gms | German Medical Science

MAINZ//2011: 56. GMDS-Jahrestagung und 6. DGEpi-Jahrestagung

Deutsche Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie e. V.
Deutsche Gesellschaft für Epidemiologie e. V.

26. - 29.09.2011 in Mainz

Ansatz für ein ereignisbasiertes statistisches Modell für Normalverhalten

Meeting Abstract

  • Matthias Gietzelt - Peter L. Reichertz Institut für Medizinische Informatik der TU Braunschweig und der MHH, Braunschweig
  • Jens Spehr - Institut für Robotik und Prozessinformatik, TU Braunschweig, Braunschweig
  • Klaus-Hendrik Wolf - Peter L. Reichertz Institut für Medizinische Informatik der TU Braunschweig und der MHH, Braunschweig
  • Olaf Wilken - OFFIS – Institut für Informatik, Oldenburg
  • Enno-Edzard Steen - OFFIS – Institut für Informatik, Oldenburg
  • Felix Büsching - Institut für Betriebssysteme und Rechnerverbund, TU Braunschweig, Braunschweig
  • Thorben Wist - Institut für Sonder- und Rehabilitationspädagogik, C.v.O. Universität Oldenburg, Oldenburg
  • Manfred Hülsken-Giesler - Arbeitsgruppe Pflegewissenschaft, Fachbereich Humanwissenschaften, Universität Osnabrück, Osnabrück
  • Andreas Hein - OFFIS – Institut für Informatik, Oldenburg
  • Reinhold Haux - Peter L. Reichertz Institut für Medizinische Informatik der TU Braunschweig und der MHH, Braunschweig

Mainz//2011. 56. Jahrestagung der Deutschen Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie (gmds), 6. Jahrestagung der Deutschen Gesellschaft für Epidemiologie (DGEpi). Mainz, 26.-29.09.2011. Düsseldorf: German Medical Science GMS Publishing House; 2011. Doc11gmds512

doi: 10.3205/11gmds512, urn:nbn:de:0183-11gmds5123

Veröffentlicht: 20. September 2011

© 2011 Gietzelt et al.
Dieser Artikel ist ein Open Access-Artikel und steht unter den Creative Commons Lizenzbedingungen (http://creativecommons.org/licenses/by-nc-nd/3.0/deed.de). Er darf vervielfältigt, verbreitet und öffentlich zugänglich gemacht werden, vorausgesetzt dass Autor und Quelle genannt werden.


Gliederung

Text

Einleitung: Viele Krankheiten kündigen sich frühzeitig durch ein verändertes Verhalten an. In einigen Fällen (z.B. Demenz) sind die Verhaltensänderungen den Betroffenen nicht bewusst. Medizinische Interventionen sind besonders erfolgreich, wenn sie in einem frühen Stadium der Erkrankung durchgeführt werden. Daher ist eines der Ziele assistierender Gesundheitstechnologien die sensorbasierte Aktivitätserkennung. Sowohl der zeitliche Kontext einer Aktivität, als auch Abweichungen von der Reihenfolge bei der Ausführung von Aktivitäten, können auf eine Pathogenese hindeuten. Um eine solche Veränderung feststellen zu können, ist ein geeignetes Modell notwendig. Dieses Modell muss sich an die individuelle Lebenssituation einer Person anpassen können und in der Lage sein, Regelmäßigkeiten bei wiederkehrenden Aktivitäten erkennen zu können. In diesem Kontext ist problematisch, dass neben regelmäßig wiederholten Aktivitäten auch unregelmäßig auftretende existieren.

Material und Methoden: Zur Modellierung werden erkannte Aktivitäten als Ereignisse aufgefasst, die zu einem bestimmten Zeitpunkt stattfinden. Ein sich wiederholendes Ereignis ist eng mit dem zugrunde liegenden Zeitintervall verbunden, das die Basis für das Wiederauftreten des Ereignisses bildet. Das Zeitintervall sollte so gewählt werden, dass darin mindestens ein, besser aber mehrere solcher Ereignisse eintreten werden. Desweiteren sollte das Zeitintervall auf einem kausalen Zeitraum basieren, z.B. ein Tag, eine Woche oder ein Jahr. Stunden und Minuten sind jedoch als kausale Zeiträume eher ungeeignet, da periodische Abläufe z.B. durch den Schlafrhythmus unterbrochen werden. Beispielsweise kehren Mahlzeiten typischerweise mehrmals täglich wieder, so dass das zugehörige Zeitintervall für Mahlzeiten ein Tag ist.

Betrachtet man ein bestimmtes Ereignis und das damit verbundene Zeitintervall, dann kann das Auftreten dieses Ereignisses durch drei verschiedene Typen beschrieben werden:

• die Anzahl der Ereignisse in dem zugrunde liegenden Zeitintervall

• die Zeitpunkte der Ereignisse innerhalb des Zeitintervalls (z.B. 6:00 Uhr, 1. Tag der Woche)

• die Dauer zwischen zwei Ereignissen innerhalb des Zeitintervalls (z.B. 5 Minuten)

Ergebnisse und Diskussion: Die Evaluation wurde mit Hilfe von Simulationsdaten durchgeführt. Dazu wurden insgesamt vier abstrakte Aktivitäten definiert, von denen drei mit Daten trainiert und getestet wurden, die jeweils eine der Regelmäßigkeiten gemäß der oben genannten Typen aufwiesen. Die Ereignisse der letzten Aktivität waren rein zufällig und zeigten keinerlei Gesetzmäßigkeiten. Es zeigte sich, dass das trainierte Modell 95,4% der absichtlich definierten Veränderungen detektieren konnte. Durch die Berechnung eines zusätzlichen Reliabilitätsparameters wurden für die letzte Aktivität erwartungsgemäß keine Veränderungen erkannt.

Dies ist Teil unserer Arbeit innerhalb des Niedersächsischen Forschungsverbunds GAL (Gestaltung Altersgerechter Lebenswelten), der durch das Ministerium für Wissenschaft und Kultur Niedersachsen gefördert wird.