gms | German Medical Science

Hintergrund und Zielstellung: Die Anpassung von Hörgeräten oder Hörimplantaten erfordert die präzise Ermittlung des optimalen Stimulationsbereichs. Dabei werden in vielen Fällen subjektive Rückmeldungen des Patienten zur wahrgenommenen Lautheit in Reaktion auf akustische oder elektrische Reize verwendet. Die Effektivität der Anpassung hängt wesentlich von der Zuverlässigkeit dieser Rückmeldungen ab. Einige Patienten können jedoch keine eindeutigen Angaben zur Lautheitswahrnehmung machen. In solchen Fällen könnten objektive Messungen spezieller Gehirnsignale mittels Elektroenzephalographie (EEG) dazu beitragen, adäquate Stimulationsparameter zu ermitteln. Diese Studie untersucht ob neurale Netzwerke erlernen können aus EEG-Daten die Unbehaglichkeitsschwelle zu erkennen.

Methodik: Im Rahmen der Studie wurden 33 normalhörende Erwachsene zwischen 18 und 30 Jahren getestet. Den Probanden wurden dabei Geräusche mit unterschiedlichen Schallpegeln präsentiert und die subjektive Einschätzung der Lautheit aufgezeichnet. Gleichzeitig wurden kortikale Potentiale mittel Elektroenzephalografie (EEG) aufgezeichnet. Die dabei gewonnenen Daten wurden mittels Attention basiertem Faltungsnetzwerken („Attention Based CNN“) analysiert. Der deep learning Ansatz wurde dabei verwendet um zwischen den Zielfaktoren „zu laut“ und „nicht zu laut“ der empfundenen Stimuli zu unterscheiden.

Ergebnisse: Die Klassifizierung mittels neuralem Netzwerk erreichte eine Genauigkeit von 85% bzw. einen AUC-Wert von bis zu 0,96 in der Erkennung von als „zu laut“ empfundenen Geräuschen, was einem exzellentem Klassifizierer entspricht.

Schlussfolgerung: Die Ergebnisse der Studie zeigen das Potential von Deep Learning basierten EEG Klassifizierungen für die objektive Bestimmung der Unbehaglichkeitsschwelle.