 Or Me Funktion5 1 Then Me Faktor5 Visible True Else Me Faktor5 Visible False End If End Sub Private Sub Funktion6_AfterUpdate Sichtbarschalten bei Funktionen mit Transformationskonstanter If Me Funktion6 3 Or Me Funktion6 4 Or Me Funktion6 7 Or Me Funktion6 1 Then
15. Print fn strReplace Format Exp nn gose H 0 00000 strReplace Format Exp nn gos3m 0 00000 WE strReplace Format Exp nn gos12m 0 00000 G R hrig 118 T Schreiber K nstliche neuronale Netze in der Neurochirurgie Case TangensH Print fn strReplace Format TanH nn aep 0 00000 strReplace Format TanH nn msep 0 00000 strReplace Format TanH nn tsep 0 00000 Print fn strReplace Format TanH nn gose 0 00000 strReplace Format TanH nn gos3m 0 00000 strReplace Format TanH nn gos12m 0 00000 Case Sinus Print fn strReplace Format Sin nn aep 0 00000 strReplace Format Sin nn msep 0 00000 strReplace Format Sin nn tsep 0 00000 Print fn strReplace Format Sin nn gose 0 00000 strReplace Format Sin nn gos3m 0 00000 strReplace Format Sin nn gos12m 0 00000 Case Wurzel Print fn strReplace Format 1 Sqr nn aep i_faktor 0 00000 strReplace Format 1 Sqr nn msep i_faktor 0 00000 strReplace Format 1 Sqr nn tsep i_faktor 0 00000 Print fn strReplace Format 1 Sqr nn gose o_faktor 0 00000 strReplace Format 1 Sq
16. 0 00000 Case Kehrwert Print fn strReplace Format 1 nn aid i_faktor 0 00000 strReplace Format 1 1 0 00000 strReplace Format 1 nn L sion Volumen max 1 0 00000 sql Select Patient Neu from Patient Neu where PID amp nn PID Set pat db OpenRecordset sql Print fn strReplace Format 1 pat gose o_faktor 0 00000 strReplace Format 1 pat gos3m o_faktor 0 00000 e t strReplace Format 1 pat gos12m o_faktor 0 00000 Case Logarithmus Print fn strReplace Format Log nn aid i_faktor 0 00000 strReplace Format Log nn lid i_faktor 0 00000 strReplace Format Log nn L sion Volumen max i _ faktor HHO 00000 sql Select Patient Neu from Patient Neu where PID amp nn PID Set pat db OpenRecordset sql Print fn strReplace Format Log pat gose o_faktor 0 00000 strReplace Format Log pat gos3m o_faktor 0 00000 strReplace Format Log pat gos12m o_faktor 0 00000 ee Case Exponentiell Print fn strReplace Format Exp nn aid 0 00000 strReplace Format Exp nn lid 0 00000 strReplace Format Exp nn L sion Volumen max 0 00000 d sql
17. 0 043 AID 0 046LID 0 005VOL 1 683 G R hrig 89 T Schreiber K nstliche neuronale Netze in der Neurochirurgie 11 4 Zusammenfassung e Einfache lineare Korrelationsanalyse In dieser Analyse hat sich gezeigt dass die Abh ngigkeiten der Glasgow Outcome Scores von den evozierten Potentialen des Medianus und bas wesentlich gr er sind als die Zuordnung zum akustischen evozierten Potential Auch die Abh ngigkeiten der evozierten Potentiale untereinander liefert im akustischen Bereich den schlechtesten Koeffizienten nach Pearson Durch einen vorgeschalteten Filter auf die Auspr gungen der Art und Lage einer L sion ist es m glich den Korrelationskoeffizienten auf einen Wert von 0 926 zu erh hen e Zweifache lineare Korrelationsanalyse Die Korrelationskoeffizienten zwischen den Glasgow Outcome Scores und zwei der drei m glichen evozierten Potentiale liegen innerhalb der kompletten Skala durchgehend bei ber 0 70 Dieser Wert wird durch Reduzierung des Wertebereichs auf gt 0 55 gesenkt Ein Problem stellen innerhalb dieser Analyse die identischen Werte nach 3 bzw 12 Monaten des Glasgow Scores dar da durch diese Identit t die Zuweisungsm glichkeiten auf 2 Funktionen je Abh ngigkeit dezimiert werden e Multiple lineare Korrelationsanalyse Diese Auswertung erbringt in den Verkettungen der evozierten Potentiale zu den Glasgow Outcome Scores Korrelationen die als signifikant zu beschreiben
18. Print fn strReplace Format Exp nn aid 0 00000 strReplace Format Exp nn lid 0 00000 strReplace Format Exp nn L sion Volumen max 0 00000 Case TangensH G R hrig 129 T Schreiber K nstliche neuronale Netze in der Neurochirurgie Print fn strReplace Format TanH nn aid 0 00000 strReplace Format TanH nn lid 0 00000 strReplace Format TanH nn L sion Volumen 0 00000 Case Sinus Print fn strReplace Format Sin nn aid 0 00000 5 strReplace Format Sin nn lid 0 00000 strReplace Format Sin nn L sion Volumen max 0 00000 Case Wurzel Print fn strReplace Format 1 Sqr nn aid i_faktor 0 00000 strReplace Format 1 Sqr nn lid i_faktor 0 00000 strReplace Format 1 Sqr nn L sion Volumen max i_faktor 0 00000 d End Select sql Select Patient Neu from Patient Neu where PID amp nn PID Set pat db OpenRecordset sql Select Case Out_fkt Selektion der Ausgabefunktion Case linear Print Sin strReplace Format pat aep o_faktor 0 00000 strReplace Format pat msep o_faktor 0 00000 strReplace Format pat tsep o_faktor 0 00000 Case Kehrwert Print
19. faktor As String o_faktor As String In_fkt As String Out_fkt As String Function erzeugt Pattern File f r SNNSv4 1 Konstante Datei input output units Formal 3xInput 3xOutput 1 Anzahl der Input Variablen o Anzahl der Output Variablen file Zielverzeichnis amp Zieldatei It faktor Konstante zur Funktionsbestimmung im Eingaberaum o_faktor Konstante zur Funktionsbestimmung im Ausgaberaum G R hrig 123 T Schreiber K nstliche neuronale Netze in der Neurochirurgie In_fkt Schl ssel der Input Funktion Out Tt Schl ssel der Output Funktion Dim db As Database Dim nn As Recordset Dim dat As Recordset Dim pat As Recordset Dim sql datei Set db CurrentDb Set nn db OpenRecordset Patient Neu datei file Dim fn As Integer fn FreeFile Open datei For Output As fn Print fn SNNS pattern definition file V3 2 ffnen der Ausgabedatei Dateikopf f r den SNNS Patternfile Print fn generated at amp Format Date Long Date Print fn Print fn No of patterns E DCount pid Patient Neu Print fn No of input units amp i Print fn No of output units amp o Print fn nn MoveFirst Do Until nn EOF Select Case In_fkt Case linear Selektion der Eingabefunktion Print fn strReplace Format nn gose i_faktor 0 00000 5 strReplace Format nn gos3m i_faktor 0 00000 5 strReplace
20. 1 9 Konvertierung des betroffenen Eingaberaums strSpalte in amp Trim Str z If bInSumme strSpalte s True Then a a l s MoveFirst 2 321 objExcelWS cells e a Value s strSpalte s MoveNext Next e End If Next z G R hrig 145 T Schreiber K nstliche neuronale Netze in der Neurochirurgie strSpalte out s MoveFirst For e 2 321 Konvertierung des Ausgaberaums objExcelWS cells e i 1 Value s strSpalte s MoveNext Next e If Me alpha gt 0 Then Bestimmung des Konfidenzintervalls objExcelWS cells 326 16 Value 1 Me Konfidenz Visible True End If quelle Pearson320 Ifi 1 Then Diagrammberechnung wenn f x Diagramm Visible True Set objExcelWS objExcel Sheets Graphik objExcelWS chartobjects 1 Activate objExcelWS chartobjects 1 copy Diagramm Class Excel Chart Diagramm OLETypeAllowed ac0 LEEmbedded Diagramm SourceDoc Pearson320 Diagramm Action acOLEPaste Diagramm SizeMode acOLESizeStretch Set objExcelWS objExcel Sheets Trim Str i amp Variable Else Diagramm Visible False End If Erzeugung der Abbildungsfunkion incl Transformation Select Case i Case 1 Forz 1To9 strSpalte in amp Trim Str z If bInSumme strSpalte s True Then Me Regressionsfunktion strl amp Format objExcelWS cells 336 18 0 000 amp amp funktion Trim Str z amp amp Format objExcelWS cells 337 18 0 000
21. Mel Klasse5 nicht relevant Exit Sub End If If Me Klasse7 out Then MsgBox Sie haben eine Variable bereits als Ausgabe deklariert Mel Klasse5 nicht relevant Exit Sub End If If Me Klasse8 out Then MsgBox Sie haben eine Variable bereits als Ausgabe deklariert Mel Klasse5 nicht relevant Exit Sub End If If Me Klasse9 out Then MsgBox Sie haben eine Variable bereits als Ausgabe deklariert Mel Klasse5 nicht relevant Exit Sub End If End If End Sub Private Sub After Update Fehlerroutine um sicherzustellen dass nur eine Ausgabevariable deklariert wurde If Me Klasse Then If Me Klassel out Then MsgBox Sie haben eine Variable bereits als Ausgabe deklariert Me Klasse6 nicht relevant Exit Sub End If If Me Klasse2 out Then MsgBox Sie haben eine Variable bereits als Ausgabe deklariert Me Klasse6 nicht relevant Exit Sub End If If Me Klasse3 out Then MsgBox Sie haben eine Variable bereits als Ausgabe deklariert Me Klasse6 nicht relevant Exit Sub End If If Me Klasse4 out Then MsgBox Sie haben eine Variable bereits als Ausgabe deklariert Me Klasse6 nicht relevant Exit Sub End If If Me Klasse5 out Then MsgBox Sie haben eine Variable bereits als Ausgabe deklariert Me Klasse6 nicht relevant Exit Sub G R hrig 156 T Schreiber K nstliche neuronale Netze in der Neurochirurgie End If If Me Klasse7 out
22. So ergeben sich folgende Ergebnisse Varianzl bez glich GOSE soll und GOSE berechnet Varianz2 bez glich GOS3M soll und GOS3M berechnet Varianz3 bez glich GOSI12M soll und GOSI12M berechnet Standardabw 1 bez glich GOSE soll und GOSE berechnet Standardabw 2 bez glich GOS3M soll und GOS3M berechnet Standardabw 3 bez glich GOS12M soll und GOS12M berechnet G R hrig 73 T Schreiber K nstliche neuronale Netze in der Neurochirurgie Fehler2 1 bez glich GOSE soll und GOSE berechnet Fehler2 2 bez glich GOS3M soll und GOS3M berechnet Fehler2 3 bez glich GOS12M soll und GOS12M berechnet 10 5 Die Ergebnisse des Stuttgarter Simulators Exemplarisch wird einerseits das beste andererseits das schlechteste Ergebnis hinsichtlich der Outputwerte dargestellt Zus tzlich wird Auskunft ber die Transformationsfunktionen und das dazugeh rende Netz gegeben Als Beispiel wird die Varianz berechnet aus den Sollwerten und den berechneten Werten des Netzes angegeben Abh ngigkeit GOSy f L SION Inputdaten sind die L sionsdaten 320 Datens tze standen zur Verf gung die somit wie oben beschrieben die Art der L sion Input 1 die Lage der L sion Input 2 und das Volumen der L sion Input 3 enthalten Als Ergebnis wird der Glasgow Outcome Score bei Entlassung Output 1 nach drei Monaten Output 2 und nach 12 Monaten Output 3 erwartet Tabellarische Aufstellung des besten Ergebnisses
23. Sqr nn aid i_faktor 0 00000 strReplace Format 1 Sqr nn lid i_faktor 0 00000 strReplace Format 1 Sqr nn L sion Volumen max i_faktor 0 00000 3 End Select sql Select Patient Neu from Patient Neu where PID amp nn PID Set pat db OpenRecordset sql Select Case Out_fkt Selektion der Ausgabefunktion Case linear Print fn strReplace Format pat gose o_faktor 0 00000 strReplace Format pat gos3m o_faktor 0 00000 strReplace Format pat gos12m o_faktor 0 00000 Case Kehrwert Print fn strReplace Format 1 pat gose o_faktor 0 00000 strReplace Format 1 pat gos3m o_faktor 0 00000 strReplace Format 1 pat gos12m o_faktor 0 00000 Case Logarithmus Print fn strReplace Format Log pat gose o_faktor 0 00000 strReplace Format Log pat gos3m o_faktor 0 00000 strReplace Format Log pat gos12m o_faktor 0 00000 Case Exponentiell Print fn strReplace Format Exp pat gose 0 00000 strReplace Format Exp pat gos3m 0 00000 bit RS strReplace Format Exp pat gos12m 0 00000 Case TangensH Print fn strReplace Format TanH pat gose 0 00000 strRe
24. Tabelle 3 1 Legende der Hebb schen Lernregeln G R hrig 26 T Schreiber K nstliche neuronale Netze in der Neurochirurgie Delta Regel Widrow Hoff Die Gewichts nderung ist proportional zur Differenz der aktuellen Aktivierung Ausgabe und der erwarteten Aktivierung Ausgabe Der mathematische Zusammenhang stellt sich hier wie folgt dar A wij T oi t ai T o A wu T oi t o Legende wu nderung des Gewichtes w n Lernfaktor konstant Ou Ausgabe der Vorg ngerzelle Aktivierung der Nachfolgezelle tj Teaching input erwartete Aktivierung Differenz von akt und erw Ausgabe Tabelle 3 2 Legende der Delta Regel G R hrig 27 T Schreiber K nstliche neuronale Netze in der Neurochirurgie Backpropagation Regel Die Backpropagation Regel ist eine Erweiterung der Delta Regel wobei die Aktivierungsfunktion semilinear d h sowohl monoton als auch differenzierbar sein MUSS Die Knotennummern m ssen topologisch sortiert vorliegen A wu 1 70 76 fi net t oi j ist Ausgabezelle f i net Ok Wjk jist verdeckte Zelle Legende k Summationsindex ber alle direkten Nachfolgezellen Tabelle 3 3 Legende der Backpropagation Regel Beispiel net t gt i oi t Wij 1 1 logistische Funktion o t petit entspricht Identit t Anhand obiger Definition des Fehlersignals ergibt sich f r
25. Umst nden von dem C Compiler ge ffnet wird Die Endung RES wird durch das Programm Borland C reserviert Aktionsfeld CFG Hier k nnen Setup Parameter und Schichtenbezeichnungen geladen und gespeichert werden Es ist m glich eine Konfiguration f r mehrere verschiedene Netzwerke zu definieren Als Standard wird die Datei default cfg automatisch geladen Aktionsfeld TXT Hier kann eine Protokolldatei erzeugt werden die Dateioperationen Wertdefinitionen und Lernprotokoll beinhaltet CONTROL Button Manager Panel Jedes Training und Testen der Daten erfolgt im SNNS 4 1 ber das Control Panel wobei sich dieses in zwei Teilen darstellt Die obere H lfte steuert die den Trainingsproze definierenden Parameter wie Schrittweite Anzahl Lernzyklen und Patternnummer Die unteren vier Zeilen beziehen sich auf Lern Update Initialisierungs und Remap Funktionen Initialisierung des Netzes Um ein Netz zu initialisieren wird der INIT Button ben tigt der sich in der ersten Zeile des Control Panels befindet G R hrig 47 T Schreiber K nstliche neuronale Netze in der Neurochirurgie Arbe latz FILE 1 CONTROL 1 INFO 1 DISPLAY 1 DISPLAY GRAPH 1 BIGNET 1 PRUNING 1 CASCADE 1 KOHONEN 1 WEIGHTS 1 PROJECTION ANALYZER 1 INVERSION EI snns control pattem 29 iof gt lt Di V CYCLES SINGLE TEST SHUFFLE
26. fn strReplace Format 1 pat aep o_faktor 0 00000 strReplace Format 1 pat msep o_faktor 0 00000 m strReplace Format 1 pat tsep o_faktor 0 00000 Case Logarithmus Print fn strReplace Format Log pat aep o_faktor 0 00000 strReplace Format Log pat msep o_faktor 0 00000 strReplace Format Log pat tsep o_faktor 0 00000 Case Exponentiell Print fn strReplace Format Exp pat aep 0 00000 strReplace Format Exp pat msep 0 00000 E r strReplace Format Exp pat tsep 0 00000 Case TangensH Print fn strReplace Format TanH pat aep 0 00000 strReplace Format TanH pat msep 0 00000 strReplace Format TanH pat tsep 0 00000 Case Sinus Print fn strReplace Format Sin pat aep 0 00000 strReplace Format Sin pat msep 0 00000 a strReplace Format Sin pat tsep 0 00000 Case Wurzel Print fn strReplace Format 1 Sqr pat aep o_faktor 0 00000 strReplace Format 1 Sqr pat msep o_faktor 0 00000 in strReplace Format 1 Sqr pat tsep o_faktor 0 00000 d End Select nn MoveNext Loop nn Close pat Close Close fn End Function Public Functio
27. gespeicherten Datens tze zuzugreifen Das Tool Ergebnisanalyse errechnet die drei Varianzen die drei Standardabweichungen und die drei mittleren quadratischen Fehler bzgl der errechneten Ausgabewerte und der geforderten Ausgabewerte Voraussetzung ist eine im Textformat gespeicherte SNNS Datei die ohne die Titelzeilen des Files dem System bergeben werden muss Analyse Suche Nach Auswahl des Men punktes SNNS Auswertung wird dem Benutzer die Frage nach Durchf hrung der Analyse gestellt Wird diese Frage positiv beantwortet so analysiert das System nach Eingabe der Ergebnisdaten des Simulators die gespeicherten Werte Durch eine negative Antwort gelangt man in das Modul das durch Abbildung 12 5 dargestellt wird und dort kann man gespeicherte Analysen abrufen G R hrig 101 T Schreiber K nstliche neuronale Netze in der Neurochirurgie Analyse Speicherung Die Daten werden in der Maske Abbildung 12 4 dargestellt und k nnen mit Hilfe der Speichern Schaltfl che in der KNN 1 0 Tabelle Auswertung abgelegt werden W hrend der Speicherung wird der Benutzer aufgefordert einen Titel f r die Ergebnisanalyse zu vergeben und gleichzeitig wird der Datensatz mit einem dem aktuellen Datum als Zeitstempel versehen Datei GEES Einf gen Extras Fenster ep 5 B A EF g x lt 5 4 1 0 B Auswertung SNNS Varianz j 0 004240 Standardabw 0 065119 Mittel Fe
28. i_faktor As String o_faktor As String In_fkt As String Out_fkt As String Function erzeugt Pattern File f r Turbo Pascal Konstante Datei input output units Formal 3xInput 3xOutput Anzahl der Input Variablen Jo Anzahl der Output Variablen file Zielverzeichnis amp Zieldatei It faktor Konstante zur Funktionsbestimmung im Eingaberaum o_faktor Konstante zur Funktionsbestimmung im Ausgaberaum In_fkt Schl ssel der Input Funktion Out_fkt Schl ssel der Output Funktion Dim db As Database Dim nn As Recordset Dim dat As Recordset Dim pat As Recordset Dim sql datei Set db CurrentDb Set nn db OpenRecordset Patient Neu datei file Dim fn As Integer fn FreeFile Open datei For Output As fn ffnen der Ausgabedatei Kopfzeile des Patternfiles von Pascal Print fn Trim DCount pid Patient Neu 2 Anzahl der Eingabedatens tze Print fn i Print fn Trim DCount pid Patient Neu 2 Print fn o nn MoveFirst Do Until nn EOF Select Case In_fkt Selektion der Eingabefunktion Case linear Print fn strReplace Format nn gose i_faktor 0 00000 5 strReplace Format nn gos3m i_faktor 0 00000 strReplace Format nn gos12m i_faktor 0 00000 Print fn strReplace Format nn aep o_faktor 0 00000 strReplace Format nn msep o_faktor 0 00000 strReplace Form
29. n 1 End If Next n End Function Public Function Pat_gos_Havbpett i As String o As String file As String i_faktor As String o_faktor As String In_fkt As String Out_fkt As String Function erzeugt Pattern File f r Havbpett Konstante Datei input output units Formal 3xInput 3xOutput 1 Anzahl der Input Variablen Jo Anzahl der Output Variablen file Zielverzeichnis amp Zieldatei i_faktor Konstante zur Funktionsbestimmung im Eingaberaum o_faktor Konstante zur Funktionsbestimmung im Ausgaberaum In_fkt Schl ssel der Input Funktion Out_fkt Schl ssel der Output Funktion Dim db As Database Dim nn As Recordset Dim dat As Recordset Dim pat As Recordset Dim sql datei max Set db CurrentDb Set nn db OpenRecordset L sionen Neu datei file Dim fn As Integer fn FreeFile Open datei For Output As fn ffnen der Ausgabedatei Print fn DCount aid L sionen Neu 2 amp amp i amp amp o If Forms Pattern Normal True Then Wenn zu normalisieren ist max Normalize Normalisierung der Volumenwerte G R hrig 108 T Schreiber K nstliche neuronale Netze in der Neurochirurgie Else max 1 End If nn MoveFirst Do Until nn EOF Select Case In_fkt Selektion auf die Inputfunkiton Case linear sql Select Patient Neu from Patient Neu where PID amp nn PID Set pat db OpenRecordset sql Print fn strReplace Format Trim Str nnlaid i_fak
30. r Simulatoren k nstlicher neuronaler Netze transformiert werden KNN 1 0 erzeugt die Trainingsfiles im ASCH Format und speichert diese benutzerdefiniert ab G R hrig 93 T Schreiber K nstliche neuronale Netze in der Neurochirurgie Datenanalyse des Inputs Damit nur relevante Korrelationen unter einem neuronalen Netz abgebildet werden k nnen bietet dieses Produkt die M glichkeit die importieren Daten zuvor zu analysieren Hierf r ist in KNN 1 0 ein Regressionsanalyse Tool mit dessen Hilfe Analysen bzgl eines Ausgabewertes und bis zu acht Eingabewerte durchgef hrt werden k nnen integriert Als Ergebnis werden die zugeh rige Funktion das Bestimmtheitsma und der Korrelationskoeffizient nach Pearson errechnet Handelt es sich um eine einfache lineare Korrelationsanalyse so wird der zugeh rige Graph zus tzlich angezeigt Datenanalyse des Outputs F r die per Simulator erzeugten Ergebnis Files bietet KNN 1 0 ein Auswertungs Tool mit dem die Varianzen die Standardabweichungen und die mittleren quadratischen Fehler errechnet gespeichert und selektiert werden K nnen G R hrig 94 T Schreiber K nstliche neuronale Netze in der Neurochirurgie 12 2 Benutzungsoberfl che Nach Start des Programms ffnet sich automatisch die Benutzungsoberfl che die in Abbildung 12 1 dargestellt ist Mit Hilfe dieses Navigators gelangt man in alle zur Verf gung stehenden Bereiche Daten bernahme Patienten bernahm
31. ssen die Angaben des BGI Pfades und der Testdatei im Deklarationsteil des Programms erg nzt werden e Dieser Simulator stellt die Funktionen der selbstorganisierenden Karten nach Kohonen zur Verf gung In dem eigentlichen Programmcode m ssen die Angaben bzgl des BGI Pfades der Testdatei DAT und der abzuspeichernden Netzdatei NET eingetragen werden Nach Start des Programms wird die Netzdatei entsprechend der eingestellten Zyklen erzeugt und abgespeichert G R hrig 42 T Schreiber K nstliche neuronale Netze in der Neurochirurgie 7 SNNS 4 1 7 1 Systemvoraussetzung SNNS 4 1 ist ein Simulator f r k nstliche neuronale Netze welcher am Institut f r Parallele und Verteilte H chstleistungsrechner IPVR der Universit t Stuttgart seit 1989 entwickelt wird Die unterst tzten Systeme k nnen sowohl auf UNIX als auch auf Microsoft Windows 95 NT basieren Die in dieser Diplomarbeit verwendete Version des Stuttgarter neuronale Netze Simulators SNNS 4 1 ist das Release V4 1 f r Microsoft Windows 95 NT Diese wurde gew hlt damit die Plattformkonformit t zwischen den St dtischen Kliniken Fulda und der Fachhochschule Fulda gew hrleistet ist Um die Software in Betrieb nehmen zu k nnen ist es erforderlich auf dem Windowssystem zuvor ein X Win32 zu installieren und zu starten In einem Client Server Netzwerk wird dem Stuttgarter Simulator dadurch eine feste Adresse IP Adresse zug
32. 000 amp amp funktion Trim Str z amp amp Format objExcelWS cells Trim Str 336 a 18 0 000 End If End If Me Regressionsfunktion str1 Next z Case 5 a 0 For z 1 9 strSpalte in amp Trim Str z If blnSumme strSpalte s True Then 1 If a lt gt i Then strl strl amp Format objExcelWS cells Trim Str 335 a 18 0 000 amp amp funktion Trim Str z amp Else strl 5171 amp Format objExcelWS cells Trim Str 335 18 0 000 amp amp funktion Trim Str z amp amp Format objExcelWS cells Trim Str 336 a 18 0 000 End If End If Me Regressionsfunktion str1 Next z Case 6 a 0 For z 1 9 strSpalte in amp Trim Str z If blnSumme strSpalte s True Then 1 If a lt gt i Then strl strl amp Format objExcelWS cells Trim Str 335 a 18 0 000 amp amp funktion Trim Str z amp Else G R hrig 147 T Schreiber K nstliche neuronale Netze in der Neurochirurgie strl strl amp Format objExcelWS cells Trim Str 335 a 18 0 000 amp amp funktion Trim Str z amp amp Format objExcelWS cells Trim Str 336 a 18 0 000 End If End If Me Regressionsfunktion str1 Next z Case 7 a 0 For z 1 9 strSpalte in amp Trim Str z If blnSumme strSpalte s True Then 1 If a lt gt i Then strl strl amp Format objExcelWS
33. 12 zur Verf gung gestellt sind Abh ngigkeit L sionsdaten Input Glasgow Outcome Score Output INPUTI Art der L sion GOSE OUTPUTI INPUT2 Lage der L sion SNNS Netz GOS3M OUTPUT2 INPUT3 Volumen der L sion GOS12M OUTPUT3 In der Auswertung werden wie eingangs aufgezeigt die Sollwerte der jeweiligen Datenbank mit den durch den Simulator berechneten Werten verglichen So ergeben sich folgende Ergebnisse Varianzl bez glich GOSE soll und GOSE berechnet G R hrig 71 T Schreiber K nstliche neuronale Netze in der Neurochirurgie Varianz2 bez glich GOS3M soll und GOS3M berechnet Varianz3 bez glich GOS12M sol und GOS12M berechnet Standardabw 1 bez glich GOSE soll und GOSE berechnet Standardabw 2 bez glich GOS3M soll und GOS3M berechnet Standardabw 3 bez glich GOS12M soll und GOSI12M berechnet Fehler 1 bez glich GOSE soll und GOSE berechnet Fehler 2 bez glich GOS3M soll und GOS3M berechnet Fehler 3 bez glich GOS12M soll und GOS12M berechnet Abh ngigkeit L sionsdaten Input Evozierte Potentiale Output INPUTI Art der L sion OUTPUTI INPUT2 Lage der L sion SNNS Netz MSEP OUTPUT2 INPUT3 Volumen der L sion TSEP OUTPUT3 In der Auswertung werden auch hier die Sollwerte mit den durch den Simulator berechneten Werten verglichen So ergeben sich folgende Ergebnisse Varianzl bez glich AEP soll und AEP berechnet Varianz2 bez glich MSEP soll und MSEP berechnet Varianz3 bez glich TSEP soll und TS
34. Hidden Feed forward 2 Output Feed forward 3 Copy Recurency layer to enter modify its parameters napie Disable link by Clicking on its R Hidden Input Connector located under the layer that it feeds Helper 10 Recurrent Strengths are entered as part of the z R Hidden and R Output layer descriptions Abbildung 5 1 Benutzungsoberfl che HavBpNet Network Control G R hrig 35 T Schreiber K nstliche neuronale Netze in der Neurochirurgie 5 2 Benutzerhandbuch Data Control In diesem Bereich des Programms wird die Trainings und Testdatei selektiert Durch Klick auf den Data Control Button ffnet sich ein Fenster in dem man per Doppelklick auf die entsprechenden Felder f r Training und Test die Dateien ausw hlen kann die dem Netz zur Verf gung gestellt werden sollen Die Daten k nnen dem System normalisiert oder in der Ausgangsform ber eine Flag Steuerung bergeben werden Das entwickelte Tool KNN 1 0 bietet die Funktion die Patternfiles automatisch zu erzeugen Bei der Speicherung der Testdaten muss die Datei die Endung DAT besitzen damit die Datei von HavBpNet erkannt und geladen werden kann Network Control Mit dieser Funktion kann den einzelnen Schichten des neuronalen Netzes die Anzahl an Neuronen zugeordnet werden Die Struktur der hidden Schicht kann zus tzlich anhand der Aktivierungsfunktion ber eine Listbox Bsp TanH Sigmoid ver ndert we
35. K nstliche neuronale Netze in der Neurochirurgie 11 2 Zweifache Lineare Regressions Korrelationsanalyse Innerhalb dieser Korrelationsanalyse werden die zweifachen linearen Abh ngigkeiten der Glasgow Outcome Scores zu je zwei Werten der evozierten Potentiale AEP MEP TEP betrachtet Die Auswertungen werden sowohl f r die reduzierte als auch die komplette Skala durchgef hrt Somit ergeben sich drei m gliche Funktionen die hier mit den besten Zusammenh ngen charakterisiert werden 1 GOSy f MEP TEP Der beste Zusammenhang wird bei der kompletten Skala erreicht Der Korrelationskoeffizient betr gt 0 753 Die Funktion GOS3M GOS12M stellt sich dar als GOS3M GOS12M 0 161 MEP 0 722 TEP 1 592 dar 2 GOSy f AEP TEP Der h chste Korrelationskoeffizient von 0 765 wird innerhalb der kompletten Skala erreicht Es ergibt sich f r die Funktionsgleichung folgende Struktur GOS3M 12M AEP TEP 0 222 AEP 0 943 TEP 2 251 3 GOSy f MEP AEP Die Gleichung GOS3M 12M f MEP AEP 0 914 0 346 AEP 2 262 stellt den besten zweifachen linearen Zusammenhang innerhalb der kompletten Skala dar wobei der Pearsonkorrelationskoeffizient bei 0 709 liegt Durch eine Reduzierung der Skala ergeben sich f r drei Abh ngigkeiten Korrelationskoeffizienten die um ca 0 15 niedriger liegen als die der kompletten Skala G R hrig 87 T Schreiber K nstliche neuronale Netze i
36. Klasse5 out Then MsgBox Sie haben eine Variable bereits als Ausgabe deklariert Me Klasse2 nicht relevant Exit Sub End If If Me Klasse6 out Then MsgBox Sie haben eine Variable bereits als Ausgabe deklariert Mel Klasse2 nicht relevant Exit Sub End If If Me Klasse7 out Then MsgBox Sie haben eine Variable bereits als Ausgabe deklariert Mel Klasse2 nicht relevant Exit Sub End If If Me Klasse8 out Then MsgBox Sie haben eine Variable bereits als Ausgabe deklariert Me Klasse2 nicht relevant Exit Sub End If G R hrig 153 T Schreiber K nstliche neuronale Netze in der Neurochirurgie If Me Klasse9 out Then MsgBox Sie haben eine Variable bereits als Ausgabe deklariert Mel Klasse2 nicht relevant Exit Sub End If End If End Sub Private Sub Klasse3_AfterUpdate Fehlerroutine um sicherzustellen dass nur eine Ausgabevariable deklariert wurde If Me Klasse3 out Then If Me Klassel out Then MsgBox Sie haben eine Variable bereits als Ausgabe deklariert Me Klasse3 nicht relevant Exit Sub End If If Me Klasse2 out Then MsgBox Sie haben eine Variable bereits als Ausgabe deklariert Mel Klasse3 nicht relevant Exit Sub End If If Me Klasse4 out Then MsgBox Sie haben eine Variable bereits als Ausgabe deklariert Mel Klasse3 nicht relevant Exit Sub End If If Me Klasse5 out Then MsgBox Sie haben eine Variable bereits als Ausgabe dek
