gms | German Medical Science

Einleitung: Die Anpassung eines Cochlea-Implantats (CI) bzw. das CI-Mapping erfordert kontinuierliche Bemühungen, die richtigen Einstellungen zu erhalten, da diese stark vom subjektiven Höreindruck abhängen. Es kann sehr hilfreich sein, die Korrelationen zwischen Änderungen im CI-Mapping und subjektiven Höreindrücken mit Hilfe von Support Vector Machines (SVMs) zu analysieren. SVMs sind überwachte Lernmodelle des maschinellen Lernens (ML).

Methodik: Datensätze von 25 Patienten mit unilateralem oder bilateralem CI (12 Männer und 13 Frauen) mit einem Durchschnittsalter von 60 Jahren wurden untersucht. Basierend auf den Patientenprotokollen wurde eine Musterklassifikation zwischen der Veränderung des MAPping und den drei häufigsten Höreindrücken durchgeführt. Um herauszufinden, inwiefern diese korrelieren, wurde SVM eingesetzt. Für eine effiziente Analyse des Musters wurde eine Merkmalsextraktion basierend auf Frequenzbereichen durchgeführt und anschließend die Gewichtung der Merkmale berechnet, um relevantere Merkmale für die Vorhersage einer bestimmten Klasse zu finden.

Ergebnisse: Basierend auf dem SVM-Klassifikator wurde ein Klassifikationsmodell mit einer Genauigkeit von über 92% entwickelt. Mit Hilfe dieses Modells wurde die Korrelation zwischen den frequenzbereichsbasierten Merkmalen und der subjektiven Hörveränderung gefunden. Darüber hinaus wurde ermittelt, welches Merkmal am besten geeignet ist, um eine bestimmte Hörveränderung vorherzusagen.

Diskussion: Die hohe Genauigkeit des entwickelten SVM-basierten Modells bedeutet, dass die extrahierten Merkmale gut mit den Höreindrücken korrelieren. Das Verständnis dieser Beziehung kann den Mapping-Prozess effizienter und genauer machen. Weitere Untersuchungen zur Verbesserung der Leistungsfähigkeit des beschriebenen ML-trainierten Modells sind jedoch aufgrund des Mangels an Datensätzen notwendig.