Multikriteriell evolutionär optimierte Anpassung von unscharfen Modellen zur Klassifikation und Vorhersage auf der Basis hirnelektrischer Narkose-Potentiale

Más información sobre el libro

Diese Arbeit behandelt die Modellierung unscharfer Regelwerke zur Klassifikation von Signalmustern. Zur Optimierung dieser Regelwerke werden multikriterielle Evolutionäre Algorithmen eingesetzt, darunter der Non-dominated Sorting Algorithm II, der Strength Pareto Evolutionary Algorithm Version 2 und der Indicator-Based Evolutionary Algorithm. Die Optimierung erfolgt durch Variationen der Parameter der Zugehörigkeitsfunktionen der unscharfen Mengen in den Regeln. Zudem kann die Regelstruktur durch die Auswahl unscharfer Operatoren und linguistischer Terme beeinflusst werden. Die generierten Regelwerke werden über einen Genetischen Algorithmus zu einer Population zusammengefasst, um die Klassifikationsgenauigkeit durch Konsensentscheidungen zu erhöhen. Eine kontextbasierte Vorhersagemethodik für das Klassifikationsproblem wird ebenfalls entwickelt. Die multikriteriell optimierten Regelwerke finden Anwendung bei der Klassifikation frontal und einkanalig aufgezeichneter hirnelektrischer Narkosepotentiale. Die Leistungsfähigkeit der Regelwerke wird validiert, wobei ausschließlich das einkanalig erfasste Elektroenzephalogramm zur Klassifikation verwendet wird, ohne Berücksichtigung weiterer vitaler Parameter oder Anästhetika. Die generierten Populationen werden anhand unabhängiger elektroenzephalographischer Datensätze validiert, wobei intra- und inter-individuelle Daten betrachtet werden. Die Ergebnisse zeigen, dass die multikriter