37. Me Faktor6 Visible True Else Me Faktor6 Visible False End If G R hrig 151 T Schreiber K nstliche neuronale Netze in der Neurochirurgie End Sub Private Sub Funktion7_AfterUpdate Sichtbarschalten bei Funktionen mit Transformationskonstanter If Me Funktion 7 3 Or Me Funktion7 4 Or Me Funktion 7 7 Or Me Funktion 7 1 Then Me Faktor7 Visible True Else Me Faktor7 Visible False End If End Sub Private Sub Funktion8_AfterUpdate Sichtbarschalten bei Funktionen mit Transformationskonstanter If Me Funktion8 3 Or Me Funktion8 4 Or Me Funktion8 7 Or Me Funktion8 1 Then Me Faktor8 Visible True Else Me Faktor8 Visible False End If End Sub Private Sub Funktion9_AfterUpdate Sichtbarschalten bei Funktionen mit Transformationskonstanter If Me Funktion9 3 Or Me Funktion9 4 Or Me Funktion9 7 Or Me Funktion9 1 Then Me Faktor9 Visible True Else Me Faktor9 Visible False End If End Sub Private Sub Klassel_AfterUpdate Fehlerroutine um sicherzustellen dass nur eine Ausgabevariable deklariert wurde If Me Klassel out Then If Me Klasse2 out Then MsgBox Sie haben eine Variable bereits als Ausgabe deklariert Mel Klassel nicht relevant Exit Sub End If If Me Klasse3 out Then MsgBox Sie haben eine Variable bereits als Ausgabe deklariert Mel Klassel nicht relevant Exit Sub End If If Me Klasse4 out Then MsgBox Sie haben eine Variable bereits als Au
38. Next z End Select bergabe von BetimmtheitsmaB und Korrelationskoeffizient Me Bestimmt Format objExcelWS cells 40 16 0 000 Me Pearson Format objExcelWS cells 41 16 0 000 If Me alpha gt 0 Then Wenn Konfidenzintervall aktiviert ist Me Konfidenz Format objExcelWS cells 38 16 0 000 Else Me Konfidenz 0 00 End If Else wenn L siondaten betroffen sind u ere If Schleife nn MoveFirst Do Until nn EOF s AddNew Ermittlung der betroffenen Felder If Me Klasse7 in Then s in7 transform nn aid Funktion7 Faktor7 Else If Me Klasse7 out Then s out transform nn aid Funktion7 Faktor str Outfunktion Me Funktion 7 End If End If If Me Klasse8 in Then s in8 transform nn lid Funktion8 Faktor8 Else If Me Klasse8 out Then slout transform nn lid Funktion8 Faktor8 5171 Outfunktion Me Funktion 8 8 End If End If If Me Klasse9 in Then s in9 transform nn L sion Volumen Normalize Funktion9 Faktor9 Else If Me Klasse9 out Then s out transform nn L sion Volumen Normalize Funktion9 Faktor9 5171 Outfunktion Me Funktion9 9 End If End If Selektion der betroffenen Patientendaten sql Select distinctrow Patient Neu from Patient Neu where Patient Neu PID amp nn PID Set pat db OpenRecordset sql If Me Klassel in Then s inl transform pat gose Funktionl faktorl Else If Me Klassel out Then slout transfor
39. PID Set pat db OpenRecordset sql Print fn strReplace Format 1 pat aep o_faktor 0 00000 strReplace Format 1 pat msep o_faktor 0 00000 Re o strReplace Format 1 pat tsep o_faktor 0 00000 Case Logarithmus Print fn strReplace Format Log nn aid 1 faktor 0 00000 strReplace Format Log nn lid i_faktor 0 00000 strReplace Format Log nn L sion Volumen max 1 _ faktor HHO 00000 sql Select Patient Neu from Patient Neu where PID amp nn PID Set pat db OpenRecordset sql Print fn strReplace Format Log pat aep o_faktor 0 00000 strReplace Format Log pat msep o_faktor 0 00000 strReplace Format Log pat tsep o_faktor 0 00000 D Case Exponentiell Print fn strReplace Format Exp nn aid 0 00000 strReplace Format Exp nn lid 0 00000 strReplace Format Exp nn L sion Volumen max 0 00000 dr sql Select Patient Neu from Patient Neu where PID amp nn PID Set pat db OpenRecordset sql Print fn strReplace Format Exp pat aep 0 00000 strReplace Format Exp pat msep 0 00000 strReplace Format Exp pat tsep 0 00000 Case TangensH Print fn strReplace Format TanH nn
40. Source Target Configuration loaded from file H NN SNNSV4 1 default cfg Plane Cluster Network loaded from file H NN SNNSU4 1 EXAMPLES Nets ffw32his5 net Patterns loaded from file H NN SNNSV4 1 EXAMPLES pat_all 29 pat Learning func Std_Backpropagation idth Learning func BackpropBatch width Learning func Std_Backpropagation height Unit Coordinates Datei Bearbeiten Ansicht Extras 2 Alle Ordner Inhalt von H NNSSNNSV4 1 dx k Cl Neon Ee EC dy H E NEURSTOCK README GETSNNS s H een README LICENSE Edit Link ENTER _OVERWRITE LINK EDIT DELETE IE Nm FULL CONNECTION Snns bat 1 PERCEPTRON Current Link K 9 0 P H Snnsv4 1 CREATE NET CANCEL 1 Objektfe markiert 67 Bytes HRStart Y Microsoft Word scree X win32 y Explorer songen bin xgui exe d Iocalo snns manager X BigNet Feed Forw K A 11 04 Abbildung 7 2 SNNS Netzgenerator k Zuerst muss eine Eingabeschicht definiert werden dazu muss das Feld TYPE sooft angeklickt werden bis im oberen rechten Fenster input erscheint Die darunter liegenden Eingabefenster dienen der Angabe zur Layer Topologie Hier muss die Anzahl der Einheiten in ein karthesisches 3 dimensionales Koordinatensystem eingetragen werden Will man eine nur 2 dimensionale Schicht erzeu
41. Then MsgBox Sie haben eine Variable bereits als Ausgabe deklariert Mel Klasse6 nicht relevant Exit Sub End If If Me Klasse8 out Then MsgBox Sie haben eine Variable bereits als Ausgabe deklariert Mel Klasse6 nicht relevant Exit Sub End If If Me Klasse9 out Then MsgBox Sie haben eine Variable bereits als Ausgabe deklariert Mel Klasse6 nicht relevant Exit Sub End If End If End Sub Private Sub Klasse After Update Fehlerroutine um sicherzustellen dass nur eine Ausgabevariable deklariert wurde If Me Klasse7 Then If Me Klassel out Then MsgBox Sie haben eine Variable bereits als Ausgabe deklariert Me Klasse7 nicht relevant Exit Sub End If If Me Klasse2 out Then MsgBox Sie haben eine Variable bereits als Ausgabe deklariert Me Klasse7 nicht relevant Exit Sub End If If Me Klasse3 out Then MsgBox Sie haben eine Variable bereits als Ausgabe deklariert Me Klasse7 nicht relevant Exit Sub End If If Me Klasse4 out Then MsgBox Sie haben eine Variable bereits als Ausgabe deklariert Me Klasse7 nicht relevant Exit Sub End If If Me Klasse5 out Then MsgBox Sie haben eine Variable bereits als Ausgabe deklariert Me Klasse7 nicht relevant Exit Sub End If If Me Klasse6 out Then MsgBox Sie haben eine Variable bereits als Ausgabe deklariert Me Klasse7 nicht relevant Exit Sub End If If Me Klasse8 out Then MsgBox Sie haben eine
42. VERARBEITUNGSEINHEIT 17 ABBILDUNG 3 2 LINEARE TREPPEN UND SIGMOIDFUNKTION 19 ABBILDUNG 3 3 REZEPTIVES FELD FAN IN VERARBEITUNGSEINHEIT FAN OUT 22 ABBILDUNG 3 4 BEISPIEL TOPOLOGIEN UND IHRE VERBINDUNGSMATRIZEN 23 ABBILDUNG 5 1 BENUTZUNGSOBERFL CHE HAVBPNET NETWORK CONTROL 35 ABBILDUNG 5 2 BENUTZUNGSOBERFL CHE HAVBPNET TRAINING CONTROL 37 ABBILDUNG 6 1 GRAPHIK DES N DAMEN PROBLEMS 41 ABBILDUNG 7 1 SNNS BENUTZUNGSOBERFL CHE 44 ABBILDUNG 7 2 SNNS NETZGENERATOR 45 ABBILDUNG 7 3 SNNS CONTROL PANEL 48 ABBILDUNG 7 4 SNNS GRAPHISCHE NETZWERKDARSTELLUNG 49 ABBILDUNG 8 1 BERSICHT ALLER SYSTEME ZUM MULTIMODALEN MONITORING 50 ABBILDUNG 8 2 ZUSAMMENHANG DER MESSWERTE DES MULTIMODALEN MONITORINGS___ 52 ABBILDUNG 8 3 BEISPIEL DER ABBILDBAREN ZUSAMMENH NGE VON EP ZU GOS 53 ABBILDUNG 8 4 BEISPIEL DER ENTSCHEIDUNGSFINDUNG ZUR HIRNDRUCKTHERAPIE 54 ABBILDUNG 9 1 BESCHREIBUNG UND ZUSAMMENH NGE DER LAGE EINER L SION 55 ABBILDUNG 9 2 GRUPPIERUNG DER LOKALISATIONEN 56 ABBILDUNG 9 3 GRUPPIERUNG DER L SIONSARTEN 56 ABBILDUNG 9 4 BERSICHT DER ZU UNTERSUCHENDEN ABH NGIGKEITEN 59 ABBILDUNG 9 5 STRUKTUR DER DATENBANK DES ST DTISCHEN KLINIKUMS FULDA 60 ABBILDUNG 9 6 STRUKTUR DER DATENBANK VON KNN 62 ABBILDUNG 9 7 DATENKONVERTIERUNG ST DTISCHES KLINIKUM FULDA 64 ABBILDUNG 11 1 GRAPH ZU GOSE F GOS3M MIT KOMPLETTER SKALA 82 ABBILDUNG 11 2 GRAPH ZU MEP F TEP MIT KOMPLETTER SKALA 82 ABBILDUNG 11 3 GRAPH ZU F AEP MIT KOMPLETTER SKALA 82 ABBI
43. Variable bereits als Ausgabe deklariert Me Klasse7 nicht relevant G R hrig 157 T Schreiber K nstliche neuronale Netze in der Neurochirurgie Exit Sub End If If Me Klasse9 out Then MsgBox Sie haben eine Variable bereits als Ausgabe deklariert Mel Klasse7 nicht relevant Exit Sub End If End If End Sub Private Sub Klasse8_AfterUpdate Fehlerroutine um sicherzustellen dass nur eine Ausgabevariable deklariert wurde If Me Klasse8 out Then If Me Klassel out Then MsgBox Sie haben eine Variable bereits als Ausgabe deklariert Me Klasse8 nicht relevant Exit Sub End If If Me Klasse2 out Then MsgBox Sie haben eine Variable bereits als Ausgabe deklariert Me Klasse8 nicht relevant Exit Sub End If If Me Klasse3 out Then MsgBox Sie haben eine Variable bereits als Ausgabe deklariert Mel Klasse8 nicht relevant Exit Sub End If If Me Klasse4 out Then MsgBox Sie haben eine Variable bereits als Ausgabe deklariert Me Klasse8 nicht relevant Exit Sub End If If Me Klasse5 out Then MsgBox Sie haben eine Variable bereits als Ausgabe deklariert Me Klasse8 nicht relevant Exit Sub End If If Me Klasse6 out Then MsgBox Sie haben eine Variable bereits als Ausgabe deklariert Me Klasse8 nicht relevant Exit Sub End If If Me Klasse7 out Then MsgBox Sie haben eine Variable bereits als Ausgabe deklariert Me Klasse8 nicht relevant Exit Sub End If If M
44. a in 500 Trainingszyklen trainiert Die 320er Feedforward Netze werden f r PatientenDaten Glasgow Outcome Score und Glasgow Outcome Score Evozierte Potentiale mit je linearer Input und Outputfunktion mit 100 Zyklen trainiert F r L sionsdaten Evozierte Potentiale und je linearer Input und Outputfunktion werden nur 10 Trainingszyklen durchgef hrt G R hrig 70 T Schreiber K nstliche neuronale Netze in der Neurochirurgie 10 4 Beschreibung der trainierten Daten im SNNS Im folgenden Abschnitt werden zun chst die an den erzeugten neuronalen Netzen eingehenden Inputdaten sowie die Outputdaten aufgezeigt mit welchen die Netze trainiert werden Die jeweiligen Abh ngigkeiten in den Patternfiles bzw Ergebnisfiles lassen sich aus Tabelle 10 12 entnehmen Es werden vier m gliche Prognosen untersucht und zwar T Das Netz soll versuchen anhand der L sionsdaten den Glasgow Outcome Score zu bestimmen 2 Das Netz soll versuchen anhand der L sionsdaten die evozierten Potentiale zu bestimmen 3 Das Netz soll versuchen anhand des Glasgow Outcome Scores die evozierten Potentiale zu bestimmen 4 Das Netz soll versuchen anhand der evozierten Potentiale den Glasgow Outcome Score zu bestimmen Darunter befinden sich jeweils die Varianzen Standardabweichungen und der mittlere quadratische Fehler der vom SNNS gelieferten Ergebnisse die in der Tabelle Auswertung im Tool KNN 1 0 siehe auch Kapitel
45. dass die Messung des evozierten Potentials in den Bereichen Tibialis oder Medianus mit Hilfe einer Abbildungsfunktion realisiert werden k nnte wodurch sich eine prim re Erfassung er brigen w rde 5 Gruppe Il III von Gruppe II III Die einfache lineare Regressionsanalyse zeigt dass sich die Prognosewerte des Glasgow Outcome Scores untereinander in den Bereichen nach Entlassung und 3 bzw 12 Monaten sehr gut ableiten lassen Dieses Resultat unterstreicht die Hypothese dass es ausreichen kann den Wert des Glasgow Outcome Scores lediglich bei Entlassung und nach 8 Monaten zu bestimmen In den Bereichen der evozierten Potentiale stellt sich hearus dass der Zusammenhang der Werte des Medianus und Tibialis st rker ausgepr gt ist als der bzgl des akustischen evozierten Potentials Dieses Ergebnis l sst den R ckschluss zu dass der Wert des akustischen evozierten Potentials einen wichtigen Parameter darstellt w hrenddessen man auf einen der beiden anderen Werte verzichten k nnte da sich der Medianus EP aus dem Tibialis EP und umgekehrt gut errechnen l sst Inwieweit aus den Werten der Gruppe II evozierte Potentiale auf die Daten der L sion Art Lage und Volumen zur ckzuschlie en ist wird in dieser Analyse nicht detailiert dargestellt siehe Problemstellung Kapitel 9 1 Es ergeben sich bei ersten Analysen der Abh ngigkeiten Korrelationskoeffiezienten von lt 0 2 wodurch sich im Bereich der Statistischen Regressionsana
46. der Neuronen x Richtung i_number_of_y_neurons 10 Anzahl der Neuronen in y Richtung i_max_learnrate 0 9 Anfangsgr e der Lernrate i_min_learnrate 0 1 Untergrenze der Lernrate i_map_update 1 Bildschirmanzeige nach Lernzyklen s_patternfile neuron pat Dateiname der Eingabemustermatrix s_netfile neuron net Dateiname der Verbindungsstruktur s_bgi_path c tp bgi Pfadname des BGI Treibers 6 2 Die Simulatoren F r die Untersuchung der Daten des St dtischen Klinikums Fulda werden die sich anschlie enden Pascal Files verwendet und n her beschrieben e BLZ_CREA PAS Nach Starten dieses Programms wird eine zuf llig bestimmte Gewichtedatei erzeugt Nach Angabe des zu vergebenden Dateinamens werden zudem die Anzahl der G R hrig 38 T Schreiber K nstliche neuronale Netze in der Neurochirurgie Knoten aus einem Wertebereich von 2 30 der Vernetzungsgrad im Prozentformat Menge der nat rlichen Zahlen und der maximale Vernetzungsgrad aus der Menge der ganzen Zahlen vom Benutzer eingetragen Die Struktur der konvertierten Gewichtungsdatei kann anhand des Pseudocodes erkannt werden Anzahl der Elemente Anzahl der Knoten For i 1 to Anzahl der Knoten For j 1 to Anzahl der Elemente Gewicht j Random 0 Maximale Verbindungsgewichte J j 1 Next j Anzahl der Elemente Anzahl der Elemente 1 i i l Next i Durch die beschriebene Struktur wird als Beispie
47. die 1 Ableitung von f net j f i net fj net 1 f net 0oi 1 o oi 1 oj tj o j ist Ausgabezelle oj 1 oj Wik j ist verdeckte Zelle G R hrig 28 T Schreiber K nstliche neuronale Netze in der Neurochirurgie 3 10 Die Systemumgebung Die Systemumgebung umfasst die Ein Ausgabecodierung sowie weitere Instanzen der Daten Proze und Schnittstellenverwaltung Auf diese Problematik wird in sp teren Kapiteln im Rahmen der Toolentwicklung KNN 1 0 noch n her eingegangen werden Einige Netztypen sind nicht f r die Abbildung beliebiger Vektoren geeignet so dass gegebenenfalls Vorabtransformationen Normalisierungen durchgef hrt werden m ssen um das jeweilige Netz in geeigneter Form trainieren zu k nnen G R hrig 29 T Schreiber K nstliche neuronale Netze in der Neurochirurgie 4 Software Simulatoren 4 1 Auswahl von Software Simulatoren Die Forschung nach geeigneten Simulatoren unter einer Windows Oberfl che beschr nkt sich auf die Suche im Internet unter Verwendung des eingesetzten Browsers Netscape Navigator 4 0 Die Suche l t sich in folgende Bereiche unterteilen Suchb ume Innerhalb der zur Verf gung stehenden Suchb ume wie z B Yahoo de com Kolibri und Alladin wird zu Beginn eine globale Suche nach den Oberbegriffen gestartet Da durch eine solche Suche eine nicht berschaubare Anzahl an Eintr gen und Dokumenten aufgel
48. fungsbeh rde vorgelegen und wurde auch nicht ver ffentlicht Mit der hochschul ffentlichen Auslage der Arbeit erkl ren wir uns einverstanden Fulda den 24 Dezember 1998 Gerhard R hrig Torsten Schreiber G R hrig 167 T Schreiber
49. lid 1 faktor 0 00000 5 strReplace Format nn L sion Volumen max 0 00000 Case Kehrwert Print fn strReplace Format 1 nn aid i_faktor 0 00000 strReplace Format 1 nn lid 1 0 00000 strReplace Format 1 nn L sion Volumen max 1 0 00000 u N Case Logarithmus Print fn strReplace Format Log nn aid i_faktor 0 00000 strReplace Format Log nn lid i_faktor 0 00000 strReplace Format Log nn L sion Volumen max i _ faktor HHO 00000 Case Exponentiell G R hrig 127 T Schreiber K nstliche neuronale Netze in der Neurochirurgie Print fn strReplace Format Exp nn aid 0 00000 strReplace Format Exp nn lid 0 00000 strReplace Format Exp nn L sion Volumen max 0 00000 Case TangensH Print fn strReplace Format TanH nn aid 0 00000 strReplace Format TanH nn lid 0 00000 strReplace Format TanH nn L sion Volumen 0 00000 Case Sinus Print fn strReplace Format Sin nn aid 0 00000 strReplace Format Sin nn lid 0 00000 strReplace Format in nn L sion Volumen max 0 00000 Case Wurzel Print fn strReplace Format 1
50. sql Select Patient Neu from Patient Neu where PID amp nn PID Set pat db OpenRecordset sql Print fn strReplace Format Sin nnlaid 0 00000 strReplace Format Sin nn lid 0 00000 strReplace Pormat Sin nn L sion Volumen 0 00000 en 0 00000 je ns strReplace Format Sin pat msep 0 00000 strReplace Format Sin pat tsep 0 00000 Case Wurzel sql Select Patient Neu from Patient Neu where PID amp nn PID Set pat db OpenRecordset sql Print fn strReplace Format 1 Sqr nn aid i_faktor 0 00000 5 strReplace Format 1 Sqr nn lid faktor 0 00000 strReplace Format 1 Sqr nn L sion Volumen max i_faktor 0 00000 1 7 strReplace Format 1 Sqr pat aep o_faktor 0 00000 strReplace Format 1 Sqr pat msep G R hrig 115 T Schreiber K nstliche neuronale Netze in der Neurochirurgie o_faktor 0 00000 strReplace Format 1 Sqr pat tsep o_faktor 0 00000 End Select nn MoveNext Loop pat Close nn Close Close fn End Function Public Function ep_gos_SNNS i As String o As String file As String faktor As String o_faktor As String In_fkt As String Out_fkt As String Function erzeugt Pattern File f r SNNSv4 1 Konstante Datei input
51. und Anwendungen Carl Hanser Verlag M nchen 1991 2 Auflage Jeanette Lawrence Neuronale Netze Computersimulation biologischer Intelligenz Systeme Verlag GmbH M nchen 1992 Burkhard Lenze Einf hrung in die Mathematik neuronaler Netze Logos Verlag Berlin 1997 Detlef Nauck Frank Klawonn Rudolf Kruse Neuronale Netze und Fuzzy Systeme Vieweg Verlag Braunschweig Wiesbaden 1994 Dan Patterson K nstliche neuronale Netze Das Lehrbuch Prentice Hall Verlag GmbH M nchen Haar 1997 Valluru B Rao V Rao C Neural Networks and Fuzzy Logic MIS Press New York 1993 G R hrig 163 T Schreiber K nstliche neuronale Netze in der Neurochirurgie 13 Helge Ritters Thomas Martinetz Klaus Schulten Neuronale Netze Addison Wesley Publishing Company 1994 14 Raul Rojas Theorie der neuronalen Netze Springer Verlag Berlin Heidelberg New York 1996 15 Andreas Zell Simulation neuronaler Netze Addison Wesley Company Publishing Bonn 1994 16 Lehr und bungsbuch Mathematik Band IV Verlag Harri Deutsch Thun und Frankfurt Main 1990 G R hrig 164 T Schreiber K nstliche neuronale Netze in der Neurochirurgie Abbildungsverzeichnis ABBILDUNG 2 1 DIE HIRNRINDE 5 ABBILDUNG 2 2 DAS NEURON 6 ABBILDUNG 2 3 SIGNAL BERTRAGUNG ZWISCHEN NEURONEN 7 ABBILDUNG 2 4 ALLGEMEINE SYNAPSENTYPEN 7 ABBILDUNG 3 1 INFORMATIONSFLU IN EINER
52. wird die Konstante des Formulars Select Case i Case 1 konstante Forms statistik faktor1 Case 2 konstante Forms statistik Faktor2 Case 3 konstante Forms statistik Faktor3 Case 4 konstante Forms statistik Faktor4 Case 5 konstante Forms statistik Faktor5 Case 6 konstante Forms statistik Faktor6 Case 7 konstante Forms statistik Faktor7 Case 8 konstante Forms statistik Faktor8 Case 9 konstante Forms statistik Faktor9 End Select End Function Public Function funktion i As String As String Diese Funktion liefert die Funktion der Variablen 1 H zu betrachtende Feldnummer der tempor ren Tabelle R ckgabewert ist die selektierte Funktion des Feldes i Dim fkt As String Select Case i Case 1 G R hrig 133 T Schreiber K nstliche neuronale Netze in der Neurochirurgie fkt Forms statistik Funktion1 Case 2 fkt Forms statistik Funktion2 Case 3 fkt Forms statistik Funktion3 Case 4 fkt Forms statistik Funktion4 Case 5 fkt Forms statistik Funktion5 Case 6 fkt Forms statistik Funktion6 Case 7 fkt Forms statistik Funktion Case 8 fkt Forms statistik Funktion8 Case 9 fkt Forms statistik Funktion9 End Select funktion getFunktion fkt 1 Aufruf der Stringerzeugungs Funktion End Function Public Function Outfunktion fkt As String i As String As String Diese Funktion liefert die Transformationsfunkton
53. 1 Tabelle 11 2 Korrelations zwischen GOS3M 12M und xEP komplette Skala GOSE N AEP MEP TEP Alle 30 0 199 0 530 0 636 Nach Lage Mesencephalon Pons Medulla 22 0 033 0 531 0 750 Frontalis 26 0 217 0 676 0 793 Parietalis occipitalis 15 0 317 0 532 0 758 Insularis temporalis 20 0 309 0 707 0 816 Corpus callosum Septum 21 0 052 0 439 0 641 Capsula interna 10 0 106 0 607 0 677 Nuclei basales Limbisches System 24 0 216 0 624 0 787 Nach Art Diffuse hypoxic damage 1 n b n b n b Hematoma 11 0 269 0 671 0 828 Contusion Cerebrum 30 0 199 0 530 0 636 Contusion Truncus encephalicus 26 0 110 0 483 0 671 Tabelle 11 3 Korrelation zwischen GOSE und xEP reduzierte Skala GOS3M GOS 12 M N AEP MEP TEP G R hrig 85 T Schreiber K nstliche neuronale Netze in der Neurochirurgie Alle 30 0 196 0 576 0 616 Nach Lage Mesencephalon Pons Medulla 22 0 144 0 665 0 769 Frontalis 26 0 252 0 741 0 798 Parietalis occipitalis 15 0 397 0 717 0 922 Insularis temporalis 20 0 058 0 631 0 757 Corpus callosum Septum 21 0 102 0 653 0 771 Capsula interna 10 0 000 0 867 0 926 Nuclei basales Limbisches System 24 0 179 0 679 0 796 Nach Art Diffuse hypoxic damage 1 n b n b n b Hematoma 11 0 406 0 764 0 899 Contusion Cerebrum 30 0 196 0 576 0 616 Contusion Truncus encephalicus 26 0 143 0 636 0 763 Tabelle 11 4 Korrelation zwischen GOS3M 12M und xEP reduzierte Skala G R hrig 86 T Schreiber
54. 1 0 108 14 1 MODUL ALLGEMEIN 108 14 2 MODUL DATEN BERNAHME 135 14 3 MODUL PATTERNERZEUGUNG 137 14 4 MODUL STATISTIK 140 14 5 MODUL SNNS AUSWERTUNG 161 14 6 SNNS AUSWERTUNG SUCHEN 162 LITERATURVERZEICHNIS 163 ABBILDUNGSVERZEICHNIS 165 TABELLENVERZEICHNIS 166 ERKL RUNG 167 G R hrig 2 T Schreiber K nstliche neuronale Netze in der Neurochirurgie 1 Einleitung Im Rahmen eines Kooperationsvertrages zwischen der Fachhochschule Fulda und der Klinik f r Neurochirurgie des St dtischen Klinikums Fulda soll in dieser Arbeit die M glichkeit der Prognoseabsch tzung von Patienten mit Sch del Hirn Verletzungen untersucht und ggf realisiert werden Bei den in dem Projekt integrierten Teilbereichen handelt es sich um e Datenerfassung e Datenverarbeitung e Prognoseberechnung e Visualisierung F r diese Studie relevante Bereiche ergeben sich aus der Datenerfassung der Datenverarbeitung und der Prognoseberechnung Untersucht wurden 30 Patienten mit prolongierter Aufwachphase Mit Hilfe der Computertomographie und der Magnetresonanztomographie wurden die Daten der intra und extraparenchymale L sionen ermittelt und in einer Datenbank gespeichert In den folgenden Kapiteln werden diese Daten analysiert klassifiziert und die Ergebnisse die unter Verwendung nicht kommerzieller Simulatoren entstanden beurteilt In Kapitel 2 wird eine kurze Einf hrung in den Themenbereich k nstliche neuronale Netze dargestellt Das folgen
55. 1 Grundstrukturen Die Interdisziplin re Arbeitsgruppe neuronale Netze von der Universit t Mannheim entwickelte verschiedene Turbo Pascal Files die es erm glichen einige Topologien und Strukturen k nstlicher neuronaler Netze abzubilden Die Dateien sind ab Turbo Pascal Version 5 5 einsetzbar Vor dem ersten Start der Simulatoren m ssen die hinterlegten Units erzeugt werden Die entsprechenden Dateien werden durch NN_ PAS klassifiziert und k nnen nach Einstellung der Compiler Destination auf Disk in Turbo Pascal Unit Files Endung TPU konvertiert werden Die Verzeichnisse des Programms m ssen innerhalb der Bereiche EXE amp TPU Directories und UNIT Directories durch die erzeugten Unit Verzeichnisse erg nzt werden Einige dieser Simulatoren Dateien verlangen die explizite Eingabe der Dateinamen der Patternfiles des BGI Pfades und der Gewichtedatei Diese Angaben werden direkt in den Quellcode an die entsprechenden Stellen geschrieben Die f r die Simulation n tigen Konstanten wie z B die Anzahl der Neuronen oder die Anzahl der Zyklen werden in jeder Pascal Datei im Deklarationsteil const vereinbart Beispiel der Konstantendeklaration i_number_of_cycles 32000 Anzahl der Lernzyklen i_dim_inputvector_xs 16 Anzahl der Komponenten von xs i_dim_inputvector_xa 13 Anzahl der Komponenten von xa i_number_of_neurons 100 Gesamtanzahl der Neuronen i_number_of_x_neurons 10 Anzahl
56. 48 T Schreiber K nstliche neuronale Netze in der Neurochirurgie End If objExcel Quit Set objExcelWS Nothing Zur cksetzen der Objekte Set objExcel Nothing MsgBox Die Daten wurden erfolgreich analysiert s Close MelRegressionsfunktion Visible True Me Bestimmt Visible True Me Pearson Visible True Me Regressionsfunktion SetFocus End Sub Private Sub faktorl1_AfterUpdate Fehlerroutine zum Abfangen negativer Konstanten If Me faktorl lt 0 Or Me faktorl 0 Then MsgBox Dieses Feld ist nur f r Zahlen gr er 0 00 zugelassen Me faktorl 1 End If End Sub Private Sub Faktor2_AfterUpdate Fehlerroutine zum Abfangen negativer Konstanten If Me Faktor lt 0 Or Me Faktor 0 Then MsgBox Dieses Feld ist nur f r Zahlen gr er 0 00 zugelassen Me Faktor2 1 End If End Sub Private Sub Faktor3_AfterUpdate Fehlerroutine zum Abfangen negativer Konstanten If Me Faktor3 lt 0 Or Me Faktor3 0 Then MsgBox Dieses Feld ist nur f r Zahlen gr er 0 00 zugelassen Me Faktor3 1 End If End Sub Private Sub Faktor4_AfterUpdate Fehlerroutine zum Abfangen negativer Konstanten If Me Faktor4 lt 0 Or Me faktorl 0 Then MsgBox Dieses Feld ist nur f r Zahlen gr er 0 00 zugelassen Me Faktor4 1 End If End Sub Private Sub Faktor5_AfterUpdate Fehlerroutine zum Abfangen negativer Konstanten G R hrig 149 T Schreiber K nstliche neuronale Netze in der Neurochirurgie I
57. Aufstellung des ungeeignetsten Ergebnisses Output Inputfunktion Outputfunktion Pattern Nummer Art des Netzes Varianz AEP Logarithmisch Logarithmisch 31 FFW 32 5 0 1055 MSEP Kehrwert Logarithmisch 41 FFW 32 5 0 2016 TSEP Kehrwert Logarithmisch 41 FFW 32 5 0 2695 Tabelle 10 7 Schlechteste SNNS Ergebnisse f L SION Abh ngigkeit yEP f GOSx Die Inputwerte sind hier der Glasgow Outcome Score bei Entlassung nach drei und nach zw lf Monaten zum Training standen hier 30 Datens tze der Patienten zur Verf gung G R hrig 75 T Schreiber K nstliche neuronale Netze in der Neurochirurgie Tabellarische Aufstellung des besten Ergebnisses Output Inputfunktion Outputfunktion Pattern Nummer Art des Netzes Varianz AEP Kehrwert Tangens Hyp 65 FFW 32 5 0 001875 MSEP Kehrwert Tangens Hyp 65 FFW 32 5 0 002522 TSEP Exponentiell Tangens Hyp 60 FFW 32 5 0 002897 Tabelle 10 8 Beste SNNS Ergebnisse f GOSx Tabellarische Aufstellung des ungeeignetsten Ergebnisses Output Inputfunktion Outputfunktion Pattern Nummer Art des Netzes Varianz AEP Linear Logarithmisch 66 FFW 32 5 0 117732 MSEP Tangens Hyp Logarithmisch 71 FFW 32 5 0 105909 TSEP Tangens Hyp Logarithmisch 71 FFW 32 5 0 089151 Tabelle 10 9 Schlechteste SNNS Ergebnisse yEP f GOSx Abh ngigkeit G
58. CurrentDb Set nn db OpenRecordset Ergebnis DoCmd SetWarnings False nn MoveFirst Do Until nn EOF nn Edit nn differenz1 nn solll nn istl nn adiffl nn differenz1 2 nn differenz2 nn soll2 nn ist2 nn qdiff2 nn differenz2 2 nn differenz3 nn soll3 nn ist3 nn qdiff3 nn differenz3 2 nn Update nn MoveNext Loop nn Close End Function Public Function getFunktion fkt As String i As String As String Diese Funktion erzeugt den anzuzeigenden Funtionsterm incl der Transformation G R hrig 132 T Schreiber K nstliche neuronale Netze in der Neurochirurgie und der errechneten Parameter Schl ssel der gew hlten Funktion i errechneter Koeefizient der Funktion Select Case fkt Case 1 Logarithmus getFunktion LN amp amp i amp amp konstante i amp Case 2 Exponentiell getFunktion amp i amp Case 3 Kehrwert getFunktion amp 1 amp amp konstante i amp Case 4 linear getFunktion x amp i amp amp konstante i Case 5 TangensH getFunktion tanH x amp i amp Case 6 Sinus getFunktion sin x amp i amp Case 7 Wurzel getFunktion SQR x amp i amp amp konstante i amp End Select End Function Public Function konstante i As String As String Mit dieser Funtion wird die Konstante des Feldes 1 der tempor ren Tabelle ermittelt 1 Feldnummer Zur ckgegeben
