@article{PaslerSeepoldMart{\´i}nez Madrid2019,
  author    = {Pasler, Paul and Seepold, Ralf and Mart{\´i}nez Madrid, Natividad},
  title     = {Artefaktkorrektur und verfeinerte Metriken f{\"u}r ein EEG-basiertes System zur M{\"u}digkeitserkennung},
  journal   = {Somnologie : Schlafforschung und Schlafmedizin ; Organ der Deutschen Gesellschaft f{\"u}r Schlafforschung und Schlafmedizin (DGSM)},
  volume    = {23},
  number    = {Suppl. 1},
  issn      = {1432-9123},
  doi       = {10.1007/s11818-019-00223-x},
  institution = {Informatik},
  pages     = {22 -- 23},
  year      = {2019},
  abstract  = {Fragestellung: M{\"u}digkeit ist ein oft untersch{\"a}tztes, aber dennoch großes Problem im Straßenverkehr. Von rund 2,5 Mio. Verkehrsunf{\"a}llen 2015 in Deutschland, waren 2898 Unf{\"a}lle, mit insgesamt 59 Toten (~1,7 \% der Todesf{\"a}lle), auf {\"U}berm{\"u}dung zur{\"u}ckzuf{\"u}hren. Sch{\"a}tzungen gehen von einer Dunkelziffer von bis zu 20 \% aus. In einer ersten eigenen Studie wurde {\"u}berpr{\"u}ft, ob ein mobiles EEG in einem Fahrsimulator M{\"u}digkeitszust{\"a}nde zuverl{\"a}ssig erkennen kann. Die Erkennungsrate lag lediglich bei 61 \%. Ziel dieser Arbeit ist, das verwendete Messsystem zu verbessern. Dazu wird die Genauigkeit durch eine Artefaktkorrektur und mit Hilfe von verfeinerten Qualit{\"a}tsmetriken erh{\"o}ht. Eine erkannte {\"U}berm{\"u}dung wird dem Fahrer dann in angemessener Weise angezeigt, so dass er entsprechend reagieren kann. Patienten und Methoden: Die Independent Component Analysis (ICA) ist ein multivariates Verfahren, um mehrere Zufallsvariablen zu analysieren. F{\"u}r die Entscheidung, ob ein Fahrer gerade m{\"u}de oder wach ist, wird der erstellte Merkmalsvektor f{\"u}r jede Sequenz mit ICA klassifiziert. Daf{\"u}r wird ein trainierter Machine-Learning-Algorithmus eingesetzt, der in der Lage ist, auch unbekannte Datens{\"a}tze in Klassen einzuteilen. Um die ben{\"o}tigten Frequenzwerte zu erhalten, wurde f{\"u}r jeden EEG-Kanal eine Fourier Transformation durchgef{\"u}hrt. Der erstellte Merkmalsvektor wird im n{\"a}chsten Schritt durch ein K{\"u}nstliches Neuronales Netz klassifiziert. F{\"u}r das Training werden vorab erstellte Merkmalsvektoren mit den Klassen „Wach" und „M{\"u}de" versehen. Diese Daten werden zuf{\"a}llig gemischt und im Verh{\"a}ltnis 2:1 in eine Trainings- und Testmenge geteilt. Das Experiment wurde mit acht Personen mit jeweils zweimal 45 min Testfahrt durchgef{\"u}hrt. Ergebnisse: Der komplette Datensatz besteht aus 150.000 Signalwerten, welche zu ca. 7000 Sequenzen zusammengefasst werden. Durch die Anwendung der Qualit{\"a}tsmetrik bleiben 4370 Sequenzen f{\"u}r das Training {\"u}brig. Bei invaliden Sequenzen aufgrund von EEG-Artefakten gibt es deutliche Unterschiede. Im „Wach" Zustand werden dreimal so viele Sequenzen verworfen als im „M{\"u}de" Zustand. Insgesamt werden bei wachen Probanden im Schnitt ca. 50 \% der Sequenzen verworfen, bei M{\"u}den lediglich 25 \%. Im Durchschnitt erreicht das System eine Erkennungsrate von 73 \% f{\"u}r beide Zust{\"a}nde. Vergleicht man nun das Verh{\"a}ltnis von „Wach" und „M{\"u}de" und l{\"a}sst „Leichte M{\"u}digkeit" außen vor, liegen die Ergebnisse bei {\"u}ber 90 \%. Schlussfolgerungen: Die Ergebnisse zeigen, dass die Aufmerksamkeit w{\"a}hrend des Experiments abnimmt bzw. die M{\"u}digkeit zunimmt. Dies verdeutlichen zum einen subjektive und objektive Beobachtungen von M{\"u}digkeitsanzeichen. Zum anderen lassen sich messbare und klassifizierbare Unterschiede im EEG Signal nachweisen. Die als Merkmale eingesetzten Theta-Wellen zeigten eine niedrigere Amplitude gegen Ende des Experiments. Die Erweiterung der bin{\"a}ren Klassifizierung f{\"u}hrt zu einer weiteren Stabilisierung der Ergebnisse. Artefaktkorrektur und Qualit{\"a}tsmetriken steigern die G{\"u}te der Daten weiter. Die entwickelte Anwendung zur M{\"u}digkeitserkennung ermittelt messbare Zeichen von M{\"u}digkeit und kann eine gute Entscheidung {\"u}ber die Fahrtauglichkeit treffen.},
  language  = {de}
}