Anfallserkennung
Willkommen!
Auf dieser Seite möchte ich die Arbeit an meiner Masterarbeit fortsetzen, die sich einem spannenden und zugleich wichtigen Thema widmet: der automatischen Erkennung von epileptischen Anfällen bei Hunden mithilfe Künstlicher Intelligenz. Erste Ergebnisse meiner Masterarbeit könnt ihr weiter unten einsehen.
Alle Videos, unabhängig davon, ob sie epileptische Anfälle oder alltägliche Situationen wie Laufen zeigen, können für die Analyse und das Training des Modells genutzt werden, um eine möglichst breite Datenbasis zu gewährleisten.
Das langfristige Ziel dieses Projekts ist es, darauf aufbauend eine Doktorarbeit zu verwirklichen. Dabei soll ein System entwickelt werden, das epileptische Anfälle in Echtzeit aus einem Live-Video-Stream erkennt und entsprechende Benachrichtigungen versendet. Diese Technologie soll später als Open-Source-Projekt der Allgemeinheit zugänglich gemacht werden, damit jeder zu Hause eine solche Lösung nutzen und individuell einrichten kann.
Ich freue mich, euch auf dieser Reise mitzunehmen und gemeinsam an einer Innovation zu arbeiten, die nicht nur Forschung und Technik verbindet, sondern auch das Leben von Hunden und ihren Besitzern erleichtern kann.
Beispiel Videos
Hier findet ihr eine Auswahl an Beispiel-Videos, die ich im Rahmen meiner Arbeit für die Analyse verwendet habe. Diese Videos dienten als Grundlage, um die künstliche Intelligenz zu trainieren und ihre Fähigkeit zur Erkennung epileptischer Anfälle zu testen. Sie geben einen Einblick in die Datenbasis, die hinter den bisherigen Ergebnissen steht, und zeigen die Vielfalt der Szenarien, die berücksichtigt wurden.
Links = ein normales Video beim laufen
Rechts = ein epileptischer Anfall
Hinweise zu den Videos welche mir weiterhelfen würden:
- Im besten Fall ist nur 1x Hund zu sehen
- Kein wackelndes Bild / Statische Bildposition
- Gleichbleibende Position der Kamera oder Fokussierung des Tieres in der Mitte
- Zeitlicher Rahmen sollte zwischen 20-60 Sekunden liegen
Alle Videos helfen mir bei der Verbesserung der Genauigkeit weiter, sei es Videos von normalen Aktivitäten oder Anfallsvideos.
Masterarbeit
In dieser Arbeit wurde untersucht, ob epilepsieartige Krampfanfälle mithilfe Künstlicher Intelligenz automatisch erkannt werden können. Dabei kam eine Kombination aus Convolutional Neural Networks (CNN) und Long Short-Term Memory (LSTM) Schichten zum Einsatz. Diese Architektur ermöglicht es, sowohl die Bildinformationen aus den Videos als auch zeitliche Abfolgen effektiv zu analysieren. Der Fokus lag darauf, Anfälle von normalen Bewegungen zu unterscheiden und eine möglichst hohe Genauigkeit zu erreichen. Es zeigte sich, dass die begrenzte Datenmenge die Ergebnisse beeinflusste, aber erste Ansätze vielversprechend sind. Zukünftig sollen mehr Daten und optimierte Modelle die Erkennung weiter verbessern.
Dieses Bild zeigt den Verlauf der Trainings- und Testgenauigkeit über die trainierten Epochen. Die blaue Linie repräsentiert die Trainingsgenauigkeit, während die rote Linie die Testgenauigkeit darstellt. Die Skala reicht von 0.5 (entspricht 50 %) bis 1.0 (entspricht 100 %), sodass der Fortschritt und die Leistungsunterschiede zwischen Training und Test gut nachvollziehbar sind.
Dieses Bild zeigt eine Konfusionsmatrix, die die Leistung eines Klassifikationsmodells darstellt. Sie zeigt, wie viele Datenpunkte korrekt als Klasse „0“ (oben links: 830) oder „1“ (unten rechts: 564) vorhergesagt wurden, und wo Fehlklassifikationen auftraten (oben rechts: 172, unten links: 118). Die Farbskala verdeutlicht die Häufigkeit der Werte, wobei dunklere Farben größere Werte repräsentieren.