59. Dim fn As Integer fn FreeFile Open datei For Output As fn ffnen der Ausgabedatei Kopfzeile der Pascalfiles Print fn Trim DCount aid L sionen Neu 2 Anzahl der Eingabedatens tze Print fn i Print fn Trim DCount aid L sionen Neu 2 Print fn o If Forms Pattern Normal True Then Volumennormalisierung max Normalize Else max 1 End If nn MoveFirst Do Until nn EOF Select Case In_fkt Selektion der Eingabefunktion Case linear Print fn strReplace Format nnlaid i_faktor 0 00000 strReplace Format nn lid i_faktor 0 00000 strReplace Format nn L sion Volumen 0 00000 sql Select Patient Neu from Patient Neu where PID amp nn PID Set pat db OpenRecordset sql G R hrig 112 T Schreiber K nstliche neuronale Netze in der Neurochirurgie Print fn strReplace Format pat aep o_faktor 0 00000 strReplace Format pat msep o_faktor 0 00000 strReplace Format pat tsep o_faktor 0 00000 Case Kehrwert Print fn strReplace Format 1 nn aid i_faktor 0 00000 strReplace Format 1 nn lid i_faktor 0 00000 strReplace Format 1 nn L sion Volumen max i_faktor 4 0 00000 Ke sql Select Patient Neu from Patient Neu where PID amp nn
60. EP berechnet Standardabw 1 bez glich AEP soll und AEP berechnet Standardabw 2 bez glich MSEP soll und MSEP berechnet Standardabw 3 bez glich GOS12M soll und GOS12M berechnet Fehler 1 bez glich soll und AEP berechnet Fehler 2 bez glich soll und MSEP berechnet Fehler 3 bez glich TSEP soll und TSEP berechnet Abh ngigkeit Glasgow Outcome Score Input Evozierte Potentiale Output G R hrig 72 T Schreiber K nstliche neuronale Netze in der Neurochirurgie INPUTI GOSE AEP OUTPUTI INPUT2 GOS3M SNNS Netz MSEP OUTPUT2 INPUT3 GOS12M TSEP OUTPUT3 In der Auswertung werden auch hier die Sollwerte mit den durch den Simulator berechneten Werten verglichen So ergeben sich folgende Ergebnisse Varianzl bez glich AEP soll und AEP berechnet Varianz2 bez glich MSEP soll und MSEP berechnet Varianz3 bez glich TSEP soll und TSEP berechnet Standardabw 1 bez glich AEP soll und AEP berechnet Standardabw 2 bez glich MSEP soll und MSEP berechnet Standardabw 3 bez glich GOS12M soll und GOS12M berechnet Fehler 1 bez glich soll und AEP berechnet Fehler 2 bez glich soll und MSEP berechnet Fehler 3 bez glich TSEP soll und TSEP berechnet Abh ngigkeit Evozierte Potentiale Input Glasgow Outcome Score Output INPUTI AEP GOSE OUTPUTI INPUT2 MEP SNNS Netz GOS3M OUTPUT2 INPUT3 TEP GOS12M OUTPUT3 In der Auswertung werden auch hier die Sollwerte mit den durch den Simulator berechneten Werten verglichen
61. End If Next z Case 2 a 0 Forz 1To9 strSpalte in amp Trim Str z If bInSumme strSpalte s True Then 1 lt gt 2 Then strl 5171 amp Format objExcelWS cells Trim Str 335 18 0 000 amp amp funktion Trim Str z amp Else strl strl amp Format objExcelWS cells Trim Str 335 a 18 0 000 amp amp funktion Trim Str z amp amp Format objExcelWS cells Trim Str 336 18 0 000 End If End If Me Regressionsfunktion str 1 Next z Case 3 a 0 For z 1 To 9 G R hrig 146 T Schreiber K nstliche neuronale Netze in der Neurochirurgie strSpalte in amp Trim Str z If blnSumme strSpalte s True Then 1 If a lt gt 3 Then strl strl amp Format objExcelWS cells Trim Str 335 18 0 000 amp amp funktion Trim Str z amp Else strl strl amp Format objExcelWS cells Trim Str 335 a 18 0 000 amp amp funktion Trim Str z amp amp Format objExcelWS cells Trim Str 336 a 18 0 000 End If End If Me Regressionsfunktion str1 Next z Case 4 a 0 Forz 1 9 strSpalte in amp Trim Str z If bInSummet strSpalte s True Then 1 If a lt gt i Then strl 5171 amp Format objExcelWS cells Trim Str 335 18 0 000 amp amp funktion Trim Str z amp Else strl strl amp Format objExcelWS cells Trim Str 335 a 18 0
62. Ergebnis stellt sich heraus dass die Korrelation zwischen MEP und TEP bei ca 0 837 liegt Abbildung 11 2 w hrend die Korrelationen zwischen MEP und AEP bei 0 553 f r die reduzierte Skala und 0 534 f r die komplette Skala betragen MEP TEP y 0 8605x 0 8256 MEP o nwru zu ele TEP Abbildung 11 2 Graph zu f TEP mit kompletter Skala Mit der reduzierten Skala ergibt sich f r die Korrelation zwischen TEP und ein Wert von 0 445 der durch Komplettierung der Skala auf 0 412 reduziert wird Abbildung 11 3 TEP AEP y 0 4565x 0 8573 5 4 3 1 0 T T T T T 1 0 1 2 3 4 5 AEP Abbildung 11 3 Graph zu TEP f AEP mit kompletter Skala G R hrig 82 T Schreiber K nstliche neuronale Netze in der Neurochirurgie e GOSy in Abh ngigkeit von xEP Diese Zuordnung beschreibt den Zusammenhang der einzelnen Glasgow Outcome Scores zwischen jedem evozierten Potential Die beste Regression wird im Bereich der reduzierten Skala durch die lineare Funktion GOSE f TEP mit einem Korrelationskoeffizienten von 0 636 erreicht w hrend die schlechteste Korrelation bei 0 196 zwischen GOS3M und liegt F r die komplette Skala besitzt die Abh ngigkeit zwischen GOS3M 12M und TEP mit 0 749 Abbildung 11 4 die h chste Korrelation GOS3M TEP y 0 8605x 1 7256 6 5 4 2 3 2 1 0 T T T T T 1 0 1 2 3 4 5 TEP
63. Format nn gos12m i_faktor 0 00000 Case Kehrwert Print fn strReplace Format 1 nn gose i_faktor 0 00000 5 strReplace Format 1 nn gos3m i_faktor 0 00000 strReplace Format nn gos12m i_faktor 0 00000 Case Logarithmus Print fn strReplace Format Log nn gose i_faktor 0 00000 strReplace Format Log nn gos3m i faktor 0 00000 strReplace Format Log nn gos12m i_faktor 0 00000 Case Exponentiell Print fn strReplace Format Exp nn gose 0 00000 strReplace Format Exp nn gos3m 0 00000 strReplace Format Exp nn gos12m 0 00000 Case TangensH Print fn strReplace Format TanH nn gose 0 00000 5 strReplace Format TanH nn gos3m 0 00000 strReplace Format TanH nn gos12m 0 00000 Case Sinus Print fn strReplace Format Sin nn gose 0 00000 strReplace Format Sin nn gos3m 0 00000 strReplace Format Sin nn gos12m 0 00000 Case Wurzel Print fn strReplace Format 1 Sqr nn gose i_faktor 0 00000 strReplace Format 1 Sqr nn gos3m i_faktor 0 00000 strReplace Format 1 Sqr nn gos12m i_faktor 0 00000
64. GOSY F XEP TABELLE 10 11 SCHLECHTESTE SNNS ERGEBNISSE GOSY F TABELLE 10 12 FUNKTIONSZUSAMMENH NGE DER PATTERN UND ERGEBNISFILES TABELLE 11 1 KORRELATION ZWISCHEN GOSE UND XEP KOMPLETTE SKALA TABELLE 11 2 KORRELATIONS ZWISCHEN GOS3M 12M UND XEP KOMPLETTE SKALA TABELLE 11 3 KORRELATION ZWISCHEN GOSE UND XEP REDUZIERTE SKALA TABELLE 11 4 KORRELATION ZWISCHEN GOS3M 12M UND REDUZIERTE SKALA TABELLE 12 1 KNN 1 0 TRANSFORMATIONSFUNKTIONEN G R hrig 166 T Schreiber 26 27 28 33 52 63 65 66 68 69 70 70 74 75 75 75 76 76 71 77 80 84 85 85 86 97 K nstliche neuronale Netze in der Neurochirurgie Erkl rung Gem 20 Absatz 8 der Pr fungsordnung des Fachbereiches Angewandte Informatik und Mathematik der Fachhochschule Fulda vom 10 Mai 1989 versichern wir dass wir die vorliegende Diplomarbeit selbstst ndig angefertigt und keine anderen als die genannten Quellen und Hilfsmittel verwendet haben Die Diplomarbeit wurde gem der bereits erw hnten Pr fungsordnung als gemeinsame Arbeit von Gerhard R hrig und Torsten Schreiber erstellt Die schriftliche Ausarbeitung der Kapitel 2 3 4 7 10 wurde von Gerhard R hrig die Kapitel 5 6 8 9 11 12 von Torsten Schreiber zusammengestellt Die verbeibenden Kapitel 1 und 13 und das entwickelte Programm KNN 1 0 Kapitel 14 wurden im Team angefertigt Diese Arbeit hat in gleicher oder hnlicher Form noch keiner anderen Pr
65. K nstliche neuronale Netze in der Neurochirurgie Diplomarbeit gem 20 der Pr fungsordnung vom 10 Mai 1989 des Fachbereiches Angewandte Informatik und Mathematik der Fachhochschule Fulda Zugeordnetes Fach K nstliche neuronale Netze von Gerhard R hrig amp Torsten Schreiber Referent Koreferent Herr Professor Dr Oleg Taraszow Herr Dr Bernd H lper Fachhochschule Fulda St dtisches Klinikum Fulda 24 Dezember 1998 K nstliche neuronale Netze in der Neurochirurgie Inhaltsverzeichnis 1 EINLEITUNG 2 K NSTLICHE NEURONALE NETZE EINE EINF HRUNG 2 1 NAT RLICHE NEURONALE NETZE 2 2 K NSTLICHE NEURONALE NETZE 2 3 HISTORISCHER BERBLICK KNN 2 4 EIGENSCHAFTEN K NSTLICHER NEURONALER NETZE 3 MODELLE K NSTLICHER NEURONALER NETZE 3 1 DER AKTIVIERUNGSZUSTAND 3 2 DIE AKTIVIERUNGSREGEL 3 3 DIE AUSGABEREGEL 3 4 DAS FEHLERMA 3 5 DAS NETZWERK 3 6 DIE VERBINDUNGSSTRUKTUR 3 7 DIE KONTROLLSTRATEGIE 3 8 DIE VERMITTLUNGSREGEL 3 9 DIE ADAPTIONSREGEL 3 10 DIE SYSTEMUMGEBUNG 4 SOFTWARE SIMULATOREN 4 1 AUSWAHL VON SOFTWARE SIMULATOREN 4 2 BEURTEILUNGSKRITERIEN 4 3 AUSWERTUNG 4 4 ZUSAMMENFASSUNG 5 DER SIMULATOR HAVBPNET 5 1 PRODUKTBESCHREIBUNG 5 2 _BENUTZERHANDBUCH 6 TURBO PASCAL 6 1 _GRUNDSTRUKTUREN 6 2 DIE SIMULATOREN 7 SNNS 4 1 7 1 SYSTEMVORAUSSETZUNG 7 2 BENUTZUNG
66. Klasse9 nicht relevant Exit Sub End If End If End Sub Public Function binSumme spalte As String rs As Recordset As Boolean Ermittlung der nichtleeren Spalten der tempor ren Tabelle f r den Datenexport spalte zu untersuchende Spalte lt zu bergebendes Recordset der betroffenen Tabelle R ckgabewert ist True wenn Spalte Werte enth lt sonst False Dim s As Double Summenwert der Spaltendaten rs MoveFirst Do Until rs EOF s rs spalte s rs MoveNext If s lt gt 0 Then Wenn Summe gt 0 dann Spalte relevant True G R hrig 159 T Schreiber K nstliche neuronale Netze in der Neurochirurgie blnSumme True Exit Function End If Loop blnSumme False End Function G R hrig 160 T Schreiber K nstliche neuronale Netze in der Neurochirurgie 14 5 Modul SNNS Auswertung Option Compare Database Option Explicit Private Sub Befehl36_Click Schalter zum Speichern der Auswertungen in der Tabelle Auswertungen Dim db As Database Dim aus As Recordset Set db CurrentDb Set aus db OpenRecordset Auswertung If MsgBox M chten Sie das Ergebnis speichern vbYesNo vbYes Then aus AddNew aus Titel InputBox Bitte geben Sie der Auswertung einen Namen Speicherung SNNS aus Varianzl Me Varianzl aus Varianz 2 Me Varianz aus Varianz3 Me Varianz3 aus stdabwl Me stdl aus stdabw2 Me std2 aus stdabw3 Me std3 aus fehlerl Me fehlerl aus fehler2 Me f
67. LDUNG 11 4 GRAPH ZU GOS3M I2M F MIT KOMPLETTER SKALA 83 ABBILDUNG 11 5 GRAPH 20 GOS3M I2M F MIT KOMPLETTER SKALA 83 ABBILDUNG 12 1 KNN 1 0 BENUTZUNGSOBERFL CHE 95 ABBILDUNG 12 2 KNN 1 0 PATTERNERZEUGUNG 99 ABBILDUNG 12 3 KNN 1 0 REGRESSIONSANALYSE 101 ABBILDUNG 12 4 KNN 1 0 AUSWERTUNG SNNS 102 ABBILDUNG 12 5 KNN 1 0 SNNS AUSWERTUNG SUCHEN 103 G R hrig 165 T Schreiber K nstliche neuronale Netze in der Neurochirurgie Tabellenverzeichnis TABELLE 3 1 LEGENDE DER HEBB SCHEN LERNREGELN TABELLE 3 2 LEGENDE DER DELTA REGEL TABELLE 3 3 LEGENDE DER BACKPROPAGATION REGEL TABELLE 4 1 BEWERTUNGSTABELLE DER NICHT KOMMERZIELLEN SIMULATOREN TABELLE 8 1 DATENBESCHREIBUNG DER MESSWERTE DES MNM TABELLE 9 1 KLASSIFIKATION DER RELEVANTEN DATEN TABELLE 9 2 REFERENZTABELLE LAGE TABELLE 9 3 REFERENZTABELLE ART TABELLE 9 4 EIGENSCHAFTEN DER ENTIT TEN VON KNN 1 0 TABELLE 10 1 ARCHITEKTUR I FEEDFORWARD NETZ TABELLE 10 2 ARCHITEKTUR FEEDFORWARD NETZ TABELLE 10 3 ARCHITEKTUR ELMAN NETZ TABELLE 10 4 BESTE SNNS ERGEBNISSE GOSY F L SION TABELLE 10 5 SCHLECHTESTE SNNS ERGEBNISSE GOSY F L SION TABELLE 10 6 BESTE SNNS ERGEBNISSE YEP F L SION TABELLE 10 7 SCHLECHTESTE SNNS ERGEBNISSE F L SION TABELLE 10 8 BESTE SNNS ERGEBNISSE YEP F GOSX TABELLE 10 9 SCHLECHTESTE SNNS ERGEBNISSE YEP F GOSX TABELLE 10 10 BESTE SNNS ERGEBNISSE
68. Lernregeln und der bergabeparameter der integrierten Funktionen berpr ft 6 Datenbereich Da die zu analysierenden Daten die unterschiedlichsten Formate und Auspr gungen besitzen k nnen wird getestet welche Formate ein Produkt unterst tzt und inwieweit der Definitions Wertebereich und die Anzahl der zu verarbeitenden Daten beschr nkt ist 7 Resultate Anhand vorbereiteter Trainings und Testdaten werden die Simulatoren im Hinblick auf die Zuverl ssigkeit der Ergebnisse und deren Darstellung berpr ft So spielen die Speicherung die graphische Darstellung und die Analysem glichkeiten der Ergebnisse eine wichtige Rolle 8 Referenzen Referenzen werden von Anwendern eines Simulators an den Hersteller vergeben wodurch eine Eingruppierung des Softwareprodukts in einem Marktbereich gew hrleistet werden kann 9 Dokumentation Der einzusetzende Simulator muss die unterschiedlichsten Daten und Topologien neuronaler Netze verarbeiten Damit eine sichere Bearbeitung der Testf lle m glich ist wird jedes Produkt auf die hinterlegte Dokumentation in Form eines Textfiles einer Hilfedatei oder Internetseiten untersucht Ein wichtiger Parameter stellt die Anwendungsfreundlichkeit d h die Themen im Bereich der Beispiele Schnittstellen und Navigation innerhalb des Programms dar G R hrig 32 T Schreiber K nstliche neuronale Netze in der Neurochirurgie 4 3 Auswertung In Tabelle 4 1 werden die bewerteten Simula
69. MsgBox Wolllen Sie die Daten reduziert bernehmen vbYesNo vbYes Then x gos_reduzierung Skalenreduzierung End If MsgBox Die Patientendaten wurden erfolgreich bernommen End Sub Private Sub Pattern_ClickO ffnen der Patternerzeugungsmaske DoCmd OpenForm Pattern End Sub G R hrig 136 T Schreiber K nstliche neuronale Netze in der Neurochirurgie 14 3 Modul Patternerzeugung Option Compare Database Option Explicit Private Sub Befehl6_Click Erzeugung der Patternfiles in Abh ngigkeit von der Zuordnung der Transformationsfunkiton und des gew hlten Simulators Dim x Fehlerpr fung bei fehlenden Angaben If IsNull Me i Then MsgBox Bitte Anzahl der Input Variablen eingeben Exit Sub End If If IsSNull Me o Then MsgBox Bitte Anzahl der Output Variablen eingeben Exit Sub End If If IsNull Me file Then MsgBox Bitte Zielverzeichnis amp Zieldatei eingeben Exit Sub End If Selektion der Konvertierungsfunktion DoCmd Hourglass True If Mel pat_gos True Then If Melsnns True Then x Pat_GOS_SNNSG file i_faktor o_faktor In_fkt Out_fkt Else If Me tp True Then x Pat_gos_Pascal i file i_faktor o_faktor In_fkt Else If Me havbpett True Then x Pat_gos_Havbpett i o file i_faktor o_faktor In_fkt Out_fkt Else MsgBox Bitte einen Simulator w hlen Exit Sub End If End If End If End If If Mel pat_ep True Then If Melsnns True Then x Pat _EP_SNNS i o fi
70. NS As String o As String file As String i_faktor As String o_faktor As String In_fkt As String Out_fkt As String Function erzeugt Pattern File f r SNNSv4 1 Konstante Datei input output units Formal 3xInput 3xOutput 1 Anzahl der Input Variablen o Anzahl der Output Variablen file Zielverzeichnis amp Zieldatei 1 Doktor Konstante zur Funktionsbestimmung im Eingaberaum o_faktor Konstante zur Funktionsbestimmung im Ausgaberaum In_fkt Schl ssel der Input Funktion Out_fkt Schl ssel der Output Funktion Dim db As Database Dim nn As Recordset Dim dat As Recordset Dim pat As Recordset Dim sql datei max Set db CurrentDb Set nn db OpenRecordset L sionen Neu datei file Dim fn As Integer fn FreeFile Open datei For Output As fn ffnen der Ausgabedatei Dateikopf des SNNS files Print fn SNNS pattern definition file V3 2 Print fn generated at E Format Date Long Date Print fn Print fn No of patterns E DCount aid L sionen Neu Print fn No of input units amp i Print fn No of output units amp o Print fn If Forms Pattern Normal True Then Volumennormaisierung max Normalize Else max 1 End If nn MoveFirst Do Until nn EOF Select Case In_fkt Selektion der Eingabefunktion Case linear Print fn strReplace Format Trim Str nnlaid i_faktor 0 00000 strReplace Format Trim Str nn
71. OSy f xEP Die Inputwerte sind hier die evozierten Potentiale AEP MEP TEP die Outputwerte stellen den Glasgow Outcome Score bei Entlassung GOSE nach drei Monaten GOS3M und nach zw lf Monaten GOS12M dar Zum Training standen hier 30 Datens tze der Patienten zur Verf gung Tabellarische Aufstellung des besten Ergebnisses Output Inputfunktion Outputfunktion Pattern Nummer Art des Netzes Varianz GOSE Kehrwert TanH 95 FFW 32 5 0 000115 G R hrig 76 T Schreiber K nstliche neuronale Netze in der Neurochirurgie GOS3M Kehrwert TanH 95 FFW 32 5 0 000150 GOS12M Kehrwert TanH 95 FFW 32 5 0 000130 Tabelle 10 10 Beste SNNS Ergebnisse GOSy f Tabellarische Aufstellung des ungeeignetsten Ergebnisses Output Inputfunktion Outputfunktion Pattern Nummer Art des Netzes Varianz GOSE Linear Logarithmisch 76 FFW 32 5 0 049297 GOS3M Linear Logarithmisch 76 FFW 32 5 0 068100 GOS12M Exponentiell Logarithmisch 86 FFW 32 5 0 068099 Tabelle 10 11 Schlechteste SNNS Ergebnisse GOSy f xEP G R hrig 77 T Schreiber K nstliche neuronale Netze in der Neurochirurgie In Tabelle 10 12 befindet sich eine bersichtsliste in der beschrieben steht welches Patternfile mit welchen Transformationsfunktionen bearbeitet wird um die neuronalen Netze zu trainieren
72. OUT Dateien Abh ng Anzahl Funktion Divisor Anzahl Funktion Divisor Vol_Nor G R hrig 78 T Schreiber K nstliche neuronale Netze in der Neurochirurgie 40 L s_xEP 3 Expo 3 TanH 41 L s_xEP 3 Kehrw 3 Logarith 42 L s_xEP 3 Kehrw 3 Expo 43 L s_xEP 3 Kehrw 3 Kehrw 44 L s_xEP 3 Kehrw 3 Linear 10 45 L s_xEP 3 Kehrw 3 TanH 46 3 TanH 3 Logarith 47 L s_xEP 3 TanH 3 Expo 48 L s_xEP 3 TanH 3 Kehrw 49 L s_xEP 3 TanH 3 Linear 10 50 L s_xEP 3 TanH 3 TanH 51 GosxEP 3 Logarith 3 Logarith D2 GosxEP 3 Logarith 3 Expo 53 GosxEP 3 Logarith 3 Kehrw 54 GosxEP 3 Logarith 3 Linear 10 55 GosxEP 3 Logarith 3 TanH 56 GosxEP 3 Expo 3 Logarith 57 GosxEP 3 Expo 3 Expo 58 GosxEP 3 Expo 3 Kehrw 59 GosxEP 3 Expo 3 Linear 10 60 GosxEP 3 Expo 3 TanH 61 GosxEP 3 Kehrw 3 Logarith 62 GosxEP 3 Kehrw 3 Expo 63 GosxEP 3 Kehrw 3 Kehrw 64 GosxEP 3 Kehrw 3 Linear 10 65 GosxEP 3 Kehrw 3 TanH 66 GosxEP 3 Linear 10 3 Logarith J 67 GosxEP 3 Linear 10 3 Expo J 68 GosxEP 3 Linear 10 3 Kehrw J 69 GosxEP 3 Linear 10 3 Linear 10 J 70 GosxEP 3 Linear 10 3 TanH J yil GosxEP 3 TanH 3 Logarith 72 GosxEP 3 TanH 3 Expo 73 GosxEP 3 TanH 3 Kehrw 74 GosxEP 3 TanH 3 Linear 10 1S GosxEP 3 TanH 3 TanH 76 EPGOSx 3 Linear 10 3 Logarith J 77 EPGOSx 3 Linear 10 3 Expo J 78 EPGOSx 3 Li
73. Private Sub havbpett_Click Switchschalter f r die gew lten Zuordnungen Simulator Abh ngigkeit False Meltp False End Sub Private Sub In_fkt_AfterUpdate Schalter f r Funktionen die eine Konstante besitzen G R hrig 138 T Schreiber K nstliche neuronale Netze in der Neurochirurgie If Me In_fkt Linear Or In_fkt Kehrwert Or In_fkt Wurzel Or In_fkt Logarithmus Then Me i_faktor Visible True Else Me i_faktor Visible False End If End Sub Private Sub Out_fkt_AfterUpdate Schalter f r Funktionen die eine Konstante besitzen If Me Out_fkt Linear Or Out_fkt Kehrwert Or Wurzel Or Out_fkt Logarithmus Then Me o_faktor Visible True Else Me o_faktor Visible False End If End Sub Private Sub pat_ep_Click Switchschalter f r die gew lten Zuordnungen Simulator Abh ngigkeit Melen oos False Melpat_gos False Me gos_ep False Me Normal Visible True End Sub Private Sub pat_gos_Click Switchschalter f r die gew lten Zuordnungen Simulator Abh ngigkeit Melep_gos False Me gos_ep False Mel pat_ep False Me Normal Visible True End Sub Private Sub snns_Click Switchschalter f r die gew lten Zuordnungen Simulator Abh ngigkeit Meltp False Me havbpett False End Sub Private Sub mp Click Switchschalter f r die gew lten Zuordnungen Simulator Abh ngigkeit False Me havbpett False End Sub G R h
74. R hrig 50 T Schreiber K nstliche neuronale Netze in der Neurochirurgie 8 2 Datenerfassung Innerhalb des Teilprojekts der Datenerfassung ist es wichtig dass alle separat erfassten Daten zusammengef hrt werden Es soll ein MNM PC entwickelt werden der die unterschiedlichen Daten die durch Tabelle 8 1 beschrieben werden in ihren Auspr gungen und verschiedenen Formaten ber die zur Verf gung stehenden Messapparaturen in einem System abbildet Die Messungen basieren zum Teil auf der Tatsache eines erh hten intrakraniellen Druckes Die Messwerte werden beispielsweise mit Hilfe einer Hirnsonde parachymat s oder ventrikular oder ber die Magnetresonanztomographie MRT bzw Computertomographie CCT ermittelt Die Messbereiche lassen sich wie folgt unterscheiden e Neurologische Daten Pupillen Lichtreaktion dir kons Hirnstammreflexe Dezerebrationszeichen Messtechnische Daten ICP CPP ptiO gt pH Temperatur transkranieller Doppler e Laborchemische Daten Mikrodialyse arterio ven se O CO Differenzen Lactat im Liquor e An sthesiologische Daten Vitalparameter e Kardiologische Daten Herzfrequenz Rhythmus invasive Dr cke arteriell ven s e Respiratordaten Beatmungsparameter BGA Daten pO pCO pH BE usw Pos Eingang Einheit kontinuierlich Schnittstelle G R hrig 51 T Schreiber K nstliche neuronale Netze in der Neurochirurgie
75. SOBERFL CHE O D A U 1 16 17 18 19 21 21 21 23 24 24 29 30 30 31 33 34 35 35 36 37 38 38 43 43 43 8 MULTIMODALES NEUROMONITORING IN DER NEUROCHIRURGIE ___50 8 1 PROJEKTBESCHREIBUNG 8 2 DATENERFASSUNG 8 3 9 PROBLEMSTELLUNG UND MODELLIERUNG G R hrig 1 50 51 53 54 K nstliche neuronale Netze in der Neurochirurgie 9 1 PROBLEMSTELLUNG 55 9 2 DIE DATENBANK 60 9 3 DIE ANONYMISIERTEN DATEN 61 9 4 DIE DATEN BERNAHME 62 9 5 DIE DATENKONVERTIERUNG 63 9 6 DIE DATENTRANSFORMATION 65 9 7 DIE DATENBANKSTRUKTUR VON KNN 1 0 67 10 ANALYSE MITTELS SNNS 4 1 69 10 1 EINLEITUNG 69 10 2 DIE ARCHITEKTUR DER VERWENDETEN NETZE 69 10 3 DIE TRAININGSZYKLEN 70 10 4 BESCHREIBUNG DER TRAINIERTEN DATEN IM SNNS 71 10 5 DIE ERGEBNISSE DES STUTTGARTER SIMULATORS 74 11 STATISTISCHE DATENANALYSE 81 11 1 EINFACHE LINEARE REGRESSIONS KORRELATIONSANALYSE 81 11 2 ZWEIFACHE LINEARE REGRESSIONS KORRELATIONSANALYSE 87 11 3 MULTIPLE LINEARE REGRESSIONS KORRELATIONSANALYSE 88 11 4 ZUSAMMENFASSUNG 90 12 SOFTWARETOOL KNN 1 0 93 12 1 EINLEITUNG 93 12 2 BENUTZUNGSOBERFL CHE 95 12 3 DATEN BERNAHME 96 12 4 TRANSFORMATIONSFUNKTIONEN 97 12 5 PATTERNFILES 98 12 6 REGRESSIONSANALYSE 100 12 7 ERGEBNISANALYSE 101 13 FAZIT 104 14 _ QUELLCODE ZU KNN
76. Select Patient Neu from Patient Neu where PID amp nn PID Set pat db OpenRecordset sql Print fn strReplace Format Exp pat gose 0 00000 strReplace Format Exp pat gos3m 0 00000 RE strReplace Format Exp pat gos12m 0 00000 Case TangensH Print fn strReplace Format TanH nn aid 0 00000 strReplace Format TanH nn lid 0 00000 strReplace Format TanH nn L sion Volumen 0 00000 sql Select Patient Neu from Patient Neu where PID amp nn PID Set pat db OpenRecordset sql Print fn strReplace Format TanH pat gose 0 00000 strReplace Format TanH pat gos3m 0 00000 strReplace Format TanH pat gos12m 0 00000 Case Sinus Print fn strReplace Format Sin nn aid 0 00000 strReplace Format Sin nn lid 0 00000 strReplace Format Sin nn L sion Volumen max 0 00000 sql Select Patient Neu from Patient Neu where PID amp nn PID Set pat db OpenRecordset sql Print fn strReplace Format Sin pat gose 0 00000 strReplace Format Sin pat gos3m 0 00000 strReplace Format Sin pat gos12m 0 00000 Case Wurzel Print fn strReplace Format 1 Sqr nn aid i_faktor 0 00000
77. Simulatoren k nstlicher neuronaler Netze die entsprechenden Patternfiles zu erstellen wobei der Ein und Ausgaberaum normalisiert und transformiert dargestellt werden kann G R hrig 104 T Schreiber K nstliche neuronale Netze in der Neurochirurgie Als abrundende Funktionalit t wurde ein Analysetool implementiert welches die Ergebnisse des SNNS 4 1 nach den Soll und Ist Werten interpretiert und das Abspeichern der quadratischen Fehler der Standardabweichungen und der Varianzen zul sst Somit ist der Zweck des Programms KNN 1 0 wie folgt zu beschreiben e Daten bernahme der Klinikdaten e Bereitstellung der Simulatorendaten e Regressionsanalyse der Klinikdaten e Auswertung der Simulatorergebnisse F r die Weiterentwicklung des Programms bietet sich die Dynamisierung des Eingabe und des Ausgaberaums innerhalb der Daten bernahme an Auch die Integration des Tools in bestehende Datenverarbeitungssoftware stellt ein Prim rziel f r zuk nftige Arbeiten dar Die R cktransformation der von SNNS 4 1 gelieferten Ergebnisdaten in den Wertebereich des Klinikums stellt eine weitere zuk nftige Programmerweiterung dar In den Analysen mittels SNNS v4 1 ergaben sich zusammenfassend folgende Resultate e Die Daten der Gruppe I L sionsdaten prognostizieren die Werte der Gruppe Glasgow Outcome Score am besten durch die Struktur eines partiell rekurrenten k nstlichen neuronalen Netzes hier Elman Netz e Der Zusammenhan
78. Sqr nn gos12m o_faktor 0 00000 End Select nn MoveNext Loop nn Close Close fn End Function Public Function ep_gos_pascal i As String o As String file As String faktor As String o_faktor As String In_fkt As String Out_fkt As String G R hrig 117 T Schreiber K nstliche neuronale Netze in der Neurochirurgie Function erzeugt Pattern File f r Turbo Pascal Konstante Datei input output units Formal 3xInput 3xOutput 1 Anzahl der Input Variablen o Anzahl der Output Variablen file Zielverzeichnis amp Zieldatei 1 Doktor Konstante zur Funktionsbestimmung im Eingaberaum o_faktor Konstante zur Funktionsbestimmung im Ausgaberaum In_fkt Schl ssel der Input Funktion Out_fkt Schl ssel der Output Funktion Dim db As Database Dim nn As Recordset Dim dat As Recordset Dim pat As Recordset Dim sql datei Set db CurrentDb Set nn db OpenRecordset Patient Neu datei file Dim fn As Integer fn FreeFile Open datei For Output As fn ffnen der Ausgabedatei Kopfzeile des Patternfiles von Pascal Print fn Trim DCount pid Patient Neu 2 Anzahl der Eingabedatens tze Print fn i Print fn Trim DCount pid Patient Neu 2 Print fn o nn MoveFirst Do Until nn EOF Select Case In_fkt Selektion der Eingabefunktion Case linear Print fn strReplace Format nn aep i_faktor 0 00000 strReplace Format nn msep i_fakto
79. Stuttgarter neuronale Netze Simulator SNNS 4 1 kann via Internet vom Server der Universit t Stuttgart als Postscriptfile heruntergeladen werden es hat einen Umfang von 345 Seiten im DIN A4 Format G R hrig 49 T Schreiber K nstliche neuronale Netze in der Neurochirurgie 8 Multimodales Neuromonitoring in der Neurochirurgie 8 1 Projektbeschreibung Das Projekt Multimodales Neuromotoring des Klinikums f r Neurochirurgie des St dtischen Klinikums Fulda l sst sich in die Bereiche der Datenerfassung und der Datenverarbeitung untergliedern Die in diesem Projekt intergrierten Teilbereiche und deren Beziehungen untereinander werden in Abbildung 8 1 graphisch dargestellt F r diese Arbeit relevante Unterprojekte sind zum einen die Analyse Berechnung und zum anderen die Entscheidungsfindung durch neuronale Netze Sie werden in der Abbildung 8 1 im Sektor Ziele beschrieben Innerhalb des Teilprojekts Hardwarel sungen wird das Monitoring realisiert und die erzeugten Daten erg nzt durch beispielsweise das Expertenwissen und weitere klinische Fakten dem MNM PC multimodaler Neuromotoring PC zur Verf gung gestellt Klinische Daten Entscheidungsregeln Expertenwissen ICP M onitor Analyse Berechnung TED Monitor Datendarstellung PtiO Monitor Prognose Patientenmonitor Entscheidungen Microdialyse CCT MRT SSEPs A EPs Abbildung 8 1 bersicht aller Systeme zum multimodalen Monitoring G
80. Verschlechterung des Zusammenhangs liegt zum einen an der Reduzierung des Wertebereichs der Glasgow Outcome Scores und zum anderen an der Struktur der hinterlegten Skala Durch eine Detaillierung der Formate des evozierten Potentials auf die originalen Me werte und eine Skala von 1 5 f r die Glasgow Outcome Scores ist es denkbar dass sich der Zusammenhang der Daten steigern l sst Eine Filtrierung der Daten anhand der Referenzen bestehend aus Lage bzw Art wirkt sich positiv auf die Korrelationen aus so dass eine Klassenbildung der Form Lage Art die Prognosem glichkeiten steigern k nnte Aufgrund der inneren Abh ngigkeiten der evozierten Potentiale und der Glasgow Outcome Scores sollten die Prognosewerte nach 3 bzw 12 Monaten durch einen Wert z B nach 8 Monaten ersetzt werden Gleichzeitig k nnte durch eine geeignete Abbildungsfunktion einer der beiden Messwerte der evozierten Potentiale Tibialis und Medianus durch den jeweilig anderen berechnet werden und somit die Erfassung auf zwei Werte AEP und TEP oder MEP beschr nkt werden Die Phase des Trainierens und des Testens mit Hilfe der Softwaresimulatoren hat gezeigt dass durch Transformation des Eingabe Ausgaberaums zwar keine optimalen jedoch bessere Ergebnisse erzielt werden k nnen Dies hat zur Folge dass vor dem Training des Netzes geeignete Funktionen gew hlt werden m ssen was mit Hilfe des Tools KNN 1 0 men gesteuert m glich ist G R hrig 106 T S
