Programmpunkt

17:00–17:15

Titel: Personalisierte Überwachung von Epilepsiepatienten in Videoaufzeichnungen
ID: FV 30
Art: Abstractvortrag
Session: Freie Vorträge I

Referent: Matthäus Pediaditis (Rüschlikon/CH), Anca-Nicoleta Ciubotaru (Rüschlikon/CH)


Abstract - Text

Einleitung

Die Semiologie epileptischer Anfälle unterscheidet sich von Patient zu Patient, selbst bei derselben Art von Epilepsie. Dazu kommt das individuelle Verhalten jedes Patienten im Rahmen seiner/ihrer Bewegungsmöglichkeiten. Hier beschreiben wir unsere ersten Ergebnisse in der Anwendung einer Methode des maschinellen Lernens für die personalisierte Überwachung von Epilepsie Patienten in Langzeit-Videoaufzeichnungen.

Methode

Die Methode basiert auf die Theorie der spärlichen Kodierung. Zuerst werden Merkmale, die Bewegung und Erscheinung beschreiben, aus dem Video extrahiert [1]. Diese werden durch eine spärliche Linearkombination von gelernten Basiselementen modelliert [2]. Die Basiselemente bekommt man anfangs durch das Trainieren mit Merkmalen nur des normalen/stabilen Zustands des Patienten. Dafür ist eine erste ärztliche Untersuchung des Patienten nötig. Das erlernte Modell wird nun zur Rekonstruktion jedes neuen Merkmalsatzes im Video verwendet. Kann der neue Satz durch das Modell nicht gut rekonstruiert werden, bedeutet dies, dass eine Abweichung aus dem stabilen Zustand aufgetreten ist. Diese Anomalie kann weiter mithilfe derselben Videomerkmale als epileptischer Anfall oder als ein anderes kritisches Ereignis klassifiziert werden. In [1] wurden diese Merkmale benutzt, um emotionales Verhalten und Aktivität zu klassifizieren.

Ergebnisse

Abbildung 1 zeigt für zwei Patienten, wie das Modell hinsichtlich seines Rekonstruktionsfehlers während des Testens des Normalstatus mit bekannten Trainierdaten (TRAIN), während des Testens des Normalstatus mit unbekannten Daten (TEST) und während des Testens eines unbekannten epileptischen Ereignisses (EVENT) reagiert. Der hohe Rekonstruktionsfehler (rLSE) des Letzteren zeigt das Auftreten des epileptischen Ereignisses an. Ein einfacher Schwellenwert (Gerade) reicht zur deutlichen Unterscheidung.

Diskussion

Die Ergebnisse zeigen, dass ein personalisierter Ansatz erfolgreich auftretende Anomalien erkennen kann. Ein Vorteil dieser Methode ist, dass das Modell mit der Zeit kontinuierlich aktualisiert werden kann [3], solange neue Beobachtungen daliegen oder sich der als stabil geltende Zustand erheblich ändert.

Referenzen:

  1. M. Pediaditis et al., "Personalized Analysis of Valence and Arousal from Videos." 13th International Conference on Automatic Face and Gesture Recognition, 2018, (submitted)
  2. R. Rubinstein et al., "Efficient implementation of the K-SVD algorithm using batch orthogonal matching pursuit." Report No CS-2008-08. Computer Science Department, Technion, 2008
  3. J. Mairal et al. "Online learning for matrix factorization and sparse coding." Journal of Machine Learning Research, pp. 19-60, 2010