81. a diese Daten lediglich einen Patienten betreffen GOSE N AEP MEP TEP Alle 30 0 239 0 589 0 735 Nach Lage Mesencephalon Pons Medulla 22 0 084 0 544 0 711 Frontalis 26 0 266 0 663 0 793 Parietalis occipitalis 15 0 343 0 536 0 761 Insularis temporalis 20 0 342 0 692 0 802 Corpus callosum Septum 21 0 052 0 439 0 641 Capsula interna 10 0 214 0 551 0 650 Nuclei basales Limbisches System 24 0 235 0 609 0 729 Nach Art Diffuse hypoxic damage 1 n b n b n b Hematoma 11 0 291 0 637 0 828 Contusion Cerebrum 30 0 239 0 589 0 735 Contusion Truncus encephalicus 26 0 144 0 493 0 640 Tabelle 11 1 Korrelation zwischen GOSE und xEP komplette Skala GOS3M GOS 12 M N AEP MEP TEP G R hrig 84 T Schreiber K nstliche neuronale Netze in der Neurochirurgie Alle 30 0 164 0 671 0 749 Nach Lage Mesencephalon Pons Medulla 22 0 124 0 636 0 738 Frontalis 26 0 266 0 783 0 817 Parietalis occipitalis 15 0 302 0 725 0 866 Insularis temporalis 20 0 342 0 661 0 743 Corpus callosum Septum 21 0 067 0 601 0 723 Capsula interna 10 0 000 0 875 0 869 Nuclei basales Limbisches System 24 0 127 0 684 0 784 Nach Art Diffuse hypoxic damage 1 n b n b n b Hematoma 11 0 261 0 804 0 873 Contusion Cerebrum 30 0 164 0 671 0 749 Contusion Truncus encephalicus 26 0 102 0 613 0 71
82. ace Format nn tsep i_faktor 0 00000 Case Logarithmus G R hrig 116 T Schreiber K nstliche neuronale Netze in der Neurochirurgie Print fn strReplace Format Log nn aep i_faktor 0 00000 strReplace Format Log nn msep i_faktor 0 00000 strReplace Format Log nn tsep 1 faktor 0 00000 Case Exponentiell Print fn strReplace Format Exp nn aep 0 00000 strReplace Format Exp nn msep 0 00000 strReplace Format Exp nn tsep 0 00000 Case TangensH Print fn strReplace Format TanH nn aep 0 00000 strReplace Format TanH nn msep 0 00000 strReplace Format TanH nn tsep 0 00000 Case Sinus Print fn strReplace Format Sin nn aep 0 00000 strReplace Format Sin nn msep 0 00000 wi s strReplace Format Sin nn tsep 0 00000 Case Wurzel Print fn strReplace Format 1 Sqr nn aep i_faktor 0 00000 strReplace Format 1 Sqr nn msep i_faktor 0 00000 strReplace Format 1 Sqr nn tsep i_faktor 0 00000 End Select Select Case Out_fkt Selektion der Ausgabefunktion Case linear Print fn strReplace Format nn gose o_faktor 0 00000 strReplace Format nn go
83. aid 0 00000 strReplace Format TanH nn lid 0 00000 strReplace Format TanH nn L sion Volumen 00000 sql Select Patient Neu from Patient Neu where PID E nn PID Set pat db OpenRecordset sql Print fn strReplace Format TanH pat aep 0 00000 strReplace Format TanH pat msep 0 00000 strReplace Format TanH pat tsep 0 00000 Case Sinus Print fn strReplace Format Sin nn aid 0 00000 strReplace Format Sin nn lid 0 00000 strReplace Format Sin nn L sion Volumen max 0 00000 sql Select Patient Neu from Patient Neu where PID amp nn PID Set pat db OpenRecordset sql Print fn strReplace Format Sin pat aep 0 00000 strReplace Format Sin pat msep 0 00000 ENS strReplace Format Sin pat tsep 0 00000 Case Wurzel Print fn strReplace Format 1 Sqr nn aid i_faktor 0 00000 strReplace Format 1 Sqr nn lid i_faktor 0 00000 strReplace Format 1 Sqr nn L sion Volumen max i_faktor 0 00000 d 7 7 sql Select Patient Neu from Patient Neu where PID amp nn PID Set pat db OpenRecordset sql Print fn strReplace Format 1 Sqr pat aep o_faktor 0 00000
84. aktor 0 00000 strReplace Format nn tsep o_faktor 0 00000 Case Kehrwert Print fn strReplace Format 1 nn gose 1_ faktor 0 00000 strReplace Format 1 nn gos3m 1 faktor 0 00000 strReplace Format nn gos12m i_faktor 0 00000 strReplace Format 1 nn aep o_faktor 0 00000 strReplace Format 1 nn msep o_faktor 0 00000 strReplace Format l nn tsep o_faktor 0 00000 Logarithmus Print fn strReplace Format Log nn gose i_faktor 0 00000 strReplace Format Log nn gos3m i_faktor 0 00000 strReplace Format Log nn gos12m i_faktor 0 00000 en strReplace Format Log nn aep o_faktor 0 00000 Bu strReplace Format Log nn msep o_faktor 0 00000 strReplace Format Log nn tsep o_faktor 0 00000 Case Exponentiell Print fn strReplace Format Exp nn gose 0 00000 strReplace Format Exp nn gos3m 0 00000 We strReplace Format Exp nn gos12m 0 00000 nn aep 0 00000 RE Eet strReplace Format Exp nn msep 0 00000 strReplace Format Exp nn tsep 0 00000 Case TangensH Print fn strReplace Form
85. ariablen gt Format x Format x2 Format xs Format y Format y2 Format ys KNN 1 0 Mit Hilfe des Moduls Patternerzeugung das in Abbildung 12 2 dargestellt wird ist es m glich ber die importierten Daten die f r die Simulatoren SNNSV4 1 HavbpNet und ausgew hlten Turbo Pascal Files notwendigen Trainings Files im korrekten Format zu erstellen Die hinterlegten drei unterschiedlichen Strukturen der Pattern Files sind innerhalb der Marktforschung nach nicht kommerziellen Simulatoren am h ufigsten anzutreffen Die Datei wird in einem benutzerdefinierten Verzeichnis mit einem selbst definierten Dateinamen gespeichert und steht den Simulatoren zum Trainieren Lernen zur Verf gung G R hrig 98 T Schreiber K nstliche neuronale Netze in der Neurochirurgie Einstellungen Innerhalb der Maske aus Abbildung 12 2 lassen sich folgende Einstellungen unterscheiden Anzahl Dieses Feld beschreibt die Anzahl der integrierten Eingabe und Ausgabewerte Diese Funktion ist in dieser Version noch nicht variabel gestaltet Es k nnen nur 3x3 Dateien erzeugt werden Volumen Normalisierung Mit Hilfe dieses Flags wird der Eingaberaum im Bereich des Volumens anhand des maximalen Wertes normalisiert Der Wertebereich des Volumens wird dadurch auf 0 1 reduziert e Simulator Abh ngigkeiten Mit Hilfe dieser Schaltfl chen werden der entsp
86. assung Aufgrund der Analyse der einzelnen Simulatoren stellt sich heraus dass auf dem nicht kommerziellen Bereich von Softwaretools der Stuttgarter Simmulator SNNS 4 1 als bestes Produkt abgeschnitten hat Einige der zu Verf gung stehenden Simulatoren wie z B AiNet und Atree berzeugen zwar durch ihre Benutzungsfreundlichkeit und den hinterlegten Dokumentationen bieten jedoch im Bereich der Einstellungsm glichkeiten der Topologien und Funktionen der neuronalen Netze kaum Variationen an Die Simulatoren wie z B Cascade und Perceptron haben jeden verf gbaren Parameter variabel gehalten und besitzen auch innerhalb des Datenbereichs keine Beschr nkung Da sie jedoch nur mit Hilfe einer C Runtime Umgebung nutzbar sind ergeben sich Probleme im Bereich der Zuverl ssigkeit und der Benutzungsfreundlichkeit Der Simulator Nnelmos stellt ein sehr gutes Lernprogramm im Bereich der neuronalen Netze dar Mit diesem Softwareprodukt lassen sich alle Topologien und g ngigen Funktionen darstellen Die hinterlegten Dokumentationen stehen wahlweise auf Englisch und Deutsch zur Verf gung Jedoch ist die bergabe von externen Daten bei diesem Programm ausgeschlossen wodurch es lediglich in Schulungsbereichen eingesetzen werden kann Als Ergebnis der Untersuchung stellt sich heraus dass die Struktur der n tigen Patternfiles siehe 12 5 vieler Simulatoren identisch ist wodurch sich die genauere Analy
87. at nn tsep o_faktor 0 00000 Case Kehrwert G R hrig 122 T Schreiber K nstliche neuronale Netze in der Neurochirurgie Print fn strReplace Format 1 nn gose 1_ faktor 0 00000 strReplace Format 1 nn gos3m 1 faktor 0 00000 strReplace Format nn gos12m i_faktor 0 00000 Print fn strReplace Format 1 nn aep o_faktor 0 00000 strReplace Format 1 nn msep o_faktor 0 00000 strReplace Format 1 nn tsep o_faktor 0 00000 Case Logarithmus Print fn strReplace Format Log nn gose i_faktor 0 00000 strReplace Format Log nn gos3m i_faktor 0 00000 strReplace Format Log nn gos12m i_faktor 0 00000 Print fn strReplace Format Log nn aep o_faktor 0 00000 5 strReplace Format Log nn msep o_faktor 0 00000 strReplace Format Log nn tsep o_faktor 0 00000 Case Exponentiell Print fn strReplace Format Exp nn gose 0 00000 strReplace Format Exp nn gos3m 0 00000 strReplace Format Exp nn gos12m 0 00000 Print fn strReplace Format Exp nn aep 0 00000 strReplace Format Exp nn msep 0 00000 strReplace Format Exp nn tsep
88. at TanH nn gose 0 00000 strReplace Format TanH nn gos3m 0 00000 d strReplace Format TanH nn gos12m 0 00000 strReplace Format TanH nn aep 0 00000 strReplace Format TanH nn msep 0 00000 strReplace Format TanH nn tsep 0 00000 Case Sinus Print fn strReplace Format Sin nn gose 0 00000 strReplace Format Sin nn gos3m 0 00000 G R hrig 121 T Schreiber K nstliche neuronale Netze in der Neurochirurgie strReplace Format Sin nn gos12m 0 00000 strReplace Format Sin nn aep 0 00000 strReplace Format Sin nn msep 0 00000 strReplace Format Sin nn tsep 0 00000 Case Wurzel Print fn strReplace Format 1 Sqr nn gose i_faktor 0 00000 strReplace Format 1 Sqr nn gos3m i_faktor 0 00000 strReplace Format 1 Sqr nn gos12m i_faktor 0 00000 strReplace Format 1 Sqr nn aep o_faktor 0 00000 strReplace Format 1 Sqr nn msep o_faktor 0 00000 strReplace Format 1 Sqr nn tsep o_faktor 0 00000 End Select nn MoveNext Loop nn Close Close fn End Function Public Function gos_ep_pascal i As String o As String file As String
89. at eos3m o_faktor 30 00000 d ae strReplace Format Log pat gos12m o_faktor 0 00000 Case Exponentiell sql Select Patient Neu from Patient Neu where PID amp nn PID Set pat db OpenRecordset sql Print fn strReplace Format Exp nn aid 0 00000 strReplace Format Exp nn lid 0 00000 strReplace Porm tfExp nn L sion Volumen max 0 00000 SuReplace Formai Bxpl gose 0 00000 strReplace Format Exp pat gos3m 0 00000 strReplace Format Exp pat gos12m 0 00000 Case TangensH sql Select Patient Neu from Patient Neu where PID amp nn PID Set pat db OpenRecordset sql Print fn strReplace Format TanH nn aid 0 00000 strReplace Format TanH nn lid 0 00000 strReplace Format TanH nn L sion Volumen max 0 00000 strReplace Format TanH pat gose 0 00000 strReplace Format TanH pat gos3m 00000 r strReplace Format TanH pat gos12m 0 00000 Case Sinus sql Select Patient Neu from Patient Neu where PID amp nn PID Set pat db OpenRecordset sql Print fn strReplace Format Sin nnlaid 0 00000 strReplace Format Sin nn lid 0 00000 strReplace Pormat Sin
90. b Suche_AfterUpdate H Auswertung Nach Auswahl aus der Listbox werden die Datenfelder mit den aktuellen Werten gef llt Dim db As Database Dim snns As Recordset Set db CurrentDb Set snns db OpenRecordset Select Auswertung from Auswertung where Auswertung SID amp Me Suche Me Varianzl snns Varianzl Me Varianz2 snns Varianz2 Me Varianz3 snns Varianz3 Me stdl snns stdabw1 Me std2 snns stdabw2 Me std3 snns stdabw3 Me fehlerl snns fehlerl Me fehler2 snns fehler2 Me fehler3 snns fehler3 snns Close End Sub G R hrig 162 T Schreiber K nstliche neuronale Netze in der Neurochirurgie Literaturverzeichnis 1 2 3 4 5 6 7 8 9 10 11 12 Hans Jochen Bartsch Taschenbuch Mathematischer Formeln Verlag Harri Deutsch Thun und Frankfurt Main 1990 Hans Heinrich Bote Neuro Fuzzy Methoden Springer Verlag Berlin Heidelberg 1998 Patrick Hamilton K nstliche neuronale Netze Grundprinzipien Hintergr nde Anwendungen vde Verlag Berlin Offenbach 1993 Johannes J rg Horst Hielscher Evozierte Potentiale in der Klinik und Praxis Springer Verlag Berlin Heidelberg 1997 4 Auflage Christoph Klawun Turbo Pascal 5 5 vom Aufsteiger zum Insider Band 2 Addison Wesley Publishing Company Bonn M nchen 1990 Monika K hle Neurale Netze Springer Verlag Wien New York 1990 Klaus Peter Kratzer Neuronale Netze Grundlagen
91. bbildung 9 2 f r Lage und Abbildung 9 3 f r Art einer L sion transformiert G R hrig 55 T Schreiber K nstliche neuronale Netze in der Neurochirurgie Durch die Reduzierung des urspr nglichen Wertebereichs gehen einige Daten und Auspr gungen verloren So reduziert sich in dieser Arbeit die Anzahl der L sionsdaten von 473 auf 320 Datens tze 1 Mesencephalon Medulla Cerebellum Gro hirn 2 frontalis 3 Parietalis occipitalis 4 Insularis temporalis 5 Corpus callosum 6 Capsula interna 7 Nuclei basales Limbisches System 3 Diffuse hypoxic damage Truncus encephalicus Contusion cortikal 7 Contusion subcortikal WE 1 Contusion cortikal subcortikal Contusion deep medulla Contusion periventrikular epidural subdural Diese Werte werden in den Klassen Akustik Medianus Tibialis ermittelt und innerhalb der Skala 1 5 abgelegt e Glasgow Outcome Score GOS G R hrig 56 T Schreiber K nstliche neuronale Netze in der Neurochirurgie Diese Daten stehen ebenfalls in einer Skala von 1 5 zur Verf gung und werden nach Entlassung 3 Monaten und 12 Monaten berechnet e L sionslage Die Beschreibung der Lokalisationen wird als Prim rschl ssel angewandt und steht in sieben Auspr gungen zur Verf gung Die Daten sind nahezu gleichverteilt e L sionsarten Die medizinische Beschreibung der Fakten dient als Prim rschl ssel der Referenzen und sind in vier Auspr gungen integri
92. ce Format Sin nn tsep 0 00000 Case Wurzel Print fn strReplace Format 1 Sqr nn aep o_faktor 0 00000 strReplace Format 1 Sqr nn msep o_faktor 0 00000 strReplace Format 1 Sqr nn tsep o_faktor 0 00000 End Select nn MoveNext Loop nn Close Close fn End Function Public Function gos_reduzierung Mit dieser Funktion werden die Skalen der Eingabewerte des GOS von dem Bereich 1 5 auf 1 3 verk rzt wobei folgende Konvertierung gilt m 112 2 3 4 5 DoCmd SetWarnings False Dim db As Database Dim pat As Recordset Set db CurrentDb Set pat db OpenRecordset Patient Neu pat MoveFirst Do Until pat EOF pat Edit Select Case pat gose Anpassung des Wertes bei Entlassung Case 1 2 pat gose 1 Case 3 pat gose 2 Case 4 5 pat gose 3 End Select G R hrig 125 T Schreiber K nstliche neuronale Netze in der Neurochirurgie Select Case pat gos3m Anpassung des Wertes nach 3 Monaten Case 1 2 pat gos3m 1 Case 3 pat gos3m 2 Case 4 5 pat gos3m 3 End Select Select Case pat gosl2m Anpassung des Wertes nach 12 Monaten Case 1 2 pat gosl2m 1 Case 3 pat gosl2m 2 Case 4 5 pat gosl2m 3 End Select pat Update Datenaktualisierung pat MoveNext Loop pat Close End Function G R hrig 126 T Schreiber K nstliche neuronale Netze in der Neurochirurgie Public Function Pat_GOS_SN
93. cells Trim Str 335 a 18 0 000 amp amp funktion Trim Str z amp Else strl strl amp Format objExcelWS cells Trim Str 335 a 18 0 000 amp amp funktion Trim Str z amp amp Format objExcelWS cells Trim Str 336 a 18 0 000 End If End If Me Regressionsfunktion str1 Next z Case 8 a 0 For z 1 9 strSpalte in amp Trim Str z If blnSumme strSpalte s True Then 1 If a lt gt i Then strl strl amp Format objExcelWS cells Trim Str 335 a 18 0 000 amp amp funktion Trim Str z amp Else strl strl amp Format objExcelWS cells Trim Str 335 a 18 0 000 amp amp funktion Trim Str z amp amp Format objExcelWS cells Trim Str 336 a 18 0 000 End If End If Me Regressionsfunktion str1 Next z End Select bergabe von Bestimmtheitsma und Korrelationskoeffiezient Me Bestimmt Format objExcelWS cells 330 16 0 000 Me Pearson Format objExcelWS cells 331 16 0 000 If Me alpha gt 0 Then Berechnung des Konfidenzintervalls Me Konfidenz Format objExcelWS cells 328 16 0 000 Else Me Konfidenz 0 00 End If End If DoCmd Hourglass False If quelle Pearson30 Then Schlie en des aktivierten Excelsheets objExcel Workbooks Pearson30 XLS Close False Else If quelle Pearson320 Then objExcel Workbooks Pearson320 XLS Close False End If G R hrig 1
94. chbarte Neuronen erregen Entwicklung der Theorie des verst rkten Lernens reinforcement learning von A G Barto R S Suttan und C W Anderson Ziel Ein Neuron bernimmt die Funktion eines adaptiven Kritikelements wobei die Ausgabeneuronen als Steuerelemente fungieren Entwicklung eines Lernalgorithmus zum Training der inneren Schichten eines neuronalen Netzes von S Kirkpatrick C D Gelatt Jr und M P Vecchi Ziel Simuliertes Ausgl hen simulated annealing Der Zustand der niedrigsten Energie globales Minimum entspricht der Struktur eines idealen Kristallgitters Um diesen Zustand zu erreichen werden zu Beginn hohe Energiepotentiale erzeugt um somit dem globalen Minimum n herzukommen 10 T Schreiber K nstliche neuronale Netze in der Neurochirurgie 1985 1986 durch 1986 Bis heute Die Boltzmann Maschine konnte als erste Maschine innere Neuronen trainieren wodurch die L sbarkeit linear nicht separabler Problemstellungen erm glicht wurde Entwicklung des Backpropagations durch D E Rumelhart G E Huntan und R J Williams Verallgemeinerung der Delta Regel von mehrschichtigen Perceptrons kontinuierliche differenzierbare Aktivierungsfunktion Ziel Der Fehler der Ausgabeeinheit wird r ckw rts durch das Netz propagiert wodurch die Verbindungsgewichte angepa t werden Anwendungsbeispiel NETtalk von T J Sejnowski und C R Rosenberg das mit Hilfe eines dreischichtigen neuronalen Netzes gelern
95. chreiber K nstliche neuronale Netze in der Neurochirurgie Abschlie ende Worte Auch wenn es im Sinne der Forschung wichtig ist die Prognosen ber Krankheitsverlauf m glichst exakt absch tzen zu k nnen so bleibt doch zu bedenken dass zielsichere Prognosen auch Probleme nach sich ziehen werden Dies sind z B der ethische Aspekt und finanzielle Einsparungen zu Lasten des Patienten Andererseits lie en sich in Zukunft durch geeignete Abbildungen eventuell f r den Patienten anstrengende Untersuchungen vermeiden da man die Werte prognostizieren k nnte Im Hinblick auf den rasanten technischen Fortschritt sollten sich alle Experten einig sein diese technische Weiterentwicklung immer zum Wohle des Menschen einzusetzen Gerhard R hrig amp Torsten Schreiber G R hrig 107 T Schreiber K nstliche neuronale Netze in der Neurochirurgie 14 Quellcode zu KNN 1 0 14 1 Modul Allgemein Option Compare Database Option Explicit Public Function strReplace ByVal strorg As String strsearch As String strtoreplace As String As String Mit dieser Function ist es m glich ein beliebiges Zeichen bzw String durch einen anderes n zu ersetzen storg Original Zeichenkette strsearch Zu suchendes Zeichen strtoreplace einzusetzendes Zeichen Dim n As Integer For n 1 To Len strorg If Mid strorg n 1 strsearch Then strReplace strReplace amp strtoreplace Else strReplace strReplace amp Mid strorg
96. chtet werden G R hrig 13 T Schreiber K nstliche neuronale Netze in der Neurochirurgie Negative Eigenschaften Wissenserwerb nur durch Lernen Will man einem k stlichen neuronalen Netz bereits ein Basiswissen mitgeben wie dies bei KI Systemen KI K nstliche Intelligenz der Fall sein kann so ist das nur f r wenige Anwendungen k nstlicher neuronaler Netze m glich Als Beispiel seien hier die Hopfield Netze im Einsatz bei Optimierungsproblemen genannt wo die Gewichte durch externe Algorithmen vorbelegt werden Im Normalfall erfolgt der Wissenserwerb k nstlicher neuronaler Netze nur durch Lernen Relativ hoher Zeitaufwand zum Lernen Alle g ngigen Lernverfahren lernen sehr langsam besonders wenn die k nstlichen neuronalen Netze voll vernetzt sind und alle Gewichte einzeln bestimmt werden m ssen Optimiert man bekannte Verfahren werden die Probleme nicht vollst ndig gel st sondern bestenfalls reduziert Keine Selbstanalyse K nstliche neuronale Netze sind nicht in der Lage Introspektionen durchf hren d h die Analyse des Eigenwissens oder der Ablauf von Probleml sungen sind nicht auf einfache Art zu realisieren wie dies bei KI Systemen der Fall ist Logische Schlussfolgerungen fast nicht realisierbar Logische Schlussfolgerungen wie einfache Wenn Dann Beziehungen sind mit k nstlichen neuronalen Netzen nur sehr schwer zu erreichen da durch die kombinatorische Explosion die ben tigte Anzahl an Neurone
97. de G R hrig 5 T Schreiber K nstliche neuronale Netze in der Neurochirurgie Neuronen sind komplexe Zellen die auf elektrochemische Signale reagieren Sie setzen sich zusammen aus einem Zellkern einem Zellk rper mehreren Dendriten die ber Synapsen Eingabe Verkn pfungen zu anderen Neuronen herstellen sowie einem Axonstrang der ber Endkolben oder Synapsen ein AP Aktionspotential ausgibt Abbildung 2 2 Das Neuron Ein Neuron kann mit tausenden anderer Neuronen verkn pft sein wobei die Verbindung ber zwei Synapsentypen erfogt Diese k nnen erregender Natur exzitatorisch oder hemmend inhibitorisch sein Die neuronale Aktivit t wird durch die Entstehung eines internen elektrischen Potentials des sogenannten Membranpotentials bestimmt Das Potential wird durch die Eingabeaktivit ten anderer Zellen ber die Synapsen je nach Typ verst rkt oder abgeschw cht Wenn die aufsummierten kumulativen Eing nge das Potential einer Zelle ber einen Schwellenwert bringen so feuert das Neuron indem es eine Folge von Aktionspotentialen ber das Axon aussch ttet um andere Neuronen zu erregen oder zu hemmen Die Frequenz der Impulsfortpflanzung reicht von 5 bis 125 kHz Die Zeit die ein Reiz zum Durchqueren einer Synapse ben tigt liegt bei ca 1 ms Nach einem Feuern braucht das Neuron eine Regenerationsphase von ca 10 ms w hrend dieser Zeit ist das Neuron unempfindlich und kann nicht feuern Die Aktivit t eines N
98. de 3 Kapitel besch ftigt sich mit den unterschiedlichen Modellen neuronaler Netze Nachdem die Grundlagen mit diesen Kapiteln besprochen wurden geht es im Kapitel 4 den Softwaresimulatoren um die Forschung auf dem nicht kommerziellen Markt nach geeigneten Simulatoren die auf den Plattformen von Microsoft Windows 95 98 NT installierbar sind Anschlie end werden die Resultate anhand ausgew hlter Simulatoren er rtert Die Beschreibungen befinden sich im Kapitel 5 HavBpNet im Kapitel 6 Turbo Pascal Files und im 7 Kapitel der Stuttgarter Simulator SNNSV4 1 f r Windows G R hrig 3 T Schreiber K nstliche neuronale Netze in der Neurochirurgie Die folgenden Kapitel beschreiben die Daten und deren Analyse So wird im Kapitel 8 das Projekt Multimodales Neuromonitoring besprochen und in Kapitel 9 die Ursprungsdatenbank des St dtischen Klinikums sowie die durch die neue Struktur bedingten nderungen beschrieben Die Resultate die durch das Trainieren und Testen der konvertierten Daten mit dem Stuttgarter Simulator SNNSv4 1 erzielt wurden werden im 10 Kapitel dieser Arbeit interpretiert Die Ergebnisse der Regressionsanalysen werden im Kapitel 11 bzgl der m glichen Kombinationen und der resultierenden Korrelationskoeffizienten nach Pearson beurteilt Zus tzlich wird die lineare Regressions Korrelationsanalyse nach Filtrierung auf die Referenzen Art und Lage durchgef hrt Kapi
99. der Gewichtungen sind die Schwellwerte Bias welche ein Ma f r die Tendenz einer Verarbeitungseinheit i zur Aktivierung bzw zur Deaktivierung aufzeigen Schwellwert G R hrig 22 T Schreiber K nstliche neuronale Netze in der Neurochirurgie K nstliche neuronale Netze k nnen verschiedene Topologien zeigen so gibt es zum einen geschichtete Netze und zum anderen vollvernetzte Strukturen mit einer gro en Anzahl an Variationen e laterale R ckkopplung ohne dirckte f vollst ndig verbunden ohne direkte R ck R ckkopplungen kopplungen Abbildung 3 4 Beispiel Topologien und ihre Verbindungsmatrizen 3 7 Die Kontrollstrategie G R hrig 23 T Schreiber K nstliche neuronale Netze in der Neurochirurgie Unter der Kontrollstrategie versteht man die Aktivierungssequenz der Verarbeitungseinheiten Sie ist nicht mit der Sequentialisierung bei Simulationen k nstlicher neuronaler Netze in Ein Prozessorsystemen zu verwechseln Prinzipiell Kann man unterscheiden Vorw rtsvermittlung feedforward propagation Vollvernetzte Strukturen Mischformen Bei der Vorw rtsvermittlung erfolgt die Aktivierung eines Netzes schichtweise von der Eingabeschicht bis zur Ausgabeschicht Vollvernetzte Strukturen erfordern eine Quasi Gleichzeitigkeit der Aktivierung die Kontrollstrategie reguliert die Verhaltensparameter Mischformen wie zum Beispiel zun chst feedforward und dann voll vernetzt erfordern eine selektive Kon
100. der Outputfunktion fkt Schl ssel der Transformationsfunktion i errechneter Koeefinzient der Funktion Select Case fkt Case 1 Outfunktion LN y amp konstante i amp Case 2 Outfunktion Case 3 Outfunktion 1 amp konstante i amp Case 4 Outfunktion y E konstante i amp Case 5 Outfunktion tanH y Case 6 Outfunktion sin y Case 7 Outfunktion 1 SQR y amp konstante i amp End Select End Function G R hrig 134 T Schreiber K nstliche neuronale Netze in der Neurochirurgie 14 2 Modul Daten bernahme Option Compare Database Option Explicit Private Sub Befehl3_ClickO DoCmd OpenForm Statistik Offnen des Statistikformulars End Sub Private Sub Befehl4_Click ffnet in Abh ngigkeit von dem Suchvorhaben die entsprechende Maske Dim x y Dim file As String Wenn zu analysieren ist If MsgBox M chten Sie die Analyse starten vbYesNo vbYes Then file InputBox Bitte geben Sie Laufwerk Verzeichnis und Ergebnisdatei an Dateiangabe DoCmd SetWarnings False DoCmd RunSQL Delete Ergebnis SNNS from Ergebnis SNNS DoCmd TransferText acImportDelim Ergebnis_SNNS Ergebnis SNNS file x Ergebnis_Konverter MsgBox Die Ergebnisdaten wurden erfolgreich konvertiert y Fehler DoCmd OpenForm Varianz Else DoCmd OpenForm Varianz_suche Ansonsten ffne Suchenmaske End If End Sub Pri
101. e Klasse9 out Then MsgBox Sie haben eine Variable bereits als Ausgabe deklariert Mel Klasse8 nicht relevant Exit Sub End If End If End Sub Private Sub Klasse9_AfterUpdate Fehlerroutine um sicherzustellen dass nur eine Ausgabevariable deklariert wurde G R hrig 158 T Schreiber K nstliche neuronale Netze in der Neurochirurgie If Me Klasse9 Then If Me Klassel out Then MsgBox Sie haben eine Variable bereits als Ausgabe deklariert Mel Klasse9 nicht relevant Exit Sub End If If Me Klasse2 out Then MsgBox Sie haben eine Variable bereits als Ausgabe deklariert Mel Klasse9 nicht relevant Exit Sub End If If Me Klasse3 out Then MsgBox Sie haben eine Variable bereits als Ausgabe deklariert Mel Klasse9 nicht relevant Exit Sub End If If Me Klasse4 out Then MsgBox Sie haben eine Variable bereits als Ausgabe deklariert Mel Klasse9 nicht relevant Exit Sub End If If Me Klasse5 out Then MsgBox Sie haben eine Variable bereits als Ausgabe deklariert Mel Klasse9 nicht relevant Exit Sub End If If Me Klasse6 out Then MsgBox Sie haben eine Variable bereits als Ausgabe deklariert Mel Klasse9 nicht relevant Exit Sub End If If Me Klasse7 out Then MsgBox Sie haben eine Variable bereits als Ausgabe deklariert Mel Klasse9 nicht relevant Exit Sub End If If Me Klasse8 out Then MsgBox Sie haben eine Variable bereits als Ausgabe deklariert Mel
102. e importiert die Daten aus der Patientendatenbank L sionen bernahme importiert die Daten aus der L sionendatenbank e Patternfiles Patternerzeugung ffnet Maske zur Einstellung des Datentransfers Regressionsanalyse Regressionsanalyse ffnet Maske zur Einstellung der Analyse Ergebnisanalyse SNNS Auswertung ffnet Maske zur Analyse Suche der Ergebnisse Microsoft Access Datei Bearbeiten Ansicht Einf gen Extras Fenster 2 iS amp 2 Ber gt Reed Abbildung 12 1 1 0 Benutzungsoberfl che G Rohrig 95 T Schreiber K nstliche neuronale Netze in der Neurochirurgie 12 3 Daten bernahme Mit diesen Tools werden die Daten aus der anonymisierten Datenbank der Neurochirurgie des St dtischen Klinikums Fulda in die Datenbank von KNN 1 0 konvertiert Die Daten lassen sich in zwei Bereiche aufteilen L sionen Innerhalb dieser Konvertierung werden die Daten aus den Tabellen der Patienten und der L sionen entsprechend der hinterlegten Referenztabellen f r Tabelle 9 3 und Lage Tabelle 9 2 zusammengef hrt und in der KNN Tabelle L sionen Neu gespeichert Bei den gespeicherten Werten handelt es sich um den Patientenschl ssel PID Lagenummer LID und Artnummer AID Patienten Durch diesen Import werden die Daten aus den Patienten den Glasgow Outcome Score und den Evozierten Potentiale Bereichen zusammengef hrt Vor Start des Imp
103. e in CYCLES angegebene Anzahl von Lernzyklen Die Lernphase kann ber den STOP Button abgebrochen werden Die mittleren quadratischen Fehler werden in einem Fenster kontinuierlich angezeigt Im Controlpanel befinden sich auch zwei Buttons mit der Bezeichnung USE welche es dem Anwender erlauben bestimmte Datens tze auszuw hlen die f r das Training und f r die Validation relevant sind G R hrig 48 T Schreiber K nstliche neuronale Netze in der Neurochirurgie Graphische Darstellungsm glichkeiten im Manager Panel Die graphische Darstellung der Netze erfolgt im SNNS 4 1 ber die zwei Schaltfl chen DISPLAY und 3D DISPLAY im Managerpanel Verbindungen zwischen den Neuronen k nnen global entweder ein oder ausgeblendet werden Die zwei folgenden Abbildungen zeigen jeweils einen Ausschnitt des feedforward Netzes mit dem Aufbau 3 Eingabeneuronen links oben 32 Neuronen in der 1 verborgenen Schicht 16 Neuronen in der 2 verborgenen Schicht 8 Neuronen in der 3 verborgenen Schicht 5 Neuronen in der 4 verborgenen Schicht 3 Ausgabeneuronen display 1 subnet 0 1 Start E Microsatt word s 3D display Kr mue stan 107 seen apen JS zuer S pp binszgut ese ennsmansse anns co JS SD conuol Abbildung 7 4 SNNS graphische Netzwerkdarstellung Ein detailliertes Handbuch zum
104. ehler aus fehler3 Me fehler3 aus datum Now aus Update End If aus Close DoCmd Close A_FORM Varianz End Sub Private Sub Suche_AfterUpdate F llen der Datebfelder nach Auswahl eines Schl ssels aus der Listbox Dim db As Database Dim snns As Recordset Set db CurrentDb Auswertung Set snns db OpenRecordset Select Auswertung from Auswertung where Auswertung SID amp Me Suche Me Varianz1 ControlSource Me Varianzl snns Varianzl Me Varianz2 ControlSource Me Varianz2 snns Varianz2 Me Varianz3 ControlSource Me Varianz3 snns Varianz3 mm mm snns Close End Sub G R hrig 161 T Schreiber K nstliche neuronale Netze in der Neurochirurgie 14 6 SNNS Auswertung suchen Option Compare Database Option Explicit Private Sub Befehl36_Click Speicherung der Auswertungsdaten in der Tabelle Auswertung Dim db As Database Dim aus As Recordset Set db CurrentDb Set aus db OpenRecordset Auswertung If MsgBox M chten Sie das Ergebnis speichern vbYesNo vbYes Then aus AddNew aus Titel InputBox Bitte geben Sie der Auswertung einen Namen Speicherung SNNS aus Varianzl Me Varianzl aus Varianz 2 Me Varianz aus Varianz3 Me Varianz3 aus stdabwl Me stdl aus stdabw2 Me std2 aus stdabw3 Me std3 aus fehlerl Me fehlerl aus fehler2 Me fehler aus fehler3 Me fehler3 aus datum Now aus Update End If aus Close End Sub Private Su
105. en 0 1 f r inaktiv aktiv oder falsch wahr und nicht bin ren Einheiten mit der Wertemenge 1 0 1 f r falsch indifferent wahr Der kontinuierliche Fall bedient sich der Werte aus einem geschlossenen Intervall zwischen 0 und 1 ausschlie lich der Werte 0 und 1 Der Vorteil von k nstlichen neuronalen Netzen mit diskreten Aktivierungszust nden liegt in ihrer schnelleren Adaption gegen ber der Netze mit kontinuierlichen Aktivierungszust nden Ist eine hohe Klassifikationsf higkeit des Netzes gefordert so ist es von Vorteil wenn man auf Aktivierungszust nde zur ckgreift die einem intervallf rmigen Wertebereich entstammen G R hrig 17 T Schreiber K nstliche neuronale Netze in der Neurochirurgie 3 2 Die Aktivierungsregel Die Aktivierungen der Verarbeitungseinheiten richten sich an Werten die an ihrem Eingang anliegen Bei den Eingabeeinheiten sind das meist externe Werte bei allen anderen Verarbeitungseinheiten wie Zwischeneinheiten und Ausgabeeinheiten sind es die von vorangestellten Einheiten gelieferten Werte sofern sie einen Schwellenwert berschreiten Betrachtet man eine einzelne Einheit aus dem Gesamtsystem so kann ihr Zustand als Netzaktivit t in Bezug auf diese Einheit angesehen werden Die Netzaktivit t an der Verarbeitungseinheit zum Zeitpunkt t wird mit neid bezeichnet Der neue Aktivierungszustand ergibt sich unter der Ber cksichtigung der soeben dargestellten Netzaktivit t n
106. en Layern zusammengefasst Dies gilt auch f r die Eingabe und Ausgabezellen Die Verbindungsstruktur zwischen den Verarbeitungseinheiten tr gt das Wissen eines neuronalen Netzes Eine einzelne Verbindung zwischen einer Verarbeitungseinheit i und einer Verarbeitungseinheit j wird mit Hilfe von Gewichtungen gesteuert Die gebr uchlichste Notation ist Gewicht der Verbindung von i nach j Wij G R hrig 21 T Schreiber K nstliche neuronale Netze in der Neurochirurgie Die Art des Gewichtes wird durch den Betrag der Gewichtung dargestellt Erregende Gewichte excitatory haben eine positive Gewichtung und hemmende Gewichte inhibitory negative Gewichtungen Die Bedeutung einer Einzelzelle f r den Gesamtkomplex ist charakterisiert durch den Betrag der eingehenden und ausgehenden Gewichte man spricht vom fan in oder dementsprechend vom fan out Die eingehenden Gewichte entstammen dem rezeptiven Feld einer Verarbeitungseinheit Dies sind Folgezellen vorgeschalteter verbundener Neuronen die in einem topologischen Zusammenhang stehen Die folgende Abbildung 3 3 veranschaulicht die Begriffe Abbildung 3 3 Rezeptives Feld Fan in Verarbeitungseinheit Fan out Es muss bei den Verbindungen unterschieden werden zwischen gerichteten Verbindungen mit definierter Ausrichtung des Informationsflusses und ungerichteten Verbindungen wobei die verbundenen neuronalen Zellen sich wechselseitig beeinflussen Sonderf lle
107. en dar f x e 1 e 1 1 e e 1 e f x 1 e D 1 e f x 1 f x Der Tangens hyperbolicus ist wie folgt definiert f x tanh x f x e e e e f x 2 fog 2X 1 Die Ableitung hierzu ist f x 1 tanl x G R hrig 20 T Schreiber K nstliche neuronale Netze in der Neurochirurgie 3 4 Das Fehlermaf Das Fehlerma bildet die Abweichung des erwarteten Verhaltens der Verarbeitungseinheit von der Soll L sung ab Es ist durch einen Soll Ist Vergleich leicht zu ermitteln und bildet die Grundlage f r Modifikationen der Verbindungsstruktur Bei Eingabeeinheiten ist das Fehlerma undefiniert da die Aktivierung von au en vorgenommen wird 3 5 Das Netzwerk Da ein Netzwerk nicht nur aus einer Verarbeitungseinheit besteht sondern aus vielen zusammengeschlossenen Einheiten ist es notwendig noch einige Begriffe zu kl ren Diese sind Verbindungsstruktur Kontrollstrategie Vermittlungsregel Adaptionsregel e Systemumgebung 3 6 Die Verbindungsstruktur Die Verbindungsstruktur zwischen den Verarbeitungseinheiten sie sind die informationsverarbeitenden Instanzen innerhalb des Netzwerkes muss die Verarbeitung des Aktivierungsmusters und den daraus resultierenden Informationsflu gew hrleisten Gleichartige Zellen die durch gleichartiges Ein Ausgabeverhalten und identische Rollen im Rahmen des Gesamtkommunikationsflusses gekennzeichnet sind werden zu Schicht
108. er t und dem Vorzustand der Verarbeitungseinheit a t neti t ai t 1 Die Aktivierungsfunktion fakt kann verschiedene Formen haben wie die Abbildungsm glichkeit als Identit t oder lineare Abbildung Dabei wird die Netzaktivit t entweder direkt oder ber eine lineare Abbildung in den Aktivierungszustand bergef hrt Vorteil dieser Aktivierungsfunktion ist die Einfachheit als nachteilig erweist sich aber dass das Klassifikationsverm gen stark eingeschr nkt ist Die am meisten genutzte Klasse von Aktivierungsfunktionen ist die Schwellwert oder Treppenfunktion Die Verarbeitungseinheiten k nnen mit diskreten Aktivierungszust nden aktiviert werden Im simplen Fall l t sich die Netzaktivit t durch einen Schwellenwert modifizieren und das Gesamtergebnis wird mit einem konstanten Wert z B 0 verglichen G R hrig 18 T Schreiber K nstliche neuronale Netze in der Neurochirurgie Abbildung 3 2 Lineare Treppen und Sigmoidfunktion Andere Netze ben tigen semilineare Aktivierungsfunktionen wie die Sigmoidfunktion die ein asymptotisches Verhalten in der Unendlichkeit zeigt und dabei gleichzeitig Grenzwerte f r den Aktivierungszustand mit sich bringt Eine weitere Klasse f r die Aktivierungsfunktion ist die stochastische Aktivierung Sie geht von einer Aktivierungwahrscheinlichkeit firing rate aus Hier liegt eine Interpretation innerhalb der Aktivierungsregel zugrunde welche dann bestimmt ob der alte Z
109. erden die analysierten Abh ngigkeiten graphisch dargestellt Gruppe Art Lage Volumen Gruppe II Gruppe AEP MEP TEP GOSE GOS3M GOS12M K nstliche neuronale Netze in der Neurochirurgie Abbildung 9 4 bersicht der zu untersuchenden Abh ngigkeiten Im Kapitel 10 werden die beschriebenen Abh ngigkeiten mittels des Stuttgarter Simulators SNNS 4 1 untersucht und interpretiert Die Zusammenh nge der Gruppen werden anschlie end anhand der einfachen zweifachen und multiplen Regressions Korrelationsanalyse untersucht Kapitel 11 Zus tzlich wird durch eine Filtrierung auf die Referenzen Art bzw Lage eine Art Lagespezifikation durchgef hrt und die entsprechenden Korrelationskoeffizienten ermittelt Durch die beliebigen Kombinationsm glichkeiten der Input und Outputwerte und der zugeh rigen Transformationsfunktionen bietet das entwickelte Tool KNN 1 0 die Funktionen die ben tigt werden um alle Variationen statistisch aufbereiten und analysieren zu k nnen G R hrig 59 T Schreiber K nstliche neuronale Netze in der Neurochirurgie 92 Die Datenbank Bei der vom St dtischen Klinikum Fulda gelieferten Datenbank handelt es sich um eine unter Microsoft Access 97 entwickelte Datenbank die die Daten in anonymisierter Form beinhaltet Die Datenbankstruktur wird in Abbildung 9 5 dargestellt wobei die Relationen der Tabellen an den direkten Verbindungen abzulesen sind Aufgrund der gr
110. ernverfahren wie das Wettbewerbslernen competetive learning Seine Theorien wurden in sp teren Netzmodellen aufgegriffen Im Jahre 1982 wurde von John Hopfield ein autoassoziatives Netz beschrieben welches zur Abspeicherung und Rekonstruktion von Mustern geeignet ist und bis heute als Basismodell f r Weiterentwicklungen dient G R hrig 8 T Schreiber K nstliche neuronale Netze in der Neurochirurgie Grunds tzlich werden heute vor und r ckw rtskoppelnde sowie konkurrierende Topologien feedforward backward competetive je nach Richtung der Informationsweitergabe w hrend der Funktionsphase des k nstlichen neuronalen Netzwerkes unterschieden Durch Kombination k nnen auch gemischte Topologien entstehen 2 3 Historischer berblick KNN Als bersicht wird nun ein chronologischer Abri der Historie von k nstlichen neuronalen Netzen gezeigt die Bildung der ersten Modelle f llt in die Zeit in welcher auch die ersten programmierbaren Computer entstanden 1943 Erstes Modell zur Funktionsweise eines Neurons entwickelt von W S McCulloch und W Pitts 1949 Entwicklung der neurobiologische Grundlage des Lernens von Donald O Hebb Hebbsche Regel Die Verbindung zwischen zwei Neuronen wird verst rkt sofern die post und pr synaptische Zelle aktiv ist 1958 Entwicklung des Perceptrons von F Rosenblatt Perceptronkonvergenztheorem Existiert f r ein gestelltes Problem eine L sung als Perceptron so f hrt se
111. ert Die L sion Diffuse hypoxic damage ist nur bei einer L sion gespeichert wodurch eine Analyse auf diesen Sektor irrelevant ist Anhand dieser Beschreibung lassen sich drei Gruppen der Daten definieren Gruppe I Verletzung Die Daten der Verletzungen Art Lage und Volumen werden innerhalb dieser 1 Gruppe integriert d h jede L sion wird anhand der beschreibenden Daten klassifiziert Gruppe Evozierte Potentiale Die Messwerte der evozierten Potentiale ermittelt im Bereich der Akustik des Medianus und des Tibialis werden in dieser Gruppe zusammengefasst Die Daten werden somit je Patient ermittelt und abgelegt e Gruppe III Glasgow Outcome Score Die Prognosewerte die mit den Eigenschaften nach Entlassung 3 Monaten und 12 Monaten ermittelt werden k nnen in dieser Gruppe zusammengefasst werden und beschreiben den Zustand des Patienten zum jeweiligen Zeitpunkt Durch diese Gruppendefinitionen lassen sich folgende Abh ngigkeiten vermuten die in den sich anschlie enden Kapiteln analysiert werden e Gruppe III von Gruppe I Dieser Zusammenhang prognostiziert das Krankheitsbild eines Patienten anhand der zur Verf gung stehenden Daten der Verletzungen im Bereich der Neurologie Kann eine Prognose anhand der L sionsdaten aus Gruppe I berechnet werden G R hrig 57 T Schreiber K nstliche neuronale Netze in der Neurochirurgie Gruppe II von Gruppe I Die Abh ngigkeit der Messwerte der evozie
112. erte so gew hlt werden Fehler abzufangen gelingt es durch die verteilte Wissensrepr sentation einzelne Fehler zu beheben Assoziative Speicherung von Information Herk mmliche Rechnerarchitekturen speichern ihr Wissen adressbezogen d h gleichartiges Wissen wird weit voneinander ohne gemeinsamen Bezug zueinander abgespeichert Demgegen ber kann ein k nstliches neuronales Netz die Informationen inhaltsbezogen also assoziativ speichern Dadurch ist es leicht mit einem k nstlichen neuronalen Netz hnliche Eingabemuster zu klassifizieren Default Werte und spontane Generalisierung Da k nstliche neuronale Netze oft automatisch Eingabemuster klassifizieren und somit Prototypen bilden wird es durch diese Generalisierung und Bildung von Default Werten erm glicht unvollst ndige Eingabemuster den gebildeten Klassen zuzuordnen Aktive Repr sentation Ein weiterer Pluspunkt der k nstlichen neuronalen Netze gegen ber den herk mmlichen Programmstrukturen liegt in der Repr sentation W hrend herk mmliche Architekturen durch aktive Programmkomponenten auf die passive Repr sentation zur ckgreifen m ssen realisieren die k nstlichen neuronalen Netze die Repr sentation aktiv weil das Wissen in den Verbindungsgewichten gleichzeitig an der Verarbeitung beteiligt ist Nach dieser Auflistung vieler positiver Aspekte m ssen um das Gleichgewicht zu wahren nun auch einige negative Eigenschaften k nstlicher neuronaler Netze betra
113. euronale Netze in der Neurochirurgie Do Until nn EOF Select Case In_fkt Selektion der Eingabefunktion Case linear sql Select Patient Neu from Patient Neu where PID amp nn PID Set pat db OpenRecordset sql Print fn strReplace Format nnlaid i_faktor 0 00000 strReplace Format nn lid i_faktor 0 00000 strReplace Format nn L sion Volumen 0 00000 strReplace Format pat aep o_faktor 0 00000 strReplace Format pat msep o_faktor 0 00000 strReplace Format pat tsep o_faktor 0 00000 SE RJ Case Kehrwert sql Select Patient Neu from Patient Neu where PID amp nn PID Set pat db OpenRecordset sql Print fn strReplace Format 1 nn aid i_faktor 0 00000 strReplace Format 1 nn lid i_faktor 0 00000 strReplace Format 1 nn L sion Volumen max i_faktor 0 00000 strReplace Format 1 o_faktor 0 00000 strieplace Eorma 1 pat msep o_faktor 0 00000 1 strReplace Pormat 1 pat tsep o_faktor 0 00000 Case Logarithmus sql Select Patient Neu from Patient Neu where PID amp nn PID Set pat db OpenRecordset sql Print fn strReplace Format Log nnlaid i_faktor 0 00000
114. eurons wird ber die Feuerfrequenz des von ihm erzeugten AP gemessen die Spanne reicht hierbei von f nfzig bis einigen hundert Aussch ttungen pro Sekunde G R hrig 6 T Schreiber K nstliche neuronale Netze in der Neurochirurgie Ze lk rper Exzitatorisch inhibitorisch erregend hammerd Abbildung 2 4 Allgemeine Synapsentypen Bis heute ist nur wenig ber den Lernprozess innerhalb des Gehirns bekannt Man glaubt dass innerhalb eines Neurons aufgrund erh hter Zellaktivit t eine Art metabolischen Wachstums entsteht welches f r das Lernen und das Ged chtnis verantwortlich ist Dadurch wird die m gliche Ladung die eine Synapse erzeugt beeinflusst Hier ist auf die Gewichte k nstlicher neuronaler Netze die wir sp ter beschreiben hinzuweisen Donald Hebb stellte als erster eine Behauptung auf die auf den Lernprozess des Gehirns abzielte Wenn ein Axon der Zelle A nah genug an der Zelle B liegt um diese zu erregen und wiederholt oder andauernd feuert erfolgt in einer der beiden Zellen ein Wachstumsprozess oder eine metabolische Ver nderung so dass sich Einflusseffizienz auf B erh ht Diese Aussage ber das Lernen finden wir sp ter bei den k nstlichen neuronalen Netzen wieder G R hrig 7 T Schreiber K nstliche neuronale Netze in der Neurochirurgie 2 2 K nstliche neuronale Netze Um einen Einstieg in das Thema zu bekommen beginnen wir mit einer einfachen Beschreibung f r k nstlic
115. ewiesen Wird der Simulator auf einem Stand Alone System betrieben so muss gew hrleistet werden dass durch den Start des X Win32 Programms eine DF Netzwerkverbindung z B via Internet aufgebaut wird um somit die Zuweisung der Adresse erreichen zu k nnen Z2 Benutzungsoberfl che Nach dem erfolgreichen Start des Simulators erscheint dem Anwender das SNNS 4 1 Manager Panel Es handelt sich hierbei um die Grunddialogbox des SNNS 4 1 von der aus man per Buttonclick in alle wichtigen funktionalen Untermen s gelangen kann Im folgenden werden die wichtigsten Funktionstasten mit der Beschreibung der Ereignisse aufgezeigt G R hrig 43 T Schreiber K nstliche neuronale Netze in der Neurochirurgie Lee Netzwerkumge Ene il men Ise 20 orseLar _sRarH 1 erener STUTTGART NEURAL NETWORK SIMULATOR PRUNING CASCADE KOHONEN WEIGHTS PROJECTION ANALYZER INVERSION gt L oer SNNS V4 1 Andreas Zel G nter Manier Michael Vogt rnin Una able fontset Niels Mache Tilman Sommer Ralf H bner Font 4 Michael Schmalzl Tobias Soyez Sven D ring Dietmar Posselt Kai Uwe Herrmann Artemis Hatzigeorgiou external contributions by rom file Martin Riedrniller Heike Speckmann Martin Reczko ault cf g Jamie DeCoster Jochen Biedermann Joachim Danz Christian Wehrfritz Randolf Wemer Michael Berthold Bruno Orsier 1990 95 Institute for Parallel and Dis
116. f Me faktorl lt 0 Or Me faktor1 0 Then MsgBox Dieses Feld ist nur f r Zahlen gr er 0 00 zugelassen Me faktorl 1 End If End Sub Private Sub Faktor6_AfterUpdate Fehlerroutine zum Abfangen negativer Konstanten If Me Faktor6 lt 0 Or Me faktorl 0 Then MsgBox Dieses Feld ist nur f r Zahlen gr er 0 00 zugelassen Me Faktor6 1 End If End Sub Private Sub Faktor7_AfterUpdate Fehlerroutine zum Abfangen negativer Konstanten If Me Faktor7 lt 0 Or Me faktorl 0 Then MsgBox Dieses Feld ist nur f r Zahlen gr er 0 00 zugelassen Me Faktor7 1 End If End Sub Private Sub Faktor8_AfterUpdate Fehlerroutine zum Abfangen negativer Konstanten If Me Faktor8 lt 0 Or Me faktorl 0 Then MsgBox Dieses Feld ist nur f r Zahlen gr er 0 00 zugelassen Me Faktor 1 End If End Sub Private Sub Faktor9_AfterUpdate Fehlerroutine zum Abfangen negativer Konstanten If Me Faktor9 lt 0 Or Me faktorl 0 Then MsgBox Dieses Feld ist nur f r Zahlen gr er 0 00 zugelassen Me Faktor 1 End If End Sub Private Sub Form_Load Laden des Formulars werden die Ergebnisfelder auf unsichtbar geschaltet MelRegressionsfunktion Visible False Me Bestimmt Visible False Me Pearson Visible False Me Diagramm Visible False Me Konfidenz Visible False End Sub Private Sub Funktionl1_AfterUpdate Sichtbarschalten bei Funktionen mit Transformationskonstanter G R hrig 150 T Schreiber
117. g zwichen den Daten der Gruppe I L sionsdaten und der Gruppe II evozierte Potentiale wird durch die Verwendung eines feedforward Netzes am besten abgebildet e Um von den Werten der Gruppe evozierte Potentiale auf die Prognosewerte der Gruppe III Glasgow Outcome Score schlie en zu k nnen zeigte sich ebenfalls dass die Struktur eines feedforward Netzes zu verwenden ist e R ckwirkende Schl sse der Gruppe Glasgow Outcome Score auf die Gruppe evozierten Potentiale k nnen am besten durch eine feedfordward Struktur 3 32 16 8 5 3 erreicht werden Die verwendeten Transformationsfunktionen und die erzeugten Ergebnisse Varianzen k nnen aus Kapitel 10 5 entnommen werden G R hrig 105 T Schreiber K nstliche neuronale Netze in der Neurochirurgie Anhand dieser Resultate stellen bei Verwendung von korrekten Daten die Topologien der partiell rekurrenten Netze bzw der vollst ndig rekurrenten Netze vermutlich eine geeignete Struktur dar Die weiteren Forschungen im Hinblick auf die Verwendung nicht kommerzieller Simulatoren sollte sich mit den Bereichen der selbstorganisierenden Karten zur Musterklassifizierung und den Jordan Elman Netzen zur Mustererkennung befassen Die statistische Analyse der Abh ngigkeiten von den Daten der Patienten und deren L sionen ergab bei den Glasgow Outcome Scores und den evozierten Potentialen gute jedoch im Bereich der L sionendaten schlechte Korrelationskoeffizienten Diese
118. gen so ist mindestens in einer Richtung eine Eins einzutragen Der Arbeitsablauf erfolgt identisch f r verborgene hidden Schichten TYPE muss angeklickt werden damit oben rechts hidden erscheint und analog f r die Ausgabeschicht oben rechts muss output aktiviert sein ber den POS Button kann man die relative Lage der Schicht au er der ersten im Netz angeben G R hrig 45 T Schreiber K nstliche neuronale Netze in der Neurochirurgie F r das Netzwerk die Verbindungen zwischen den Neuronen entweder individuell oder vorbereitet zum Beispiel voll verschaltet FULL CONNECTION gew hlt werden Danach muss das Netz durch Klicken auf den CREATE Button erstellt werden Ist noch ein vorheriges k nstliches neuronales Netz aktiv so wird das Alte bei Best tigung durch die neue Struktur berschrieben F r die anderen Netztopologien erscheint ebenfalls bei der entsprechenden Auswahl ein selbsterkl rendes Fenster Das Speichern oder Laden von neuronalen Netzen erfolgt ber den FILE Button FILE Button Manager Panel Unter diesem Button verbirgt sich der Dateimanager des SNNS 4 1 Es werden f nf Dateiformate unterst tzt die geladen oder gespeichert werden k nnen Durch Mausklick auf das gew nschte Aktionsfeld k nnen die einzelnen File Operationen get tigt werden Aktionsfeld Dieses Feld bezieht sich auf die Netzwerkdefin
119. he neuronale Netze K nstliche neuronale Netze sind Modelle der Gehirnfunktion Sie versuchen in Funktionsweise und Struktur Gehirnzellkomplexe nachzubilden und dadurch eine tragf hige Simulation komplexer menschlicher Denkvorg nge zu erzielen Sie sind informationsverarbeitende Systeme die sich aus primitiven uniformen miteinander kommunizierenden Verarbeitungseinheiten in gro er Zahl zusammensetzen Die dabei verarbeiteten und ausgetauschten Informationsquanten sind in fast allen F llen unstrukturiert frei nach K P Kratzer Neuronale Netze 2 Auflage Das erste abgeschlossene Modell im Bereich neuronaler Systeme stellte Frank Rosenblatt bereits im Jahre 1958 vor das PERCEPTRON als Realisierung adaptiver klassifizierender Systeme Trotz zahlreicher Modifikationen und Verbesserungen blieb der gro e Erfolg des Perceptrons aus Was folgte war die von Widrow und Hoff 1960 entwickelte ADALINE adaptive linear element ein adaptiver Schaltkreis mit Fehlerr ckkopplung und eine Erweiterung dazu der MADALINE Komplex multiple ADALINE In den 70er und fr hen 80er Jahren wurde es ruhiger die Forschungen zu diesem Thema wurden vorwiegend im milit rischen Bereich sowie in der Neurophysiologie und der Kognitionswissenschaft fortgef hrt Beispielhaft seien hier Teuvo Kohonen und Steven Grossberg genannt Kohonen befa te sich mit der Selbstorganisation neuronaler Verarbeitungseinheiten und der Assoziationslehre Grossberg untersuchte L
120. hler 0 004651 Output3 pet TT T Fir Abbildung 12 4 KNN 1 0 Auswertung SNNS G Rohrig 102 T Schreiber K nstliche neuronale Netze in der Neurochirurgie Analyse suchen Abbildung 12 5 stellt die Suchfunktion nach gespeicherten Ergebnisanalysen dar Auf die hinterlegten Daten kann mit Hilfe der Suchen Listbox zugegriffen werden Die Selektionsfelder sind der gespeicherte Titel und der automatisch vergebene Zeitstempel bei Speicherung A Microsoft Access Datei Bearbeiten Ansicht Einf gen Extras Fenster D amp e gt B A sera 4 0 1 0 ES Auswertung SNNS Suche EN Suche erd 09 12 98 14 21 34 Torsten 11 12 98 14 15 26 Dutputi Varianz Standardabw J 0 088033 Mittel Fehler 0 009177 DUE 0 003304 OEE 0 057483 Dem 0 003195 Formularansieht Abbildung 12 5 KNN 1 0 SNNS Auswertung suchen G R hrig 103 T Schreiber K nstliche neuronale Netze in der Neurochirurgie 13 Fazit Die sich durch diese Arbeit ergebenden Schlussfolgerungen sind unter Ber cksichtigung der geringen Anzahl an Daten zu betrachten Diese Datenreduzierung stellt neben dem schlechten Wertebereich die Hauptproblematik innerhalb der Forschung dar so dass in der zuk nftigen Arbeit am System des multimodularen Neuromonitorings prim r auf die zur Verf gung gestellten Daten zu achten ist Innerhalb der Recherche nach geeigneten nicht kom
121. ie dargestellten Beziehungen entstehen durch das multimodale Neuromonitoring und sind durch ein Regelwerk klar definierbar Abbildung 8 2 Zusammenhang der Messwerte des multimo ngs G R hrig 52 T Schreiber K nstliche neuronale Netze in der Neurochirurgie 8 3 Datenverarbeitung Die ber das multimodale Neuromonitoring erzeugten Daten werden mit Hilfe der statistischen Algorithmen und nicht kommerzieller Simulatoren neuronaler Netze verarbeitet und analysiert Aufgrund der in Tabelle 8 1 beschriebenen Messwerte lassen sich beliebige Kombinationen der Werte erzeugen Die dadurch bedingten Zusammenh nge werden mit Hilfe der Regressions Korrelationsanalyse voruntersucht und anschlie end f r die Prognose Diagnostik ber ein neuronales Netz abgebildet Voraussetzungen f r eine solche zukunftsorientierte Aussage sind ein fundiertes Expertenwissen hinterlegte Entscheidungsregeln und Messwerte die innerhalb eines plausiblen Wertebereiches gespeichert werden Eine m gliche Prognose der Glasgow Outcome Scores aufgrund der Messwerte der evozierten Potentiale des Glasgow Coma Scores GCS und graphischen Interpretationen aus den Bereichen der Computertomographie CCT und der Magnetresonanztomographie MRT wird in Abbildung 8 3 dargestellt GOS bei Entlassung Neuronales Netz GOS nach 3 Monaten GOS nach 12 Monaten Die Interpretation der gelieferten Daten und Resultate ist stets unter Ber cksichtigung des Datenvolume
122. ig 140 ffnen der ben tigten Tabellen L schen der tempor ren Tabellen Verzeichnis der Excelsheets Ermittlung der Anzahl von Wenn L sionsdaten Datenquelle sind T Schreiber K nstliche neuronale Netze in der Neurochirurgie If IsNull Me Klasse7 Or Me Klasse7 nicht relevant IsNull Me Klasse8 Or Me Klasse8 nicht relevant And IsNull Me Klasse9 Or Me Klasse9 nicht relevant Then pat MoveFirst Patienten Neu wird initialisiert Do Until pat EOF s AddNew If Me Klassel in Then Festlegung des Eingabewertes s inl transform pat gose Funktionl faktor1 Else If Me Klassel out Then Klassifizierung des Outputs slout transform pat gose Funktionl faktorl Transformation strl Outfunktion Me Funktionl 1 End If End If If Me Klasse2 in Then s in2 transform pat gos3m Funktion2 Faktor2 Else If Me Klasse2 out Then s out transform pat gos3m Funktion2 Faktor strl Outfunktion Me Funktion 2 End If End If If Me Klasse3 in Then s in3 transform pat gos12m Funktion3 Faktor3 Else If Me Klasse3 out Then s out transform pat gos12m Funktion3 Faktor3 strl Outfunktion Me Funktion3 3 End If End If If Me Klasse4 in Then s in4 transform pat aep Funktion4 Faktor4 Else If Me Klasse4 out Then slout transform pat aep Funktion4 Faktor4 str Outfunktion Me Funktion4 4 End If End If If Me Klasse5 in Then 51105 transform pa
123. in Lernverfahren garantiert zum Erfolg 1960 Entwicklung des ADALINE adaptive linear neuron von B Widrow und M E Hoff Delta Regel 1969 Beweis der Notwendigkeit einer inneren neuronalen Schicht bei nicht linear separabler Problemstellung Bsp XOR durch M Minsky und S Papert G R hrig 9 T Schreiber K nstliche neuronale Netze in der Neurochirurgie 1972 1974 1982 1982 1983 1983 G R hrig Entwicklung eines Modells f r den assoziativen Speicher durch T Kohonen und J A Anderson Korrelations Matrix Speicher bzw Neuronales Netz Erweiterung der Hebbschen Regel Die aktuelle Gewichtung einer Verbindung ergibt sich aus dem u eren Produkt der Ein Ausgabeneuronen multipliziert mit einer Konstanten Beschreibung des Lernalgorithmus Backpropagation durch P J Werbos siehe 1986 Backpropagation Entwicklung des Hopfield Netzes durch J J Hopfield Es stellt ein r ckw rtsgekoppeltes Netzwerk mit Schwellenwerteinheiten und symmetrischen Verbindungen dar Ziel Erreichung des Zustands minimaler Energie Attraktorzustand mit Hilfe der kollektiven Eigenschaften emergent computational abilities Entwicklung des Kohonen Netzes durch T Kohonen Erstmaliges un berwachtes Lernen wurde durch selbstorganisierender Bildung topologisch korrekter Merkmalskarten erreicht Ziel Nach der Eingabe folgt die Aktivierung einer bestimmten Region hnliche Eingabemuster sollen dabei bena
124. in den Tabellen Identifikation EP und L sion Patientendaten Es handelt sich hierbei um anonymisierte Daten die neben einem Schl sselfeld die Werte des evozierten Potentials und der Glasgow Outcome Scores enthalten Die evozierten Potentiale EP erstrecken sich ber einen Wertebereich von 1 2 3 4 5 und werden in den Kategorien akustischer EP ScoreAEP Medianus EP ScoreEPMed und Tibialis EP ScoreEPTib gemessen und abgelegt Der Glasgow Outcome Score erstreckt sich in der Ursprungsdatenbank ebenfalls ber einen Wertebereich von 1 2 3 4 5 und wird je Patient bei Entlassung GOSE sowie 3 Monate GOS3M und 12 Monate sp ter GOS12M ermittelt Mit Hilfe dieser Skalenwerte ist es m glich das Krankheitsbild eines Patienten zu diagnostizieren L sionsdaten Die verschiedenen L sionen setzen sich aus den referentiell unterst tzten Feldern der Tabellen DB Lesionloc mit 65 verschiedenen Lokalisationen und den Feldern aus DB Lesionstyp mit 28 L sionstypen zusammen Zus tzlich zu den Informationen ber Art und Lage stehen die Daten bzgl der L nge Breite und Tiefe des Elipsoids und somit auch das ableitbare Volumen V 4nabc 3 zur Verf gung Die verschiedenen Unterklassifizierungen wie z B dem Ja Nein oder MRT_x True False interessieren in diesem Forschungsprojekt nicht und werden daher vernachl ssigt G R hrig 61 T Schreiber K nstliche neuronale Netze in der Neuroch
125. in mathematische bzw informationstechnische Systematiken transferieren von sogenannten Referenzmodellen Die Referenzmodelle haben die Aufgabe sowohl die Terminologie als auch die Systemarchitektur zu normieren Wir werden im Folgenden versuchen die Terminologien und Formalismen im Bereich der k nstlichen neuronale Netze darzustellen G R hrig 15 T Schreiber K nstliche neuronale Netze in der Neurochirurgie 3 Modelle k nstlicher neuronaler Netze Zu Beginn ist es n tig die vorherrschende Arbeitsweise des Neurons in das Referenzmodell zu transferieren Das Wesentliche hierbei ist dass man den Verlauf der Information den Informationsflu beobachten bzw verschiedenen Verarbeitungseinheiten gesondert darstellen muss Die Verarbeitungseinheiten untergliedern sich wie folgt e Die Eingabeeinheiten dienen als Eingabepuffer f r von au en hereinkommende oder auch intern berechnete Informationen d h Klassifizierte Werte Die Initialisierung der Eingabeeinheiten wird von au en vorgenommen und unterliegen nicht den internen Regeln des k nstlichen neuronalen Netzes Die Propagierung der Eingabewerte und die eingesetzten Lernregeln spiegeln den Momentanzustand des Netzes wider e Die Ausgabeeinheiten bilden die Schnittstelle des k nstlichen neuronalen Netzwerkes nach au en Die Interpretation unterliegt dem Menschen oder einem externen System Zwischen den erw hnten Ein und Ausgabeeinheiten liegen die e Zwischeneinei
126. instabil degt Thiopental TRIS Puffer ICP weiter erh ht und PaO2 lt 12 8 mmHg Kaniectromie Abbildung 8 4 Beispiel der Entscheidungsfindung zur Hirndrucktherapie 9 Problemstellung und Modellierung G R hrig 54 T Schreiber K nstliche neuronale Netze in der Neurochirurgie 9 1 Problemstellung Ziel der Untersuchung ist es aus den Daten die in Kapitel 8 beschrieben wurden einen Teilbereich zu extrahieren und diese Messwerte in allen m glichen Kombinationen zu analysieren Die Bereiche der evozierten Potentiale und der Glasgow Outcome Scores liegen in einem normierten Wertebereich von 1 bis 5 Diese Skalen werden je Bereich f r drei Attribute angewandt Die Daten der L sionen Art Lage und Volumen werden innerhalb der Lage und der Art referentiell hinterlegt Die Abbildung 9 1 veranschaulicht die urspr nglichen Fakten und Zusammenh nge der Lokalisationen jedes einzelnen Elipsoids Pedunculus cerebellaris superior Pedunculus cerebellaris medius Pedunculus cerebellaris inferior J Hemisphaeria cerebelli I Vemis cerebellis J Hippocampus l 1 i Nucleus caudatus j Gyrus parahippocampalis ipitali Putamen J Gyrus dentatus l letali Globus pallidus j Gyrus cinguli l i i Corpus Abbildung 9 1 Beschreibung und Zusammenh nge der Lage einer L sion Die innerhalb der Analyse zu betrachtenden Daten werden anhand der A
127. irurgie 9 4 Die Daten bernahme Aufgrund der Problemstellung f r diese Diplomarbeit wird die Struktur der Datenbank entsprechend angepasst Diese Anpassung im Bereich der Datenstruktur kann aus Abbildung 9 6 entnommen werden Die Beziehungen der Tabellen sind an den Verbindungen ablesbar Die Felder Lokalisation und L sionstyp innerhalb der L sionstabelle werden durch die indizierten Felder LID und AID der Referenztabellen Lage und Art ersetzt wodurch die referentielle Integrit t gewahrt werden kann Die beiden Tabellen EP und Identifikation der Datenbank des St dtischen Klinikums Fulda werden zu einer neuen Tabelle Patient zusammengef hrt die alle Datens tze beider Tabellen enth lt Die eindeutige Zuordnung wird ber das Schl sselfeld Patientennummer PatNr bzw PID gew hrleistet Patient PID GOSE GOS3Mo GOS12Mo AEP L sion MEP TEP L sionNr PID AID LID Volumen Abbildung 9 6 Struktur der Datenbank von KNN G R hrig 62 T Schreiber K nstliche neuronale Netze in der Neurochirurgie 9 5 Die Datenkonvertierung F r das Projekt K nstliche neuronale Netze in der Neurochirurgie m ssen diese Daten so aufbereitet werden dass nur die relevanten Felder herausgezogen werden Reduzierung der Daten Anschlie end werden diese gefilterten Informationen so normalisiert dass eine referentielle Integrit t gew hrleistet werden kann
128. istet werden kann der Suchraum durch Verwendung von Unterbegriffen und den Grundoperatoren UND ODER so weit eingeschr nkt werden dass die erzielten Ergebnisse eine effiziente Beurteilung zulassen Universit ten Die Recherche nach Forschungs bzw Diplomarbeiten auf dem Sektor der Simulatoren im Bereich der Medizin Fachbereich Neurochirurgie konzentriert sich auf alle Fakult ten die im Fachbereich Informatik Neuro Informatik oder Medizinische Informatik t tig sind Neural Network Group Bei diesem Forum handelt es sich um ein im Internet publizierendes Gremium im Fachgebiet Neuro Informatik Auf den Seiten ihrer Internetadresse befinden sich die aktuellen Forschungsergebnisse mit den entsprechenden Links und ein Verzeichnis der auf dem Markt zur Verf gung stehenden Simulatoren mit den zugewiesenen ftp Servern G R hrig 30 T Schreiber K nstliche neuronale Netze in der Neurochirurgie 42 Beurteilungskriterien Die nicht kommerziellen Simulatoren die innerhalb der Recherche gefunden wurden werden anhand eines Kriterienkataloges bewertet und klassifiziert Die Beurteilung der einzelnen Bereiche erfolgt mit Hilfe einer Notenskala von 1 bis 6 Folgende Kriterien werden anhand der Software ausgewertet 1 Installation Da es sich bei allen Softwareprodukten um auf PC basierende Shareware handelt werden u a das benutzerdefinierte Setup die Flexibilit t und die Stabilit t bewertet Die Syste
129. itbare Wert VOL beschreibt das Volumen der charakterisierten L sion und nimmt somit eine Zahl im Wertebereich von long integer an Diese Messwerte ergeben sich aus den Auspr gungen der L sionen gemessen in Millimeter und der Volumenformel 3 14159 Gr e re li Gr e an po Gr e cr ca 6000 gemessen inml Die Tabelle Patient setzt sich aus den beiden Tabellen EP und Identifikation der urspr nglichen Datenbank des St dtischen Klinikums Fulda zusammen w hrend die Tabelle L sion aus den Tabellen DB Lesionloc DB lesiontyp und L sion der Ursprungsdatenbank entsteht Die Tabellen des St dtischen Klinikums werden ber einen Datenfilter reduziert und normalisiert Die strukturellen nderungen veranschaulicht Abbildung 9 7 Patient L sionen Abbildung 9 7 Datenkonvertierung St dtisches Klinikum Fulda G R hrig 64 T Schreiber K nstliche neuronale Netze in der Neurochirurgie 9 6 Die Datentransformation Diese Transformation l sst sich in zwei Bereiche gliedern 1 Patientendaten Die Daten der evozierten Potentiale und des Glasgow Outcome Scores werden mit Hilfe der Patienten Nr zu einer neuen Tabelle Patient unter dem Schl ssel PID zusammengef hrt Innerhalb dieser Transformation werden die Daten des Glasgow Outcome Scores in den neuen Wertebereich von 1 2 3 berf hrt Der neue GOS Wert von 1 wird durch den alten Wert von 1
130. itionsdateien die Informationen ber Netzwerktopologie und Lernregeln beinhalten Die Dateien haben die Form NET Aktionsfeld PAT Dieses Feld dient dazu die Patternfiles laden zu k nnen die von der Gestalt PAT sind Patternfiles k nnen sowohl Trainingsdaten als auch Testdaten beinhalten Aktionsfeld RES Die Abk rzung RES steht f r Resultfiles Ergebnisdateien die mit der Endung RES abgespeichert werden Es ist m glich sowohl das Startpattern als auch das Endpattern anzugeben Es kann weiterhin der Modus CREATE Erzeugen oder der Modus APPEND Anh ngen ausgew hlt werden Das hat zur Folge dass im ersten Fall eine neue Datei erzeugt wird und die alte Datei falls der Dateiname schon vergeben war berschrieben wird Im zweiten Fall wird das neue Ergebnis an die vorhandene Datei angeh ngt Input und Output k nnen getrennt per Umschalter eingeblendet oder ausgeblendet abgespeichert werden G R hrig 46 T Schreiber K nstliche neuronale Netze in der Neurochirurgie Nach einer Speicheraktion ist besonders darauf hinzuweisen dass auf Rechnersystemen die mit einem C Compiler ausgestattet sind die Dateierweiterungen der Ergebnisfiles vor dem ffnen zum Lesen vorher umbenannt werden m ssen Als Beispiel sei hier genannt RES f r Resultate umbenennen in ERG f r Ergebnis Dies ist notwendig da es sonst zu Systemabst rzen kommen kann weil die Datei unter
131. keit von 0 001 und dem daraus folgenden Konfidenzintervall von Mittelwert Konfidenz durchgef hrt Die Daten werden den statistischen Systemen zum einen reduziert und zum anderen komplett bergeben wobei die Reduzierung die Skalen der Glasgow Outcome Scores und der evozierten Potentiale betrifft 11 1 Einfache Lineare Regressions Korrelationsanalyse Die Analyse auf einfache lineare Korrelation befasst sich mit folgenden Abh ngigkeiten e GOSy in Abh ngigkeit von GOSx Mit Hilfe dieser statistischen Betrachtung soll gekl rt werden inwieweit die Werte bei Entlassung nach 3 Monaten und nach 12 Monaten untereinander korrelieren Innerhalb dieser Auswertung stellt sich heraus dass die Werte des GOS3M und GOSI2M je Patient die gleichen Zahlen annehmen was einen Pearsonkorrelationskoeffizienten von 1 0 zur Folge hat Die Korrelation zwischen den Merkmalen GOSE und GOS3M bzw GOSE und GOS12M betr gt in der reduzierten Skala 0 676 und in der kompletten Skala 0 724 GOSE GOS3M y 0 588x 0 838 6 5 4 i O 2 0 1 0 1 2 3 4 5 6 GOS3M G R hrig 81 T Schreiber K nstliche neuronale Netze in der Neurochirurgie Abbildung 11 1 Graph zu GOSE f GOS3M mit kompletter Skala e in Abh ngigkeit In dieser Analyse werden die Zusammenh nge der evozierten Potentiale der Bereiche Akustik Medianus und Tibialis innerhalb beider Skalen betrachtet Als
132. l KNN 1 0 in der Tabelle Auswertung und stehen ber die Benutzungsoberfl che des Programms zur Verf gung Die Daten die als Berechnungsgrundlage dienen werden im folgenden n her erl utert 10 2 Die Architektur der verwendeten Netze Enth lt der Dateiname eines Ergebnisfiles die Zeichenfolge 32 5 so kann man daraus auf die Architektur des verwendeten KNN schlie en Das Netz hat somit die Feedforward Struktur FFW 32 5 Input Hidden Hidden Hidden Hidden Output neuronen Layerl Layer Layer 4 5 neuronen 3 32 16 8 5 3 Tabelle 10 1 Architektur I Feedforward Netz G R hrig 69 T Schreiber K nstliche neuronale Netze in der Neurochirurgie Enth lt das Ergebnisfile die Zeichenfolge 320 so ist das k nstliche neuronale Netz m chtiger und hat die Form Input Hidden Hidden Hidden Hidden Hidden Hidden Hidden Output neuronen 1 2 3 4 5 6 7 neuronen 3 320 160 80 40 20 10 5 3 Tabelle 10 2 Architektur Feedforward Netz Die Result Files mit der Bezeichnung el_ enthalten die Ergebnisdaten die von sogenannten Elman Netzen produziert werden Die Elman Netze liegen in folgender Form vor Input Hidden Hidden Hidden Output neuronen 1 2 3 neuronen 3 27 18 9 3 Tabelle 10 3 Architektur Elman Netz 10 3 Die Trainingszyklen Die 32 5 Feedforward Netze und Elman Netze wurden u
133. l folgende Datei erzeugt Anzahl der Knoten 10 Vernetzungsgrad Max Verbindungsgewichte 9 OO 5 O 5 Ch 5 Ch CC ra N N Lan N ou O M Go AO aA Fa QU ON Lan Lu N N BLZ_COMP PAS Sofern eine Gewichtungsdatei existiert Kann mit diesem Tool der maximale Schnitt eines Graphen durch vollst ndige Enumeration bestimmt werden Voraussetzung G R hrig 39 T Schreiber K nstliche neuronale Netze in der Neurochirurgie zum Starten sind die Eingabe der Anzahl der Knoten und der Dateiname der Gewichtungsdatei F r das obige Beispiel ergibt sich folgender maximaler Schnitt Knoten in VO 1 3 4 9 Knoten VI 2 J 6 7 8 10 Max Cut Summe 110 BLZ MAXC PAS Dieses Tool berechnet ebenso wie das Programm BLZ_COMP PAS den maximalen Schnitt eines Graphen anhand der gleichen Eingabeparameter In diesem Fall wird das Ergebnis mit Hilfe der Boltzmann Maschine errechnet e BPG_ASCILPAS ber diese Datei ist es m glich eine Mustererkennung anhand eines erzeugten Patternfiles muss im Quellcode angegeben werden zu simulieren Nach Start des Programms steht ein Men mit den aufgef hrten Punkten zur Verf gung 1 Laden eines gelernten Netzes 2 Lernparameter ver ndern 3 Trainieren 4 Testen 5 Sichern des aktuellen Netzes 6 Ende e SOR DAS Anhand dieses Programms kann das Trainieren eines XOR Musters simuliert werden Bei dem Lernalgorithm
134. lariert Mel Klasse3 nicht relevant Exit Sub End If If Me Klasse6 out Then MsgBox Sie haben eine Variable bereits als Ausgabe deklariert Mel Klasse3 nicht relevant Exit Sub End If If Me Klasse7 out Then MsgBox Sie haben eine Variable bereits als Ausgabe deklariert Me Klasse3 nicht relevant Exit Sub End If If Me Klasse8 out Then MsgBox Sie haben eine Variable bereits als Ausgabe deklariert Me Klasse3 nicht relevant Exit Sub End If If Me Klasse9 out Then MsgBox Sie haben eine Variable bereits als Ausgabe deklariert Mel Klasse3 nicht relevant Exit Sub End If End If End Sub Private Sub Klasse4_AfterUpdate Fehlerroutine um sicherzustellen dass nur eine Ausgabevariable deklariert wurde G R hrig 154 T Schreiber K nstliche neuronale Netze in der Neurochirurgie If Me Klasse4 Then If Me Klassel out Then MsgBox Sie haben eine Variable bereits als Ausgabe deklariert Mel Klasse4 nicht relevant Exit Sub End If If Me Klasse2 out Then MsgBox Sie haben eine Variable bereits als Ausgabe deklariert Mel Klasse4 nicht relevant Exit Sub End If If Me Klasse3 out Then MsgBox Sie haben eine Variable bereits als Ausgabe deklariert Mel Klasse4 nicht relevant Exit Sub End If If Me Klasse5 out Then MsgBox Sie haben eine Variable bereits als Ausgabe deklariert Me Klasse4 nicht relevant Exit Sub End If If Me Klasse6 out The
135. le i_faktor o_faktor In_fkt Out_fkt Else If Me tp True Then x ep Pascal file i_faktor o_faktor In_fkt Out_fkt Else If Me havbpett True Then x Pat_ep_havbpett i o file faktor o_faktor In_fkt Out_fkt Else MsgBox Bitte einen Simulator w hlen Exit Sub End If End If End If End If If Me gos_ep True Then If Melsnns True Then G R hrig 137 T Schreiber K nstliche neuronale Netze in der Neurochirurgie x gos_ep_SNNS file i_faktor o_faktor In_fkt Out Else If Me tp True Then x gos_ep_pascal i file 1 faktor o_faktor In_fkt Out_fkt Else If Me havbpett True Then x gos_ep_havbpett i o file i_faktor o_faktor In_fkt Out_fkt Else MsgBox Bitte einen Simulator w hlen Exit Sub End If End If End If End If DoCmd Hourglass False MsgBox Das Patternfile wurde erfolgreich konvertiert End Sub Private Sub Form_Load Einstellung der geladenen Felder beim Offnen der Maske Me In_fkt Linear Me Out_fkt Linear Melfile C test txt Meli 3 Melo 3 Melpat_gos False False Me gos_ep False False Meltp False Melhavbpett False Meli_faktor Visible True Me o_faktor Visible True End Sub Private Sub gos_ep_Click Switchschalter f r die gew lten Zuordnungen Simulator Abh ngigkeit Melep_gos False Melpat_gos False False Me Normal Visible False End Sub
136. liche neuronale Netze in der Neurochirurgie 1 PID Patienten Identifikations Nummer 2 GOSE Glasgow Outcome Score bei Entlassung 3 GOS3M Glasgow Outcome Score nach 3 Monaten 4 GOS12M Glasgow Outcome Score nach 12 Monaten 5 Akustisches evoziertes Potential 6 MSEP Medialis evoziertes Potential Z TSEP Tibialis evoziertes Potential S L sionsID L sions Identifikations Nummer 9 LID L sions ID als Fremdschl ssel zu Lage 10 AID Art ID als Fremdschl ssel zu Art 11 VOL Berechnetes Volumen in Milliliter ml Tabelle 9 4 Eigenschaften der Entit ten von KNN 1 0 G R hrig 68 T Schreiber K nstliche neuronale Netze in der Neurochirurgie 10 Analyse mittels SNNS 4 1 10 1 Einleitung Die Klinikdaten werden in reduzierter Form in verschiedene k nstliche neuronale Netze bergeben Drei Netze werden hier n her erl utert es handelt sich um feedforward strukturierte Topologien Durch differenzierte Dateinamen l sst sich die verwendete Struktur erkennen Da der Stuttgarter Simulator in der Windows Version nur Werte zwischen Null und Eins liefert m ssen der Eingabe und der Ausgaberaum normalisiert werden bzw ber entsprechende Transformationsfunktionen den R umen angepasst werden Die gelieferten Ergebnisse aus den Resultfiles werden analysiert und bewertet Die Werte der Varianzen Standardabweichungen und die des mittleren quadratischen Fehlers liegen im Too
137. lyse eine n here Untersuchung nicht anbietet G R hrig 92 T Schreiber K nstliche neuronale Netze in der Neurochirurgie 12 Softwaretool 1 0 12 1 Einleitung Aus der in den zuvor beschriebenen Kapiteln hervorgehenden Problematik heraus ist das Tool KNN 1 0 entwickelt worden Es handelt sich bei diesem Programm das mit Hilfe von Visual Basic 5 0 und Microsoft Access Excel 97 programmiert wurde um ein in jedes andere Softwareprodukt integrierbares Berechnungstool Voraussetzung ist im Bereich der Systemumgebung Microsoft Windows 95 98 NTx xx und im Bereich der Anwendersoftware eine vollst ndige Installation von Microsoft Access Excel 97 mit allen Datenkonvertierungsfeatures Die zu Konvertierenden Daten m ssen in einer relationalen Datenbank gehalten werden und in die Datei KNN MDB eingebunden importiert werden um direkt auf die zu analysierenden Daten zugreifen zu k nnen Weitere Informationen zur Installation befinden sich im Benutzerhandbuch zu KNN 1 0 bzw in der Hilfedatei des Tools Diese Software behandelt folgende Schwerpunkte Datenkonvertierung Mit Hilfe von KNN 1 0 lassen sich Daten aus einer Datenbank in das System konvertieren sofern das vorhandene Datenbankformat unterst tzt wird Vor der Daten bernahme kann die Skalenart reduziert oder komplett gew hlt werden e Datentransformation Diese Daten k nnen nach erfolgreichem Import zur Erzeugung von Pattern Files f
138. m pat gose Funktionl faktorl strl Outfunktion Me Funktionl 1 End If End If If Me Klasse2 in Then s in2 transform pat gos3m Funktion2 Faktor2 Else G R hrig 144 T Schreiber K nstliche neuronale Netze in der Neurochirurgie If Me Klasse2 out Then slout transform pat gos3m Funktion2 Faktor strl Outfunktion Me Funktion2 2 End If End If If Me Klasse3 in Then slin3 transform pat gos12m Funktion3 Faktor3 Else If Me Klasse3 out Then slout transform pat gos12m Funktion3 Faktor3 strl Outfunktion Me Funktion3 3 End If End If If Me Klasse4 in Then s in4 transform pat aep Funktion4 Faktor4 Else If Me Klasse4 out Then slout transform pat aep Funktion4 Faktor4 strl Outfunktion Me Funktion4 4 End If End If If Me Klasse5 in Then slin5 transform pat msep Funktion5 Faktor5 Else If Me Klasse5 out Then slout transform pat msep Funktion5 Faktor5 strl Outfunktion Me Funktion5 5 End If End If If Me Klasse6 in Then s in6 transform pat tsep Funktion6 Faktor6 Else If Me Klasse6 out Then s out transform pat tsep Funktion6 Faktor6 5171 Outfunktion Me Funktion6 6 End If End If s Update nn MoveNext Loop pat Close nn Close Dimensionierung der Excel Objekte Set objExcel CreateObject Excel Application objExcel Workbooks Open FileName Pearson320 Set objExcelWS objExcel Sheets Trim Str i amp Variable 0 For z
139. me werden anhand der im Handbuch befindlichen Installationsanleitung gestartet und w hrend des Setups eingestuft 2 Benutzungsoberfl che Benutzerf hrung Benutzerfreundlichkeit und Einfachheit sind einige der Unterbegriffe mit denen diese Rubrik der Beurteilung analysiert werden Nach der erfolgreichen Installation werden die Programme gestartet und mit Beispieldaten gef llt Inwieweit diese Aufgabe vom System gef hrt wird ist eine der Analysen durch die eine Klassifikation erm glicht wird 3 Softwarezuverl ssigkeit F r ein Produkt das in dem Bereich neuronale Netze eingesetzt werden soll ist die Zuverl ssigkeit ein wesentliches Bewertungskriterium Sowohl die Stabilit t als auch die offene Gestaltung des Systems sind Parameter f r die Zuverl ssigkeit eines Programms 4 Schnittstellen Unsere Forschung konzentriert sich auf Produkte die unter einer Microsoft Benutzungsoberfl che integrierbar sind Durch diese Fokusierung ist die M glichkeit des Zugriffs von externen Programmen auf den Simulator unabdingbar Diese Kommunikation geschieht von den externen Programmen aus wodurch der Simulator den Status eines Berechnungstools einnimmt 5 Neuronale Parameter G R hrig 31 T Schreiber K nstliche neuronale Netze in der Neurochirurgie Durch die Vielzahl an m glichen Parametern f r ein neuronales Netzwerk bedingt werden die Softwareprodukte z B anhand der unterst tzten Topologien der hinterlegten
140. merziellen Simulatoren hat sich herausgestellt dass diese Produkte jeweils nur begrenzte Berechnungsm glichkeiten im Hinblick auf Topologien oder die integrierten Funktionen bieten so dass sich eine Recherche im kommerziellen Bereich anschlie en sollte Der Stuttgarter Simulator SNNS in der Version 4 1 f r Windows stellt nahezu alle Topologien Einstellungsparameter Lernregeln und Funktionen zum Simulieren neuronaler Netze zur Verf gung Ein Nachteil ist in der aktuellen Version der auf 0 1 begrenzte Ausgaberaum Dadurch ist eine Transformation der Eingabewerte notwendig geworden damit die zu verarbeitenden Daten in dem definierten Wertebereich des SNNS v 41 liegen Um diese Transformationen vornehmen zu k nnen wurde ein Tool KNN 1 0 entwickelt welches die Daten in den jeweils gew nschten Datenraum berf hrt Dies stellt aber nur einen Teil des Funktionsumfangs von KNN 1 0 dar Das Programm bernimmt die vom Klinikum gestellten Daten und arbeitet die Tabellen in eine der Normalformlehre entsprechenden Datenbank ein Dabei kann der Benutzer w hlen ob die Daten in der Ursprungsskala oder in einer reduzierten Skala bernommen werden Anschlie end kann der Benutzer eine Regressionsanalyse der zur Verf gung stehenden Daten durchf hren wobei die zu untersuchenden Parameter zus tzlich durch die schon erw hnten Funktionen transformiert werden k nnen Ein weiteres Feature des Tools ist es f r die beschriebenden Software
141. n End Function Public Function gos_ep_havbpett i As String o As String file As String faktor As String o_faktor As String In_fkt As String Out_fkt As String Function erzeugt Pattern File f r Havbpett Konstante Datei input output units Formal 3xInput 3xOutput i Anzahl der Input Variablen Anzahl der Output Variablen G R hrig 120 T Schreiber K nstliche neuronale Netze in der Neurochirurgie file Zielverzeichnis amp Zieldatei i_faktor Konstante zur Funktionsbestimmung im Eingaberaum o_faktor Konstante zur Funktionsbestimmung im Ausgaberaum In_fkt Schl ssel der Input Funktion Out_fkt Schl ssel der Output Funktion Dim db As Database Dim nn As Recordset Dim dat As Recordset Dim pat As Recordset Dim sql datei Set db CurrentDb Set nn db OpenRecordset Patient Neu datei file Dim fn As Integer fn FreeFile Open datei For Output As fn ffnen der Ausgabedatei Kopfzeile des Patternfiles Print fn DCount pid Patient Neu 2 amp amp 1 amp amp o nn MoveFirst Do Until nn EOF Select Case In_fkt Case linear Print fn strReplace Format nn gose i_faktor 0 00000 strReplace Format nn gos3m 1 faktor 0 00000 strReplace Format nn gos12m i_faktor 0 00000 strReplace Format nn aep o_faktor 0 00000 strReplace Format nn msep o_f
142. n MsgBox Sie haben eine Variable bereits als Ausgabe deklariert Me Klasse4 nicht relevant Exit Sub End If If Me Klasse7 out Then MsgBox Sie haben eine Variable bereits als Ausgabe deklariert Me Klasse4 nicht relevant Exit Sub End If If Me Klasse8 out Then MsgBox Sie haben eine Variable bereits als Ausgabe deklariert Mel Klasse4 nicht relevant Exit Sub End If If Me Klasse9 out Then MsgBox Sie haben eine Variable bereits als Ausgabe deklariert Me Klasse4 nicht relevant Exit Sub End If End If End Sub Private Sub Klasse5_AfterUpdate Fehlerroutine um sicherzustellen dass nur eine Ausgabevariable deklariert wurde If Me Klasse5 out Then If Me Klassel out Then MsgBox Sie haben eine Variable bereits als Ausgabe deklariert Me Klasse5 nicht relevant Exit Sub End If If Me Klasse2 out Then MsgBox Sie haben eine Variable bereits als Ausgabe deklariert Me Klasse5 nicht relevant Exit Sub End If If Me Klasse3 out Then G R hrig 155 T Schreiber K nstliche neuronale Netze in der Neurochirurgie MsgBox Sie haben eine Variable bereits als Ausgabe deklariert Mel Klasse5 nicht relevant Exit Sub End If If Me Klasse4 out Then MsgBox Sie haben eine Variable bereits als Ausgabe deklariert Mel Klasse5 nicht relevant Exit Sub End If If Me Klasse6 out Then MsgBox Sie haben eine Variable bereits als Ausgabe deklariert
143. n Normalize As String Diese Function bernimmt die Normalisierung des Volumens Als R ckgabewert liefert sie das Maximale Volumen der Datei L sionen Neu Dim db As Database Dim nn As Recordset Dim max G R hrig 130 T Schreiber K nstliche neuronale Netze in der Neurochirurgie Set db CurrentDb Set nn db OpenRecordset L sionen Neu max 0 nn MoveFirst Do Until nn EOF If nn L sion Volumen gt max Then max nn L sion Volumen End If nn MoveNext Loop nn Close Normalize max End Function Public Function TanH zahl As String Function zur Berechnung des Tangens hyperbolicus gem der Formel TanH Exp zahl Exp zahl Exp zahl Exp zahl End Function Public Function transform zahl As String fkt As String faktor As String As String Function die als Ergebnis den konvertierten Wert gem der ausgew hlten Formel zur ckgibt zahl Zu konvertierender Wert Schl ssel der Transformationsfunktion faktor Transformationsfaktor zur Funktion Select Case fkt Case 1 Logarithmus transform Format Log zahl faktor 0 000 Case 2 Exponentiell transform Format Exp zahl 0 000 Case 3 Kehrwert transform Format 1 zahl faktor 0 000 Case 4 linear transform Format zahl faktor 0 000 Case 5 TangensH transform Format TanH zahl 0 000 Case 6 Sinus transform Format Sin zahl 0 000 Case 7 TangensH transform F
144. n Wert 1 an Durch diese Einstellung wird vermieden dass Werte au erhalb des Definitionsbereichs der Funktion bergeben werden Die Funktionsreferenzen befinden sich in der Tabelle Funktion in der Datenbank Die Berechnung der zu transformierenden Daten wird mit Hilfe tempor rer Tabellen und hinterlegter Funktionen zum Schl ssel FID der selektierten Transformation realisiert FD Funktion gi 1 Logarithmus In x konst 2 Exponeniiell Exp x 3 Kehrwert 1 4 Linear Dividend 5 TangensH tanh x 6 Sinus sin x 7 Wurzel 1 Wurzel x konst Tabelle 12 1 KNN 1 0 Transformationsfunktionen G R hrig 97 T Schreiber K nstliche neuronale Netze in der Neurochirurgie 12 5 Patternfiles Allgemein Bei den Patternfiles handelt es sich um Trainingsdaten die ein Simulator k nstlicher neuronaler Netze zum Lernen und Trainieren ben tigt Die Daten werden den Neuronen auf der Eingabe und Ausgabeschicht zur Einstellung der Gewichte der Verbindungen mit Hilfe der im Text Format gespeicherten Datei zur Verf gung gestellt Die Struktur solcher Dateien wird durch die Anordnung und Formatierung der einzelnen Daten bestimmt Struktur eines Patternfiles von SNNSv4 1 SNNS pattern definition file V3 2 generated at Samstag 19 Dezember 1998 No of patterns lt Anzahl aller Datens tze gt No of input units lt Anzahl der Eingabevariablen gt No of output units lt Anzahl der Ausgabev
145. n der Neurochirurgie 11 3 Multiple lineare Regressions Korrelationsanalyse Mit Hilfe dieser Auswertung wird der multiple lineare Zusammenhang in den Bereichen der Glasgow Outcome Scores der evozierten Potentiale und der L sionsdaten bestehend aus den Attributen Art AID Lage LID und Volumen Vol untersucht Es handelt sich somit um eine Funktion der Form fx1 X2X a x b x c x d Der Zusammenhang wird in reduzierter und kompletter Form analysiert yEP f GOSE GOS3M GOS12M a GOSE b GOS3M c GOS12M d Der Parameter c nimmt innerhalb dieser Untersuchung den Wert 0 an da die Daten des GOS3M und GOS12M die gleichen Auspr gungen besitzen und daher bereits durch Parameter bestimmt wird Es stellt sich heraus dass der Zusammenhang des Medianus EP und des Tibialis EP in Bezug auf die Glasgow Outcome Scores wesentlich signifikanter ist als der des akustischen evozierten Potentials Dieser Zusammenhang l sst sich durch die komplette Skala in allen drei Bereichen steigern Der beste Korrelationskoeffizient von 0 799 wird f r das evozierte Potential im Bereich Tibialis erreicht TEP f GOSE GOS3M GOS12M 0 435 GOSE 0 396 GOS3M 0 463 e GOSy f AEP MEP TEP a AEP b MEP c TEP d Die Abh ngigkeiten der Glasgow Outcome Scores nach 3 bzw nach 12 Monaten werden durch identische Funktionen dargestellt Die Gr nde hierf r wurden bereits besch
146. n und Verbindungen ins schier unermessliche anw chst G R hrig 14 T Schreiber K nstliche neuronale Netze in der Neurochirurgie Nach der Gegen berstellung der positiven und negativen Aspekte der k nstlichen neuronalen Netze kann man abschlie end folgendes Fazit anf gen Die Welt der k nstlichen neuronalen Netze l t zwar ein sehr breites Spektrum als Anwendungsgebiet offen es ist jedoch festzuhalten dass verschiedene Faktoren von einem k nstlichen neuronalen Netz nicht zu erwarten sind Zum einen scheitert die genaue Abbildung des menschlichen Gehirns bereits am Mengenger st die Modelle geben nur elementare Strukturen wieder welche die Theorien untermauern Eine der Theorien ist es zum Beispiel dass man vermutet ddas Lernen basiere auf Gewichtsver nderungen in den Verbindungen zwischen den einzelnen Neuronen Zum anderen befreit ein k nstliches neuronales Netz die Softwareentwickler nicht von der Programmierarbeit Weiterhin ist es notwendig die Eingangsdaten so zu bearbeiten dass sie eindeutige Klassifizierungen zulassen Eine Nachbearbeitung der Outputdaten ist ebenfalls sinnvoll Deshalb muss eine sinnvolle Koexistenz von Programmierung Datenbankmanagement und dem weiten Gebiet der k nstlichen Intelligenz zugrunde gelegt sein wobei f r eine reibungslose Zusammenarbeit die Schnittstellen eindeutig gehalten werden und ein geeignetes Modell gefunden werden muss Man spricht bei diesen Modellen die ein Wissensgebiet
147. near 10 3 Kehrw J 79 EPGOSx 3 Linear 10 3 Linear 10 J 80 EPGOSx 3 Linear 10 3 TanH J 81 EPGOSx 3 Logarith 3 Logarith 82 EPGOSx 3 Logarith 3 Expo 83 EPGOSx 3 Logarith 3 Kehrw 84 EPGOSx 3 Logarith 3 Linear IN OUT Dateien Abh ng Anzahl Funktion Divisor Anzahl Funktion Divisor Vol_Nor 85 EPGOSx 3 Logarith 3 TanH G R hrig 79 T Schreiber K nstliche neuronale Netze in der Neurochirurgie 86 EPGOSx 3 Expo 3 Logarith 87 EPGOSx 3 Expo 3 Expo 88 EPGOSx 3 Expo 3 Kehrw 89 EPGOSx 3 Expo 3 Linear 10 90 EPGOSx 3 Expo 3 TanH 91 EPGOSx 3 Kehrw 3 Logarith op EPGOSx 3 Kehrw 3 Expo 93 EPGOSx 3 Kehrw 3 Kehrw 94 EPGOSx 3 Kehrw 3 Linear 10 gt EPGOSx 3 Kehrw 3 TanH 96 EPGOSx 3 TanH 3 Logarith 97 EPGOSx 3 TanH 3 Expo 98 EPGOSx 3 TanH 3 Kehrw 99 EPGOSx 3 TanH 3 Linear 10 100 EPGOSx 3 TanH 3 TanH Tabelle 10 12 Funktionszusammenh nge der Pattern und Ergebnisfiles G R hrig 80 T Schreiber K nstliche neuronale Netze in der Neurochirurgie 11 Statistische Datenanalyse Mit der statistischen Betrachtung sowohl der Eingabe als auch Ausgabewerte ist es m glich durch den Korrelationskoeffizienten nach Pearson die Zusammenh nge verschiedener Attribute genauer zu analysieren Die Auswertungen befassen sich mit der einfachen der zweifachen und der multiplen linearen Regressionsanalyse Die Analysen werden mit einer Irrttumswahrscheinlich
148. nheiten die auch als hidden units bezeichnet werden unterliegen einer netzinternen Verwaltung und sind ausschlie lich vom Informationsflu abh ngig Einflussgr en und Regeln bilden die Struktur dieser Verarbeitungseinheiten und damit auch des Netzes Im folgenden werden diese genannt und danach explizit erkl rt 1 Aktivierungszustand state of activation 2 Aktivierungsregel activation rule 3 Ausgaberegel output rule 4 Netzaktivit t net activity 5 Fehlerma error quantifier G R hrig 16 T Schreiber K nstliche neuronale Netze in der Neurochirurgie 3 1 Der Aktivierungszustand Eine Verarbeitungseinheit stellt in einem Gesamtsystem immer einen Teilaspekt zum Zeitpunkt t dar Ist die Verarbeitungseinheit zu diesem Zeitpunkt t aktiviert so kann man dies mit a t beschreiben Fasst man alle Verarbeitungseinheiten zusammen so entsteht f r diesen Zeitpunkt ein Vektor der den Systemzustand durch ein bestimmtes Muster von Aktivierungen beschreibt Somit kann sich eine sehr gro e Anzahl verschiedener Aktivierungen ergeben Netzaktivit t Aktivierungsfunktion Aktivierungszustand Ausgabefunktion Abbildung 3 1 Informationsflu in einer Verarbeitungseinheit Die Aktivierungszust nde k nnen verschiedene Auspr gungen haben einerseits k nnen sie einem kontinuierlichem Wertebereich entnommen sein andererseits k nnen sie diskret sein Im diskreten Fall unterscheidet man zwischen bin ren Einheit
149. nn db OpenRecordset L sionen Neu datei file Dim fn As Integer fn FreeFile Open datei For Output As fn ffnen der Ausgabedatei Print fn SNNS pattern definition file V3 2 Dateikopf des Patternfiles SNNS Print fn generated at amp Format Date Long Date Print fn Print fn No of patterns E DCount aid L sionen Neu Print fn No of input units amp i Print fn No of output units amp o Print fn If Forms Pattern Normal True Then Volumennormalisierung max Normalize Else 1 If nn MoveFirst Do Until nn EOF Select Case In_fkt Selektion der Eingabefunktion Case linear Print fn strReplace Format nnlaid i_faktor 0 00000 strReplace Format nn lid i_faktor 0 00000 strReplace Format nn L sion Volumen max 0 00000 Case Kehrwert Print fn strReplace Format 1 i_faktor 0 00000 strReplace Format 1 nn lid i_faktor 0 00000 strReplace Format 1 nn L sion Volumen max i_faktor 44 0 00000 Case Logarithmus Print fn strReplace Format Log nn aid 1_ faktor 0 00000 strReplace Format Log nn lid i_faktor 0 00000 strReplace Format Log nn L sion Volumen max i faktor HHO 00000 Case Exponentiell
150. nn l sion Volumen 0 00000 strReplace Format Sin pat gose 0 00000 strReplace Format Sin pat gos3m 0 00000 strReplace Format Sin pat gos12m 0 00000 Case Wurzel G R hrig 109 T Schreiber K nstliche neuronale Netze in der Neurochirurgie sql Select Patient Neu from Patient Neu where PID amp nn PID Set pat db OpenRecordset sql Print fn strReplace Format 1 Sqr nn aid i_faktor 0 00000 strReplace Format 1 Sqr nn lid i_faktor 0 00000 strReplace Format 1 Sqr nn L sion Volumen max i_faktor 0 00000 strReplace Format 1 Sqr pat gose o_faktor 0 00000 strReplace Format 1 Sqr pat gos3m o_faktor 0 00000 strReplace Format 1 Sqr pat gosI2m o_faktor 0 00000 Select nn MoveNext Loop pat Close nn Close Close fn End Function Public Function Pat_gos_Pascal i As String o As String file As String i_faktor As String o_faktor As String In_fkt As String Out_fkt As String Function erzeugt Pattern File f r Turbo Pascal Konstante Datei input output units Formal 3xInput 3xOutput Al Anzahl der Input Variablen Jo Anzahl der Output Variablen file Zielverzeichnis amp Zieldatei It faktor Konstante zur Funktionsbestimmung im Eingabe
151. ns und der Datenreduzierung aufgrund des Wertebereiches zu sehen Die Werte des evozierten Potentials und der Glasgow Outcome Scores werden mit Hilfe einer nat rlichen Zahlenskala 0 lt x lt 6 normiert G R hrig 53 T Schreiber K nstliche neuronale Netze in der Neurochirurgie Damit eine Prognose nicht nur aufgrund der zur Verf gung stehenden Daten getroffen wird muss das Expertenwissen in Form einer Wissensbasis hinterlegt sein Durch diese Fakten und Regeln ist es m glich einen Ablaufgraphen der Entscheidungsfindung zu erstellen der in das k nstliche neuronale Netz zu integrieren ist In Abbildung 8 4 wird exemplarisch ein solcher Entscheidungsbaum zur Hirndrucktherapie dargestellt Die einzelnen Einflussfaktoren k nnen an jeder Stelle des Baumes die Prognose Therapie ver ndern bzw beeinflussen 30 hochgelagert n Oberk rper flach 30 hochgelagert EZ de Ho nTh gt 10 9 m d gt Hl ca 30 konzentrate lt 10 mg di alter Pat pathol Korrektur normal N Dopamin 2 keine Hyperventilation lt normal erh ht PaCO2 35 mmHg Ta d vorsichtige Hyperventilation Tag 0 2Z nach SHL Tag gt 0 gt P CO ca 32 mmHg unter P O Kontrolle FO 0 2 0 4 gt FO 0 6 0 8 PtiO2 orientiert Relaxantien Mannitol Glycerol fokale L sion Kreislauf e a Fortecortin stabil
152. o en Attributmengen der Tabellen Identifikation L sion und EP ist die Darstellung auf die f r diese Arbeit n tigen Felder beschr nkt Die Datens tze beschreiben die Messwerte der evozierten Potentiale AEP ScoreEPMed ScoreEPTib von 30 Patienten und deren 473 L sionen L sion L sionstyp Lokalisation Volumen Die Daten der Tabelle Identifikation werden unter Ber cksichtigung der eindeutigen Patientennummer PATNr ber eine I n Verbindung mit den L sions Daten und mit einer 1 1 Verbindung mit den evozierten Potentialen EP verbunden Die beiden Referenztabellen 1 1 Verbindung DB Lesionstyp und DB_Lesionsloc werden ber die Schl sselfelder L sionstyp bzw Lokalisation mit der Prim rtabelle L sion verkn pft Identifikation EPNr PATNr PATNr ScoreAEP GOSE ScoreEPMed GOS3Mo Tasia ScoreEPTib GOS12Mo L sionNr PATNr L sionstyp Lokalistaion Volumen AID L sionstyp DB Lesionsloc LID Lokalisation Abbildung 9 5 Struktur der Datenbank des St dtischen Klinikums Fulda G R hrig 60 T Schreiber K nstliche neuronale Netze in der Neurochirurgie 9 3 Die anonymisierten Daten Die zur Verf gung gestellten Daten lassen sich in zwei Bereiche unterteilen Der erste Bereich wird durch die Patientendaten beschrieben der zweite durch die L sionsdaten Die Datens tze befinden sich wie zuvor beschrieben
153. oder 2 erreicht der neue Wert von 2 durch 2 und der neue Wert von 3 durch die alten Werte von 4 oder 5 ersetzt Der Datentyp dieser Felder wird von urspr nglich Text auf Integer gesetzt um somit innerhalb der Berechnungen auf die konkreten Werte zugreifen zu K nnen L sionsdaten Die Daten der Lokalisation und der L sionstypen werden mit Hilfe der Referenztabellen f r Art und Lage verschl sselt Dabei wird der Wertebereich der Lokalisationen von urspr nglich 65 Auspr gungen zun chst auf 14 Gruppen Klassen beschr nkt und anschlie end auf die 7 neuen Entit ten Tabelle 9 2 geb ndelt Durch diese Transformation wird der Datenbestand um 90 Datens tze auf 383 reduziert Mesencephalon Pons Medulla Frontalis Parietalis occipitalis Insularis temporalis Corpus callosum Septum Capsula interna Nuclei basales Limbisches System Tabelle 9 2 Referenztabelle Lage N Un G R hrig 65 T Schreiber K nstliche neuronale Netze in der Neurochirurgie Der Wertebereich der L sionstypen von urspr nglich 28 Auspr gungen wird auf 14 Gruppen Klassen reduziert und anschlie end auf 4 neue Entit ten Tabelle 9 3 abgebildet Innerhalb dieser Konvertierung werden die Daten um 63 Datens tze auf 320 vermindert 1 Diffuse hypoxic damage 2 Hematoma 3 Contusion Cerebrum 4 Contusion Truncus Tabelle 9 3 Referenztabelle Art G R hrig 66 T Schreiber K nstliche neuronale Netze in der Neurochirurgie
154. olgende Einstellungen getroffen werden e Klassifikation In dieser Referenzliste stehen die Attribute in out und nicht relevant zur Verf gung Die einzelnen Felder k nnen entsprechend dieser Eintragungen klassifiziert werden Dabei ist darauf zu achten dass nur ein Feld als Output Wert deklariert werden kann e Ergebnisse Die errechneten Ergebnisse werden nach erfolgreicher Analyse im unteren Bereich des Formulars dargestellt wobei durch Verwendung einer linearen Analyse der Funktionsgraph zus tzlich angezeigt wird Die Werte werden mit drei Nachkommastellen dargestellt G R hrig 100 T Schreiber K nstliche neuronale Netze in der Neurochirurgie 5 Regressionsanalyse Klassifikation Funktion G053M Klassifikation Funktion inear G0512M Klassifikation Funktion Linear AEP Klassifikation Funktion Linear MSEP Klassifikation Funktion Linear TSEP Klassifikation Hl Funktion Logarithmus Logarithmus In x konst Funktion i exp x 1 2 x konst x Z Dividend Funktion tanh x i sin x 1 Wurzel x konst AID Klassifikation LID Klassifikation Yol Klassifikation Funktion Alpha Konfidenz Korrelation Bestimmtheitsma Ge K Lee Abbildung 12 3 ENN 1 0 Regressionsanalyse 12 7 Ergebnisanalyse Durch das in Abbildung 12 4 dargestellt Tool ist es m glich die von dem Simulator SNNSV4 1 errechneten Ergebnisdateien zu analysieren zu speichern und auf diese
155. ormat 1 Sqr zahl faktor 0 000 End Select End Function Public Function Ergebnis_Konverter Diese Funktion f hrt zur Analyse der erzielten Ergebnisdateien eine Ersetzungsroutine aus durch die das englische Zahlenformat ducrh das deutsche Format ersetzt wird Dim db As Database Dim nn As Recordset Dim snns As Recordset Set db CurrentDb G R hrig 131 T Schreiber K nstliche neuronale Netze in der Neurochirurgie Set nn db OpenRecordset Ergebnis Set snns db OpenRecordset Ergebnis DoCmd SetWarnings False snns MoveFirst DoCmd RunSQL Delete Ergebnis from Ergebnis Do Until snns EOF nn AddNew snns MoveNext nn inl strReplace snns Feldl nn in2 strReplace snns Feld2 nn in3 strReplace snns Feld3 snns MoveNext strReplace snns Feldl nn soll2 strReplace snns Feld2 nn soll3 strReplace snns Feld3 snns MoveNext 011151 strReplace snns Feldl1 nn ist2 strReplace snns Feld2 nn ist3 strReplace snns Feld3 nn Update snns MoveNext Loop snns Close nn Close End Function Public Function Fehler L schen der tempor ren Ergebnisdatei Durch diese Funktion werden die Ergebnisse des SNNS Simulators analysiert Als Ergebnis liefert sie den quadratischen Fehler Dim db As Database Dim nn As Recordset Dim diffl diff2 diff3 As Double Set db
156. orts hat der Benutzer noch die M glichkeit sich f r die reduzierte oder die komplette Skalen bernahme zu entscheiden Der Unterschied liegt im Wertebereich der Skala F r die reduzierte bernahme ist er auf den Bereich von 1 3 beschr nkt f r die komplette bernahme bleibt die Skala von 1 5 erhalten Die Informationen werden in der KNN 1 0 Tabelle Patienten Neu in den Feldern PID Patientenschl ssel GOSx x Entlassung nach 3Monaten nach 12Monaten und xEP x Akustik Medialis Tibialis abgelegt G R hrig 96 T Schreiber K nstliche neuronale Netze in der Neurochirurgie 12 4 Transformationsfunktionen In den Bereichen der Patternerzeugung und der Regressionsanalyse die Eingabe und die Ausgabewerte mit Hilfe der hinterlegten Funktionen Tabelle 12 1 transformiert werden Durch diese eingebaute Funktion ist es m glich den Eingabe Ausgaberaum einer Variablen so zu strecken bzw zu stauchen dass die urspr nglich schlechte Korrelation wesentlich verbessert werden kann Wird eine solche positiv korrelierende Funktion errechnet so k nnen die eingesetzten Transformationsfunktionen den Datenbereich des Trainings Files f r die Simulatoren auf die gleiche Art und Weise transformieren Handelt es sich um eine Funktion mit integrierter Konstante wird der vom Benutzer einzugebende Parameter der alle Werte gt 0 annehmen kann zur Berechnung herangezogen In der Grundeinstellung nimmt die Konstante stets de
157. output units Formal 3xInput 3xOutput Al Anzahl der Input Variablen Jo Anzahl der Output Variablen file Zielverzeichnis amp Zieldatei i_faktor Konstante zur Funktionsbestimmung im Eingaberaum o_faktor Konstante zur Funktionsbestimmung im Ausgaberaum In_fkt Schl ssel der Input Funktion Out_fkt Schl ssel der Output Funktion Dim db As Database Dim nn As Recordset Dim dat As Recordset Dim pat As Recordset Dim sql datei Set db CurrentDb Set nn db OpenRecordset Patient Neu datei file Dim fn As Integer fn FreeFile Open datei For Output As fn ffnen der Ausgabedatei Dateikopf f r den SNNS Patternfile Print fn SNNS pattern definition file V3 2 Print fn generated at amp Format Date Long Date Print fn Print fn No of patterns E DCount pid Patient Neu Print fn No of input units amp i Print fn No of output units amp o Print fn nn MoveFirst Do Until nn EOF Select Case In_fkt Selektion der Eingabefunktion Case linear Print fn strReplace Format nn aep i_faktor 0 00000 strReplace Format nn msep i_faktor 0 00000 strReplace Format nn tsep i_faktor 0 00000 Case Kehrwert Print fn strReplace Format 1 nn aep i_faktor 0 00000 strReplace Format 1 nn msep i_faktor 0 00000 strRepl
158. p Format objExcelWS cells Trim Str 45 a 18 0 000 amp amp funktion Trim Str z amp Else strl strl amp Format objExcelWS cells Trim Str 45 a 18 0 000 amp amp funktion Trim Str z amp amp Format objExcelWS cells Trim Str 46 a 18 0 000 End If End If Me Regressionsfunktion str1 Next z Case 4 a 0 For z 1 9 strSpalte in amp Trim Str z If blnSumme strSpalte s True Then 1 If a lt gt 4 Then strl strl amp Format objExcelWS cells Trim Str 45 a 18 0 000 amp amp funktion Trim Str z amp Else strl strl amp Format objExcelWS cells Trim Str 45 a 18 0 000 amp amp funktion Trim Str z amp amp Format objExcelWS cells Trim Str 46 a 18 0 000 End If End If Me Regressionsfunktion str1 Next z Case 5 a 0 For z 1 9 strSpalte in amp Trim Str z If blnSumme strSpalte s True Then 1 If a lt gt 5 Then strl strl amp Format objExcelWS cells Trim Str 45 a 18 0 000 amp amp funktion Trim Str z amp Else strl strl amp Format objExcelWS cells Trim Str 45 a 18 0 000 amp amp funktion Trim Str z amp amp Format objExcelWS cells Trim Str 46 a 18 0 000 End If End If G R hrig 143 T Schreiber K nstliche neuronale Netze in der Neurochirurgie Me Regressionsfunktion strl
159. place Format TanH pat gos3m 0 00000 strReplace Format TanH pat gos12m 0 00000 er Case Sinus Print fn strReplace Format Sin pat gose 0 00000 strReplace Format Sin pat gos3m 0 00000 d strReplace Format Sin pat gos12m 0 00000 To Case Wurzel Print fn strReplace Format 1 Sqr pat gose o_faktor 0 00000 strReplace Format 1 Sqr pat gos3m o_ faktor HH0 00000 strReplace Format 1 Sqr pat gos12m o_faktor 0 00000 x al End Select nn MoveNext Loop pat Close nn Close Close fn End Function Public Function SNNSO As String o As String file As String i_faktor As String o_faktor As String In_fkt As String Out_fkt As String Function erzeugt Pattern File f r SNNSv4 1 Konstante Datei input output units faktor Formal 3xInput G R hrig 128 T Schreiber K nstliche neuronale Netze in der Neurochirurgie 3xOutput i Anzahl der Input Variablen o Anzahl der Output Variablen file Zielverzeichnis amp Zieldatei i_faktor Konstante zur Funktionsbestimmung im Eingaberaum o_faktor Konstante zur Funktionsbestimmung im Ausgaberaum In_fkt Schl ssel der Input Funktion Out_fkt Schl ssel der Output Funktion Dim db As Database Dim nn As Recordset Dim dat As Recordset Dim pat As Recordset Dim sql datei max Set db CurrentDb Set
160. r 0 00000 strReplace Format nn tsep i_faktor 0 00000 Print fn strReplace Format nn gose o_faktor 0 00000 strReplace Format nn gos3m o_faktor 0 00000 d strReplace Format nn gos12m o_faktor 0 00000 H 9 Case Kehrwert Print fn strReplace Format 1 nn aep i_faktor 0 00000 strReplace Format 1 nn msep i_faktor 0 00000 strReplace Format nn tsep i_faktor 0 00000 D Print fn strReplace Format 1 nn gose o_faktor 00000 strReplace Format 1 nn gos3m o_faktor 0 00000 ms strReplace Format 1 nn gos12m o_faktor 0 00000 Case Logarithmus Print fn strReplace Format Log nnlaep i_faktor 0 00000 strReplace Format Log nn msep i_faktor 0 00000 strReplace Format Log nn tsep i_faktor 0 00000 d Print fn strReplace Format Log nn gose o_faktor KI 00000 es strReplace Format Log nn gos3m o_faktor 0 00000 d strReplace Format Log nn gos12m o_faktor 0 00000 ee Case Exponentiell Print fn strReplace Format Exp nn aep 0 00000 strReplace Format Exp nn msep 0 00000 win strReplace Format Exp nn tsep 0 00000
161. r gt dar Diese Korrelation k nnte durch einen Verzicht auf die Skalierung der evozierten Potentiale entspricht der Verwendung von den originalen Messwerten und einer Detaillierung der L sionsreferenzen gesteigert werden 3 Gruppe von Gruppe II Mit dieser Untersuchung wird der lineare Zusammenhang der Prognosewerte Glasgow Outcome Score von den Messwerten der evozierten Potentiale betrachtet Es hat sich gezeigt dass durch eine zweifache bzw multiple Regressionsanalyse wesentlich bessere Korrelationen als eine einfache Analyse liefert Als problematisch stellt sich die Identit t der Progrnosewerte nach 3 bzw 12 Monaten dar wodurch eine Messung des Glasgow Outcome Scores nach 8 Monaten anstelle von einer Messung nach 3 und 12 Monaten zu empfehlen ist Durch diese Reduzierung k nnte eine gute mathematische Abbildung mit einer zweifachen Regressionsfunktion in Abh ngigkeit von den evozierten Potentialen in den Bereichen Akustik und Tibialis erreicht werden 4 Gruppe von Gruppe III G R hrig 91 T Schreiber K nstliche neuronale Netze in der Neurochirurgie Die multiple Regressionsanalyse ermittelt die Funktion die die Zuordnung der evozierten Potentiale aufgrund der Glasgow Outcome Scores beschreibt Den besten Korrelationkoeffizienten von 0 799 innerhalb dieser beiden Bereiche erreicht man durch Abbildung des Tibialis EP mit Hilfe der Werte des Glasgow Outcome Scores Anhand dieses Ergebnisses l sst sich vermuten
162. r Versuch einer technischen L sung geht dahin dass man Netzmodelle verwendet die in ihrer Verbindungsstruktur eingeschr nkt sind oder eine Prozessoranordnung w hlt deren Verbindungsstruktur Punkt zu Punkt Verbindungen in einem hochdimensionalen Raum realisiert Adaptivit t Lernf higkeit Das Wissen eines neuronalen Netzes f r einen Anwendungsbereich liegt in seiner Verbindungsstruktur Durch Modifizierung dieser Struktur ist es m glich die Einflu nahme des Erregungszustands jeder Zelle auf die mit ihr verbundene Zelle zu regulieren Das Netz kann durch Angabe von Eingangsvektoren und der genauen Beschreibung des gew nschten Outputs im Probe oder Trainingsbetrieb lernen Die Konfiguration eines Netzes sollte in der Lage sein die erlernten Trainingsbeispiele zu reproduzieren und f r alle nicht genau trainierten F lle durch Assoziation oder durch Interpolation angemessene Outputs liefern Verteilte Wissensrepr sentation Wie wir gesehen haben liegt das Wissen eines k nstlichen neuronalen Netzes in den einzelnen Gewichtungen verteilt gespeichert Daraus ergibt sich der weitere positive Aspekt einer h heren Fehlertoleranz des Gesamtsystems gegen ber einzelnen Neuronen und Verbindungen G R hrig 12 T Schreiber K nstliche neuronale Netze in der Neurochirurgie H here Fehlertoleranz Wird beim Entwurf eines k nstlichen neuronalen Netzes darauf geachtet dass die Dimensionierung und die Codierung der zu lernenden W
163. r nn gos3m o_faktor 0 00000 strReplace Format 1 Sqr nn gos12m o_faktor 0 00000 End Select nn MoveNext Loop nn Close Close fn End Function Public Function ep_gos_havbpett i As String o As String file As String i_faktor As String o_faktor As String In_fkt As String Out_fkt As String Function erzeugt Pattern File f r Havbpett Konstante Datei input output units Formal 3xInput 3xOutput H Anzahl der Input Variablen Jo Anzahl der Output Variablen Zielverzeichnis amp Zieldatei It faktor Konstante zur Funktionsbestimmung im Eingaberaum o_faktor Konstante zur Funktionsbestimmung im Ausgaberaum In_fkt Schl ssel der Input Funktion Out_fkt Schl ssel der Output Funktion Dim db As Database Dim nn As Recordset Dim dat As Recordset Dim pat As Recordset Dim sql datei Set db CurrentDb Set nn db OpenRecordset Patient Neu datei file Dim fn As Integer fn FreeFile Open datei For Output As fn ffnen der Ausgabedatei Kopfzeile des Patternfiles Print fn DCount pid Patient 2 amp amp 1 amp amp o nn MoveFirst Do Until nn EOF Select Case In_fkt Case linear G R hrig 119 T Schreiber K nstliche neuronale Netze in der Neurochirurgie Print fn strReplace Format nn aep i_faktor 0 00000 strReplace Format nn msep i_faktor 0 00000 st
164. rReplace Format nn tsep i_faktor 0 00000 strReplace Format nn gose o_faktor 0 00000 jene strReplace Format nn gos3m o faktor 0 00000 strReplace Format nn gos12m o_faktor 0 00000 Case Kehrwert Print fn strReplace Format 1 nn aep i_faktor 0 00000 strReplace Format 1 nn msep i_faktor 0 00000 strReplace Format nn tsep i_faktor 0 00000 strReplace Format 1 nn gose o_faktor 0 00000 strReplace Format 1 nn gos3m o_faktor 0 00000 strReplace Format 1 nn gos12m o_faktor 0 00000 Case Logarithmus Print fn strReplace Format Log nn aep i_faktor 0 00000 strReplace Format Log nn msep i_faktor 0 00000 strReplace Format Log nn tsep i_faktor 0 00000 strReplace Format Log nn gose o_faktor 0 00000 strReplace Format Log nn gos3m o_faktor 0 00000 RE Ke strReplace Format Log nn gos12m o_faktor 0 00000 ee Case Exponentiell Print fn strReplace Format Exp nn aep 0 00000 strReplace Format Exp nn msep 0 00000 wo strReplace Rormat Exp nn tsep 0 00000 SirReplace Format Exp oo 0 00000
165. raum o_faktor Konstante zur Funktionsbestimmung im Ausgaberaum In_fkt Schl ssel der Input Funktion Out_fkt Schl ssel der Output Funktion Dim db As Database Dim nn As Recordset Dim dat As Recordset Dim pat As Recordset Dim sql datei max Set db CurrentDb Set nn db OpenRecordset L sionen Neu datei file Dim fn As Integer fn FreeFile Open datei For Output As fn ffnen der Ausgabedatei Erstellung der Kopfzeile f r Pacal Print fn Trim DCount aid L sionen Neu 2 Anzahl der Datens tze Print fn i Print fn Trim DCount aid L sionen Neu 2 Print fn o If Forms Pattern Normal True Then Volumennormalisierung max Normalize Else max 1 End If nn MoveFirst Do Until nn EOF Select Case In_fkt Selektion der Eingabefunkion Case linear G R hrig 110 T Schreiber K nstliche neuronale Netze in der Neurochirurgie Print fn strReplace Format Trim Str nn aid i_faktor 0 00000 strReplace Format Trim Str nn lid i_faktor 0 00000 strReplace Format nn L sion Volumen max 0 00000 sql Select Patient Neu from Patient Neu where PID amp nn PID Set pat db OpenRecordset sql Print fn strReplace Format pat gose o_faktor 0 00000 StrReplace Format pat gos3m o_faktor 0 00000 strReplace Format pat gos12m o_faktor
166. rden Die ben tigten Parameter wie z B f r die Irrtumswahrscheinlichkeit werden mit Hilfe der Variablen Beta eingestellt Nach Festlegung der Struktur und der Eigenschaften des Netzes wird dieses mit Hilfe des Create Net Buttons fertiggestellt Die Speicherfunktion steht in der nicht registrierten Version nicht zur Verf gung Training Control Nach Bestimmung der m glichen Parameter kann das Trainieren des Netzes mit Hilfe des Training Controls eingestellt werden Diese Maske wird in Abbildung 5 2 dargestellt Durch Error Measurement Control kann die Art der Fehlerklassifizierung gew hlt werden Im Beispiel wird das Vorzeichen zur Analyse der Resultate herangezogen Wird das Training gestartet werden die Resultate graphisch und als Prozentwerte angezeigt Das beste Ergebnis wird incl des prozentualen Fehlers festgehalten Das in Abbildung 5 2 dargestellte Beispiel besitzt eine Zuverl ssigkeit von ca 91 4 Consultation Control G R hrig 36 T Schreiber K nstliche neuronale Netze in der Neurochirurgie Nach erfolgreichem Trainieren des Netzes kann die errechnete Struktur getestet werden Dies geschieht ber den Consultation Control Button In dem sich ffnenden PopUp werden der Testfile und die Protokolldatei angegeben Nach Best tigung durch Consult werden diese Testdaten dem Netz zugef hrt und die Ausgabewerte berechnet Das Ergebnis incl des prozentualen Fehlers wird in der Protokollda
167. rechende Simulator und die gew nschte Abh ngigkeit selektiert Ziel Mit diesem Feld w hlt der Benutzer Laufwerk Verzeichnis und Dateinamen des zu erzeugenden Patternfiles SZ Patternerzeugung Input Logarithmus In x konst Exponenitiell exp Lal Output Kehrwert 1 2 x konst Linear x Z Dividend TangensH tanh Sinus sin x 1 Z Wurzel x konst Simulator SNNSv4 1 Abh ngigkeit L sion gt GOSx GOSy gt gt 605 Ziel BZIC knn knn pat olumen Normalisierung E dB Knn Date gt lt Abbildung 12 2 KNN 1 0 Patternerzeugung G R hrig 99 T Schreiber K nstliche neuronale Netze in der Neurochirurgie 12 6 Regressionsanalyse Allgemein Mit Hilfe des Tools Regressionsanalyse Abbildung 12 3 k nnen Regressionsanalysen bzgl eines Ausgabewertes in Abh ngigkeit von bis zu acht Variablen durchgef hrt werden Es besteht die M glichkeit den Eingabe und den Ausgaberaum mit Hilfe von hinterlegten Funktionen zu transformieren Als Ergebnis werden das Bestimmtheitsma der Korrelationskoeffiezient nach Pearson die Regressionsfunktion incl Transformationsfunktionen und bei linearen Korrelationen die Funktion als Graph dargestellt Wird der Parameter Alpha f r die Irrtumswahrscheinlichkeit im Wertebereich 0 1 angegeben wird das Vertrauensintervall berechnet und angezeigt e Einstellungen Innerhalb der in Abbildung 12 3 dargestellten Maske k nnen f
168. rieben Identit t der Werte Der Zusammenhang des GOSEs bzgl der evozierten Potentiale ist in beiden Skalenbereichen nahezu identisch d h reduzierte bzw komplette Skala erzeugen den gleichen Korrelationskoeffizienten Der beste Zusammenhang mit dem Korrelatioskoeffizienten von 0 617 wird innerhalb der kompletten Skala durch folgende Funktion erreicht GOS3M 12M f TEP 0 581 AEP 1 394MEP 0 123 TEP 1 948 G R hrig 88 T Schreiber K nstliche neuronale Netze in der Neurochirurgie GOSy f AID LID VOL a AID b LID c VOL d Bei der Untersuchung des Zusammenhangs zwischen der GOSE Werte und den L sionsdaten wird die h chste lineare Korrelation von 0 067 mit Hilfe der kompletten Skala erreicht w hrend bei der Untersuchung der GOS3M 12M Werte der beste Koeffizient von 0 110 mit der reduzierten Skala erreicht wird wobei auch in diesem Fall die Funktionen identisch sind Die entsprechende Funktion lautet GOS3M 12M f AID LID VOL 0 047 AID 0 043 LID 0 002 VOL 1 836 f AID LID VOL a AID b LID c VOL d Durch die Reduzierung der Skala kann die Zuordnung die durch die obige Funktion beschrieben wird gest rkt werden Die Korrelationswerte sind im Durchschnitt ca 0 014 h her als innerhalb der reduzierten Skala Den h chsten Pearsonkorrelationskoeffizienten von 0 157 erreicht man f r das evozierte Potential im Bereich Medianus Die Funktion lautet f AID LID VOL
169. rig 139 T Schreiber K nstliche neuronale Netze in der Neurochirurgie 14 4 Modul Statistik Option Compare Database Option Explicit Private Sub Befehl LS Check Mit diesem Programm werden die Daten aus der Datenbank extrahiert und diese Daten zur Berechnung nach Excel bergeben um das Ergebnis wieder zur ckzubekommen Der Eingaberaum der Variablen wird dynamisch gehalten Die Kommunikation der zust ndigen Programme wird unter Verwendung von Viasual Basic 5 0 realisiert Dim db As Database Dim pat As Recordset Dim nn As Recordset Dim s As Recordset Dim sql x quelle Dim sr Dim i As Integer Dim objExcel As Object Dim objExcelWS As Object Dim objExcelWB As Object Dim strSpalte As String Dim e a As Integer Dim Pearson30 As String Dim Pearson320 As String Dim Verz As String Dim strControl As String Dim z As Integer Set db CurrentDb Set nn db OpenRecordset L sionen Neu Set pat db OpenRecordset Patient Neu Set s db OpenRecordset Datei MelRegressionsfunktion Visible False Me Bestimmt Visible False Me Pearson Visible False DoCmd SetWarnings False DoCmd RunSQL Delete Datei from Datei DoCmd Hourglass True Verz C KNN Pearson30 Verz amp PEARSON30 XLS Pearson320 Verz amp PEARSON320 XLS 1 0 strControl Klasse Forz 1To9 strControl Klasse amp Trim Str z If Me strControl in Then Eingabevariablen i i 1 End If Next z G R hr
170. ropagation Man unterscheidet zwischen un berwachtem Lernen unsupervised learning berwachtem Lernen supervised learning Im Fall berwachten Lernens muss weiterhin unterschieden werden zwischen dem sogenannten Ein Ausgabelernen hard learning hier werden nur Eingabe und Ausgabemuster pr sentiert und dem vollst ndigen Lernen easy learning Zwischenzell Aktivierungen m ssen angegeben werden Allen Adaptionsmethoden gemein ist die Parametrisierbarkeit die die St rke der Auswirkung einer Fehlleistung des Netzes auf die Gewichtskonfiguration beeinflusst Der wichtigste Faktor ist der Lernfaktor n Exemplarisch werden an dieser Stelle die drei gebr uchlichsten Lernregeln dargestellt Hebbsche Regel G R hrig 25 T Schreiber K nstliche neuronale Netze in der Neurochirurgie Wenn Zelle j eine Eingabe von Zelle i erh lt und beide gleichzeitig aktiviert sind dann erh he das Gewicht wa Der mathematische Zusammenhang kann wie folgt aufgezeigt werden oder in allgemeiner Form A wij T oi aj A wij n k oi wj g aj tj von Funktion nach Funktion Legende Aw nderung des Gewichtes wi n Lernfaktor konstant Oj Ausgabe der Vorg ngerzelle aj Aktivierung der Nachfolgezelle tj Teaching input erwartete Aktivierung k Wij Funktion der Ausgabe und Gewicht der Vorg ngerzelle g ai tj Funktion der tats chlichen und erwarteten Aktivierung
171. rten Potentiale bzgl der Verletzungsdaten erm glicht den R ckschluss auf die Notwendigkeit des Messens einzelner Bereiche der EP Werte Besteht die M glichkeit aufgrund der Daten einer Verletzung auf die EP Werte zu schlie en um dadurch das Ermitteln einzelner EP Bereiche zu er brigen Gruppe III von Gruppe In dieser Analyse der Daten wird der Zusammenhang zwischen den Prognosewerten des Glasgow Outcome Scores und den Messwerten der evozierten Potentiale untersucht Kann aufgrund der evozierten Potentiale eines Patienten auf die Glasgow Outcome Scores zu den drei Zeitpunkten eine Zukunftsprognose erzeugt werden e Gruppe II von Gruppe Der Zusammenhang der Prognosewerte des Glasgow Outcome Scores bzgl der Messwerte des evozierten Potentials erm glicht R ckschl sse auf die Potentiale und somit die Reduzierung der Messreihen Kann durch die Existenz der Glasgow Outcome Scores auf die evozierten Potential zur ckgeschlossen bzw k nnen diese berpr ft werden e Gruppe II III von Gruppe II III Mit Hilfe der Analyse dieser Zusammenh nge ist es m glich die Korrelationen innerhalb der Gruppen Evozierte Potentiale bzw Glasgow Outcome Score herauszustellen Wie stark sind die inneren Zusammenh nge der EP Werte und der Prognosewerte des GOS In den sich anschlie enden Kapiteln werden diese Daten relational strukturiert und in allen Abh ngigkeiten statistisch und neuronal aufbereitet In Abbildung 9 4 w
172. s3m o_faktor 0 00000 strReplace Format nn gos12m o_faktor 0 00000 Tea cl Case Kehrwert Print fn strReplace Format 1 nn gose o_faktor 0 00000 strReplace Format 1 nn gos3m o_faktor 0 00000 strReplace Format 1 nn gos12m o_faktor 0 00000 Case Logarithmus Print fn strReplace Format Log nn gose o_faktor 0 00000 strReplace Format Log nn gos3m o_faktor 0 00000 strReplace Format Log nn gos12m o_faktor 0 00000 Case Exponetiell Print fn strReplace Format Exp nn gose 0 00000 strReplace Format Exp nn gos3m 0 00000 i strReplace Format Exp nn gos12m 0 00000 Case TangensH Print fn strReplace Format TanH nn gose 0 00000 strReplace Format TanH nn gos3m 0 00000 d strReplace Format TanH nn gos12m 0 00000 9 Case Sinus Print fn strReplace Format Sin nn gose 0 00000 strReplace Format Sin nn gos3m 0 00000 strReplace Format Sin nn sos12m 0 00000 Case Wurzel Print fn strReplace Format 1 Sqr nn gose o_faktor 0 00000 strReplace Format 1 Sqr nn gos3m o_faktor 0 00000 strReplace Format 1
173. se folgender Simulatoren ergibt e HavBpNet e Turbo Pascal e Stuttgarter Simulator SNNS G R hrig 34 T Schreiber K nstliche neuronale Netze in der Neurochirurgie 5 Der Simulator HavBpNet 5 1 Produktbeschreibung Das Softwareprodukt HavBpNet wird von der Firma hav Software hav neosoft com vertrieben und simuliert die Funktionen Strukturen eines feedforward und eines recurrent Netzes mit Hilfe der Lernregel Backpropagation Das Programm wurde mit Hilfe von Borland C objektorientiert entwickelt Als weitere Software stellen hav Software das Produkt HavFmNet zur Verf gung Das Programm ist nicht als Shareware Version erh ltlich Bei diesem Tool werden die selbstorganisierenden Karten nach Kohonen simuliert HavBpNet bietet im Standard bereits die M glichkeit verschiedene User Applications in das Programm mit Hilfe von vorgefertigten Schnittstellen und deren DLL Bibliotheken zu integrieren Die Oberfl che des Programms wird in Abbildung 5 1 dargestellt Data Network Process Options Mail Help Exit Copyright 1995 M Notepad A Clear User and Hail Buttons d lt gt Reserved Data Control Initial Recurrent Size Activation Beta i Decay Cascade Yalue Strenath s 1 02 oo 01 1 0 1 Tan 2 10 10 ou Create Het Forward Processing Order 1
174. sgabe deklariert Mel Klassel nicht relevant Exit Sub End If If Me Klasse5 out Then MsgBox Sie haben eine Variable bereits als Ausgabe deklariert Mel Klassel nicht relevant Exit Sub End If If Me Klasse6 out Then MsgBox Sie haben eine Variable bereits als Ausgabe deklariert Mel Klassel nicht relevant G R hrig 152 T Schreiber K nstliche neuronale Netze in der Neurochirurgie Exit Sub End If If Me Klasse7 out Then MsgBox Sie haben eine Variable bereits als Ausgabe deklariert MelKlassel nicht relevant Exit Sub End If If Me Klasse8 out Then MsgBox Sie haben eine Variable bereits als Ausgabe deklariert Mel Klassel nicht relevant Exit Sub End If If Me Klasse9 out Then MsgBox Sie haben eine Variable bereits als Ausgabe deklariert Mel Klassel nicht relevant Exit Sub End If End If End Sub Private Sub Klasse After Update Fehlerroutine um sicherzustellen dass nur eine Ausgabevariable deklariert wurde If Me Klasse2 out Then If Me Klassel out Then MsgBox Sie haben eine Variable bereits als Ausgabe deklariert Mel Klasse2 nicht relevant Exit Sub End If If Me Klasse3 out Then MsgBox Sie haben eine Variable bereits als Ausgabe deklariert Mel Klasse2 nicht relevant Exit Sub End If If Me Klasse4 out Then MsgBox Sie haben eine Variable bereits als Ausgabe deklariert Me Klasse2 nicht relevant Exit Sub End If If Me
175. sind W hrenddessen sind innerhalb der Abh ngigkeiten der Potentiale bzw Outcome Scores bzgl der L sionsdaten Art Lage Volumen durchgehend schlechte Korrelationen zu erwarten Die Ursache hierf r ist zum einen in der Reduzierung der Skalen f r Lage und Ort und zum anderen in der Anzahl der gelieferten Daten zu suchen die durch Einschr nkung der Auspr gungen von Lage und Art von urspr nglich 473 auf 320 Datens tze gesenkt wurden G R hrig 90 T Schreiber K nstliche neuronale Netze in der Neurochirurgie e Interpretation der Ergebnisse Durch die in Kapitel 9 1 klassifizierten Gruppen und deren Problemfelder ergeben sich anhand der durchgef hrten statistischen Analysen folgende R ckschl sse 1 Gruppe III von Gruppe I Die Zusammenh nge zwischen den Prognosewerten Glasgow Outcome Score und den L siondaten Art Lage Volumen stellen sich durch den Korrelationskoeffizienten von unter 0 10 innerhalb der multiplen Regressionsanalyse schlecht dar Diese analysierten Abh ngigkeiten lassen den R ckschluss zu dass die begrenzten Daten der L sion bestenfalls zur Filtrierung herangezogen werden sollten bzw die Einschr nkungen in den Referenzen Art und Lage aufzuheben sind um dadurch einen detaillierteren Wertebereich erhalten zu k nnen 2 Gruppe II von Gruppe I Die Abh ngigkeiten der evozierten Potentiale von den L sionsdaten stellen sich aufgrund der multiplen Regressionsanalyse als nur schwach ausgep
176. t hat englische W rter vorzulesen Entwicklung kommerzieller und nicht kommerzieller Produkte Unterst tzung der Forschung 2 4 Eigenschaften k nstlicher neuronaler Netze Positive Eigenschaften Robustheit Durch die sogenannte Kollektivverantwortung der simulierten Neuronen f r erzielte Ergebnisse f hrt der Versagensfall einzelner Neuronen schlimmstenfalls zu einer leicht verminderten Leistung des Netzes In der Systemtheorie wird dieses Verhalten als graceful degradation schrittweise Verminderung bezeichnet Durch diese spezielle Eigenschaft sind neuronale Netze vorwiegend geeignet f r Aufgaben die folgende Charakteristika aufweisen assoziierend interpolativ klassifizierend beurteilend Modellinh rente Parallelisierungsm glichkeit G R hrig 11 T Schreiber K nstliche neuronale Netze in der Neurochirurgie Die Datenstrukturen und Ausf hrungsmodelle von neuronalen Netzen eignen sich gut f r Mehrprozessorarchitekturen Die herk mmlichen halbautomatischen in Koprozeduren aufgel sten Algorithmen stehen im Gegensatz zu den hier verwendeten massiv parallelen Ausf hrungsmodellen Im Idealfall sollte je einer Zelle des Ausf hrungsmodells auch ein Prozessor zugeordnet sein Dies ist jedoch im Allgemeinfall nicht m glich da der Bedarf an Prozessoren viel zu hoch w re bzw die hohe Anzahl der ben tigten Kommunikationsverbindungen zwischen den Prozessoren nicht zu realisieren ist De
177. t msep Funktion5 Faktor5 Else If Me Klasse5 out Then s out transform pat msep Funktion5 Faktor5 strl Outfunktion Me Funktion5 5 End If End If If Me Klasse6 in Then s in6 transform pat tsep Funktion6 Faktor6 Else If Me Klasse6 out Then slout transform pat tsep Funktion6 Faktor6 strl Outfunktion Me Funktion6 6 End If End If s Update pat MoveNext Loop pat Close Erzeugung des Excelobjekte Set objExcel CreateObject Excel Application G R hrig 141 T Schreiber K nstliche neuronale Netze in der Neurochirurgie objExcel Workbooks Open FileName Pearson30 Set objExcelWS objExcel Sheets Trim Str i amp Variable a 0 For z 1 To 9 Tabellengenerierung der Eingaben strSpalte in amp Trim Str z If binSumme strSpalte s True Then berpr fung des dynamischen Raums 1 s MoveFirst For e 2 To 31 F llen der Felder pro Spalte objExcelWS cells e a Value s strSpalte s MoveNext Next e End If Next z strSpalte out s MoveFirst For e 2 To 31 Generierung des Ausgaberaums objExcelWS cells e i 1 Value s strSpalte s MoveNext Next e If Me alpha gt 0 Then Flag zur Generierung des Konfidenzintervalls objExcelWS cells 36 16 Value Me Konfidenz Visible True End If quelle Pearson30 Ifi 1 Then Wenn lineare Zuordnung dann Grafikerzeugung Diagramm Visible True Set objExcelWS objExcel Sheets Graphik objExcelWS chartobjec
178. tei abgelegt Die Datei besitzt die Endung REP und hat folgende Struktur Pattern Nr Output Ist Output Soll Absoluter Fehler In der letzten Zeile der Datei werden der Mittelwert der absolute Fehler in und der des quadratischen Fehlers gespeichert lata Network Process Options Mail Help Exit er EIESBISERNE Clear User and Hail Buttons 4 Training Control Copyright 1995 by e hau Soft ll Rig N ation ao EE SE Consultation Control Training Report Filename Network Size Activation C NN HAYBPNETT PREYIEW2 EXAMPLES SONAR Train rep Auto S yE Best Out Eror Measurement Control Hid Parameter Change Control Sign Oniy e Initial Recurrent ave Beta Mu Decay Cascade Value Strenath Restore 040 04 2 0 0 1 0 R Output 0 1 1 0 Hid 0 08 0 2 0 0 1 0 R Hidden 0 1 1 0 EPOCH 0 Performance 1 Size Frequency Pass Num RMS Eror Avg X Error Graph Contol enter modifications to 100 0 611384 22 115385 taining parameters The modified values are 11 Objektfe markiert LINEAR BEST PASS Lowest Z Eror submitted to the network WinZip 0 442964 8 65385 a LOG LINO NEXT training cycle 100 Helper R 4 Error pattern rp 0 i ge 40 o d d i 140 160 6 Turbo Pascal G R hrig 37 T Schreiber K nstliche neuronale Netze in der Neurochirurgie 6
179. tel 12 beschreibt die Funktionen und die Benutzung des im Rahmen dieser Arbeit entwickelte Analyseprogramms KNN 1 0 Das Schlusswort im 13 Kapitel zieht das Res mee ber die in dieser Arbeit erzielten Ergebnisse beschreibt die Tendenzen f r zuk nftige Projekte in diesem Sektor der neuronalen Netze und stellt die Probleme innerhalb der Untersuchung der Daten heraus Im letzten Kapitel 14 befindet sich der kommentierte Quellcode des in Visual Basic 5 0 entwickelten Tool 1 0 Die Kommentarzeilen sind farbig kenntlich gemacht G R hrig 4 T Schreiber K nstliche neuronale Netze in der Neurochirurgie 2 K nstliche neuronale Netze Eine Einf hrung 2 1 Nat rliche neuronale Netze Bevor wir uns den k nstliche neuronalen Netzen zuwenden wollen wir uns zun chst die Natur und die damit zugrundeliegenden nat rlichen Modelle anschauen Die grundlegenden Bausteine in biologischen Systemen sind die Neuronen Ein Neuron ist eine kleine Zelle die elektrochemische Reize von mehreren Quellen empf ngt Als Reaktion darauf erzeugt ein Neuron elektronische Impulse die wiederum an andere Neuronen oder Effektorzellen bertragen werden Das menschliche Nervensystem besteht aus ca 10 bis 10 2 Neuronen die jeweils mehrere Informationen speichern k nnen Das Gewicht des menschlichen Gehirns liegt im Durchschnitt bei 1 5 kg somit ergibt sich ein Gewicht f r das Neuron von 1 5 10 kg Abbildung 2 1 Die Hirnrin
180. tor 0 00000 strReplace Format Trim Str nn lid faktor 0 00000 strReplace Format nn L sion Volumen 0 00000 strReplace Format pat gose o_faktor 0 00000 strReplace Format pat gos3m o_faktor 0 00000 een strReplace Format pat gos12m o_faktor 0 00000 ee Case Kehrwert sql Select Patient Neu from Patient Neu where PID amp nn PID Set pat db OpenRecordset sql Print fn strReplace Format 1 nn aid i_faktor 0 00000 strReplace Format 1 nnllid 1 0 00000 strReplace Format 1 nn L sion Volumen max 1 0 00000 strReplace Format 1 pat gose o_faktor 0 00000 strReplace Format 1 pat gos3m o_faktor 0 00000 strReplace Format 1 pat gos12m o_faktor 0 00000 Case Logarithmus sql Select Patient Neu from Patient Neu where PID amp nn PID Set pat db OpenRecordset sql Print fn strReplace Format Log nnlaid faktor 0 00000 strReplace Format Log nn lid i_faktor 0 00000 strReplace Format Log nn L sion Volumen max 1 _ faktor HHO 00000 strReplace Format Log pat gose o_faktor 0 00000 strReplace Format Log p
181. toren incl der Einstufungen dargestellt Die Zahlen in den Spalten berschriften entsprechen den unter 4 2 beschriebenen Bewertungskriterien bzw dessen Nummerierung Die Auspr gungen jeder einzelnen Kategorie pro Simulator entspricht der p dagogischen Notenskala von 1 bis 6 wobei die Note 6 als ungen gend und die Note 1 als sehr gut einzustufen ist Simulator Release 1 2 3 4 5 6 7 8 5 gt AiNet 1 24 1 1 4 6 5 603 4 227 32 Aspirin Migraines 6 0 3 4 3 5 3 4 5 4 5 36 Atree 2 7 4 1 4 5 6 5 3 6 2 36 BioSimPC 2 0 3 14 13 5 3 2 2 1 6 3 31 Brain 1 2 2 6 3 5 4 1 4 5 GM e Cascade 1 0 4 3 4 3 2 1 5 4 3 29 HavBpNet 2 4 2 1 2 2 3 1 2 3 2 18 NefClass 2 04 4 3 2 3 5 3 4 4 5 33 Nefcon 1 0 5 2 3 4 4 2 3 5 3 3 NeoCognitron 1 0 2 5 2 6 2 1 5 6 4 33 NeuroDS 3 1 3 6 1 41414 6 6 3 37 NeuroLab 1 2 4 4 3 3 5 5 4 4 6 38 Neuron 4 1 3 3 4 6 3 3 3 4 4 33 NeuroNet 2 0 214 3 5 5 2 2 6 5 34 NeuroStock 2 02 4 5 6 4 2 5 2 4 4 36 Nnelmos 1 12 1 2 5 4 2J 6 6 3 2 3l NN Praktikum 1 0 3 3 3 6 2 4 4 5 5 35 Perceptron 2 0 2 5 4 6 1 3 5 5 4 135 SNNS 2 41 2 1 3 2 1 1 16 Turbo Pascal 6 0 1 3 3 2 1 3 2 4 3 22 Tabelle 4 1 Bewertungstabelle der nicht kommerziellen Simulatoren G R hrig 33 T Schreiber K nstliche neuronale Netze in der Neurochirurgie 4 4 Zusammenf
182. tributed High Perfomance Systems University of Stuttgart Aktenkoffer Mstart WE Microsoft Word screensh x X win32 bin xgui exe d localhost 0 BIF snns manager Abbildung 7 1 SNNS Benutzungsoberfl che HELP Button Manager Panel Die Hilfefunktion ist mit internen Links versehen die ein einfaches Benutzen der Hilfe erm glichen BIGNET Button Manager Panel Funktionsschalter um ein neues k nstliches neuronales Netz kreieren zu k nnen SNNS 4 l erm glicht dem Benutzer viele unterschiedliche Netzwerke verschiedener Topologien zu erzeugen Als Beispiel sei hier ein feedforward aufgezeigt welches auch zur Auswertung der gelieferten Klinikdaten herangezogen wird G R hrig 44 T Schreiber K nstliche neuronale Netze in der Neurochirurgie BigNet Feed Forward oix eitsplatz Plane Current Plane Edit Plane Plane Type input PRUNING CASCADE KOHONEN WEIGHTS PROJECTION ANALYZER INVERSION No of units in x direction of units in y direction z coordinates of the plane Rel Position right 1 SS Edit Plane ENTER INSERT OVERWRITE DELETE Unable to load any usable fontset PLANE TO EDIT Display Font 6x12 loaded Color Grayscale screen detected Current plane D 4 gt SU running in color mode pozas tue values green Current Link Edit Link negative values red zero value blue Source Target
183. trollstrategie Diese selektive Kontrollstrategie zeigt sich besonders bei dem winner take all Konzept Hier haben nur bestimmte Zellen mit bestimmter Aktivierungseigenschaft die sie von anderen Zellen unterscheiden die M glichkeit ihre Aktivierung an umgebende Zellen weiterzugeben 3 8 Die Vermittlungsregel Liegt eine Verbindungsstruktur vor und die Kontrollstrategie bestimmt dass eine Zelle j zu aktivieren ist wird durch die Vermittlungsregel aus den Aktivierungen aller vorgeschalteter Zellen sowie den Gewichten der Verbindungen die Netzaktivit t net berechnet die zur Aktivierung der Verarbeitungseinheit j dient net gt ai Wij 3 9 Die Adaptionsregel Die Adaption des Anwendungswissens kann folgende Punkte umfassen G R hrig 24 T Schreiber K nstliche neuronale Netze in der Neurochirurgie nderung der Gewichte bestehender Verbindungen Auf und Abbau von Verbindungen Spezialfall von Gewichts nderung da w 0 einen logischen Abbau einer Verbindung bedeutet theoretisch bleibt die Verbindung erhalten nderung der Netztopologie Die Gewichte werden durch einfache Algorithmen des Netzes in seiner Anwendungsumgebung adaptiert In fast allen F llen beruht die Adaption auf dem ermittelten Fehlerma Steht kein direkter 5011 75 Vergleich zur Verf gung Kann durch eine Adaptions Kontroll Strategie ein geeignetes Ma eingef hrt werden Ein Beispiel hierf r ist die Fehlerr ckvermittlung back p
184. ts 1 Activate objExcelWS chartobjects 1 copy Diagramm Class Excel Chart Diagramm OLETypeAllowed ac0 LEEmbedded Diagramm SourceDoc Pearson30 Diagramm Action acOLEPaste Diagramm SizeMode acOLESizeStretch Set objExcelWS objExcel Sheets Trim Str i amp Variable Else Diagramm Visible False Sonst ist Grafik unsichtbar End If Select Case 1 Erzeugung der Abbildungsfunktion Case 1 in Abh ngigkeit von der Inputanzahl Forz 1To9 strSpalte in amp Trim Str z If bInSummet strSpalte s True Then Me Regressionsfunktion 5171 amp Format objExcelWS cells 46 18 0 000 amp amp funktion Trim Str z amp amp Format objExcelWS cells 47 18 0 000 End If Next z Case 2 a 0 Forz 1To9 strSpalte in amp Trim Str z If bInSummet strSpalte s True Then a a l G R hrig 142 T Schreiber K nstliche neuronale Netze in der Neurochirurgie If a 2 Then strl strl amp Format objExcelWS cells Trim Str 45 a 18 0 000 amp amp funktion Trim Str z amp Else strl strl amp Format objExcelWS cells Trim Str 45 a 18 0 000 amp amp funktion Trim Str z amp amp Format objExcelWS cells Trim Str 46 a 18 0 000 End If End If Me Regressionsfunktion str1 Next z Case 3 a 0 For z 1 9 strSpalte in amp Trim Str z If blnSumme strSpalte s True Then 1 If a lt gt 3 Then strl strl am
185. us handelt es sich um Backpropagation Voraussetzung ist der zu trainierende Patternfile der dem System ohne Pfadangabe im Quellcode zu bergeben ist INT_UNDE PAS Das Textverstehen eines interaktiven Netzes kann unter der Verwendung des Textfiles NAM und einer Gewichtungsdatei WGT generiert werden Die G R hrig 40 T Schreiber K nstliche neuronale Netze in der Neurochirurgie Endungen der Dateien benutzerdefiniert bestimmt werden sofern das Textformat eingehalten wird Die Erkennung des Musters Textes wird von dem Programm graphisch dargestellt e GDS_NQUE PAS Durch die Struktur eines Guarded Discrete Stochastic Netzwerks wird das N Damen Problem gel st Damit die L sung auch graphisch dargestellt werden kann muss im Quellcode der hinterlegte BGI Pfad angepasst werden Die graphische Interpretation des Ergebnisses zeigt Abbildung 6 1 bei folgenden Parametern Anzahl der Damen 12 Abbruchkriterium 5 amp MS DOS Eingabeaufforderung TURBO 155 Programmende mit lt RETURN gt Abbildung 6 1 Graphik des N Damen Problems e HOP_ASSO PAS G R hrig 41 T Schreiber K nstliche neuronale Netze in der Neurochirurgie Mit Hilfe dieser Datei l sst sich das Verhalten eines Hopfield Netzes als Musterassoziator simulieren Es dient der Rekonstruktion fragmentierter und verzerrter Eingabemuster Um das Ergebnis auch graphisch darstellen zu k nnen m
186. ustand beibehalten oder die Netzaktivit t neu berechnet wird Bei passender Gr e des Parameters ist eine h here Robustheit im Netz zu erzielen 3 3 Die Ausgaberegel Anhand des ermittelten Aktivierungszustandes in einer Verarbeitungseinheit i Eingabeeinheit oder Zwischeneinheit zu einem Zeitpunkt t kann die Weitergabe an die am Ausgang anliegende Verbindung als Ausgaberegel o t definiert werden Die Regel wird dabei beeinflusst von der Ausgabefunktion ott fou lajlt Am weitesten verbreitet innerhalb der verschiedenen k nstlichen neuronalen Netzwerke ist dass die Information ohne Ver nderung weitergegeben wird man spricht von der Identit t als Ausgabefunktion G R hrig 19 T Schreiber K nstliche neuronale Netze in der Neurochirurgie Eine andere M glichkeit besteht darin dass die Ausgabefunktion Transformationen wie beispielsweise einen Normalisierungsschritt vornimmt und damit die Ausgaberegel bestimmt Als mathematische Beispiele werden anschlie end die Treppen oder Schrittfunktionen und die Sigmoide S f rmige Funktionen dargestellt Die Treppenfunktion l t sich wie folgt definieren 1 falls net gt 0 0 sonst Eine Sigmoide Funktion hat im Schwellenwert h chste Sensibilit t Als Beispiel k nnen hier die logistische Funktion und auch der Tangens hyperbolicus aufgezeigt werden F r die Logistische Funktion gilt f x 1 1 Die Ableitung stellt sich folgenderma
187. vate Sub L sionen_ClicK Die L sionsdaten werdn imporiert und gem den Referenzen konvertiert If MsgBox Die Daten bernahme l scht alle Daten der aktuellen Datenbank Fortfahren vbYesNo vbNo Then Exit Sub End If DoCmd SetWarnings False Dim sql L schen der tempor ren Tabellen sql DELETE L sionen Neu FROM L sionen Neu DoCmd RunSQL sql sql DELETE L sion reduziert FROM L sion reduziert DoCmd RunSQL sql sql DELETE L sion reduziert durch Lage FROM L sion reduziert durch Lage DoCmd RunSQL sql sql DELETE L sion reduziert durch Art FROM L sion reduziert durch Art DoCmd RunSQL sql Abfragen zum Datenimport DoCmd OpenQuery knn L sion Lage DoCmd OpenQuery knn L sion Art DoCmd OpenQuery knn L sion Reduzierung DoCmd OpenQuery knn L sion Normalize DoCmd OpenQuery knn L sion Volumen DoCmd OpenQuery knn L sion Neu MsgBox Die L sionendaten wurden erfolgreich bernommen End Sub Private Sub Patent Click Ubernahme der Patientendaten G R hrig 135 T Schreiber K nstliche neuronale Netze in der Neurochirurgie If MsgBox Die Daten bernahme l scht alle Daten der aktuellen Datenbank Fortfahren vbYesNo vbNo Then Exit Sub End If DoCmd SetWarnings False Dim x sql L schen der tempor ren Patiententabelle sql DELETE Patient Neu FROM Patient Neu DoCmd RunSQL sql Abfrage zum Datenimport DoCmd OpenQuery knn Patient acViewNormal If

Künstliche neuronale Netze in der Neurochirurgie - ttp

Contents

Download Pdf Manuals

Related Search

Related Contents

K&uuml;nstliche neuronale Netze in der Neurochirurgie - ttp

Contents

Download Pdf Manuals

Related Search

Related Contents

Künstliche neuronale Netze in der Neurochirurgie - ttp