EP1434516A2 - Vorrichtung zum auswerten psychologischer und biomedizinischer rohdaten - Google Patents

Vorrichtung zum auswerten psychologischer und biomedizinischer rohdaten

Info

Publication number
EP1434516A2
EP1434516A2 EP02778969A EP02778969A EP1434516A2 EP 1434516 A2 EP1434516 A2 EP 1434516A2 EP 02778969 A EP02778969 A EP 02778969A EP 02778969 A EP02778969 A EP 02778969A EP 1434516 A2 EP1434516 A2 EP 1434516A2
Authority
EP
European Patent Office
Prior art keywords
data
neural network
input
psychological
subject
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
EP02778969A
Other languages
English (en)
French (fr)
Inventor
Gernot Schuhfried
Jörg A. PRIELER
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dr G Schuhfried GmbH
Original Assignee
Dr G Schuhfried GmbH
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Dr G Schuhfried GmbH filed Critical Dr G Schuhfried GmbH
Publication of EP1434516A2 publication Critical patent/EP1434516A2/de
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems

Definitions

  • the invention relates to the evaluation of psychological and / or biomedical raw data in the form of a profile vector which comprises data relating to a subject and obtained in the course of psychological / biomedical testing, which, however, at least in part originate from purely psychological tests.
  • tests have been used in which various psychological and / or biomedical parameters are recorded, for example by means of measurements, test situations or interviews, and an overall judgment is determined from them, e.g. regarding the suitability of the test subject (e.g. as a driver or aircraft pilot), psychological resilience, the presence of a mental disorder (e.g. depression). These tests are often carried out in the form of test batteries.
  • Cut-off scores are currently used primarily in traffic psychology, although falling below a prescribed cut-off score in a single measured value can lead to the driver's license being withdrawn.
  • the cut-off scores given in the individual test parameters are based on expert ratings. However, studies on the possibilities of compensating for deficits or increasing individual deficits are pending.
  • the correlation and regression analysis approaches can be further divided into linear and curve-linear methods.
  • the main representatives of linear statistical techniques, which are also used in most studies on the classification of subjects, are regression analysis and discriminatory analysis, cf. R.S. Jäger, "Diagnostic Judgment Formation” in Encyclopedia of Psychology, ed. K-J. Groffmann and L. Michel, Göttingen: Hogrefe 1982.
  • curvilinear models the basic idea of which is often referred to as “configurability”, assume that there is a non-linear relationship between the predictor variables (eg test data, information from anamnesis) and the criterion variable (statements about the judgment, eg “successful "versus” unsuccessful "). Exactly these curvilinear relationships mostly represent reality in the field of psychology, but such relationships are naturally difficult to model. In today's studies, therefore, the discriminant analysis is mainly used in the classification of people.
  • the principle of discriminant analysis with two qualitatively different forms of a criterion variable is to find a measure by a linear and weighted combination of the individual characteristics that optimally separates the two assignment groups. This means that the variance of the combined point values between the two groups is minimized compared to the variance within one group rr.
  • the calculation process is ended by determining a dislocation function and comparing the empirically ascertained assignments of the persons to the two assignment groups, which are determined on the basis of the discriminant function.
  • This discriminant function has the property that best separates given classes.
  • the ß weights calculated for the individual predictors are partial regression coefficients, which immediately illustrates the relationship of the discriminant analysis to the multiple regression.
  • the discriminant analysis was originally developed for assignments in the context of anthropology, cf.
  • the distributions of the characteristic values of the predictor variables are multivariate normal for each partial sample formed according to the criterion
  • DE 19831 109 AI proposes to evaluate EEG data from premature and newborn babies with the help of a neural network in order to recognize disturbances in respiratory regulation.
  • No. 5,724,987 relates to a method for regulating training units on the basis of neurophysiological derivations, in which physiological parameters are compressed into an index of attention and cognitive stress by means of a neural network and the training session is controlled with the aid of this index.
  • EP 0699413 AI deals with a similar method in which EEG signals are used to analyze the physiological and mental state of a driver.
  • physiological data differs significantly from the evaluation of psychological data which are subject to the invention.
  • physiological data can be measured, often even using standardized methods, so that tendencies from the measured material can be clearly proven and the resulting conclusions can often be justified.
  • Reproducibility is often not a problem.
  • the analysis of psychological data still relies on statistical methods, and the underlying data are considered to be less manageable and comparable;
  • the acquisition of psychological data is usually difficult to reproduce, and this data is therefore subject to corresponding uncertainties. This inevitably affects the reliability of the conclusions derived from it.
  • the results are not fed back to the evaluation.
  • the object of the invention is to show a way for objectifiable classifications for raw data of the type described at the outset, which have a high level of reliability.
  • the invention allows the statistical evaluation of the psychological / biomedical data through the use of non-linear automatons, namely neural networks. These are in different areas of technology, e.g. at the pattern recognition, known.
  • EP 1 022632 AI describes the use of a neural network for checking the functionality of an electrical device; the use of neural networks for the evaluation of physiological signals was presented above.
  • the invention now proposes neural networks for use in psychology. Compared to established evaluation methods, the evaluation according to the invention enables a significantly higher rate of reliability.
  • the neural network provided according to the invention must be trained before it is actually used.
  • the starting point for the learning process of the network is the previously determined initial and practical values of a so-called learning sample.
  • the network should be able to independently assign people to the learning sample.
  • the classification of individual observations can be carried out, which are entered into the network after the training.
  • the network generalizes its "experiences" made in relation to the training collection to the new individual case.
  • neural networks Compared to the known statistical methods of forming judgments, neural networks have the following favorable properties for classification tasks: 1. Neural networks are learnable and changeable, ie, they can "learn" the optimal assignment from existing data sets and, if desired, change successively with the inclusion of new (learning) data.
  • Neural networks can map nonlinear relationships.
  • Neural networks assume no requirements with regard to the data properties and the distribution of the predictor variables; the only requirement of the method concerns the completeness of the data sets in the learning sample.
  • the second characteristic, the simulation of non-linearities, is particularly important in psychology, since people rarely "react linearly" and moderator conditions can moderate the relationship between behavior and criteria, which results in a non-linear relationship between the two variables.
  • neural networks have significant advantages in the integration of information in the context of statistical judgment in comparison with competing methods of data integration.
  • they also offer the advantage that they can also be used in areas of psychology in which a sufficient theoretical knowledge base in the form of fully empirically evaluated overall models of human behavior has not yet been available are. This is especially true in the area of traffic psychology and other areas of applied psychology, such as risk research.
  • a conversion device downstream of the neural network provides for converting the result variable (s) supplied by the network into plain text information in order to further simplify the interpretation of the evaluation.
  • FIG. 1 shows the known network topology of a multilayer perceptron MLP, which receives a number of input variables E1, E2,..., En and generally several Provides output variables, here there are, for example, two output variables Ol, O 2.
  • the topology is acyclically (forward-oriented) divided into layers IL, HL, OL
  • the neurons IN1, IN2, ..., INn in a first layer, the input layer IL receive the input variables El-En as input and pass on their output signals to the neurons Hl / ... / Hm of a so-called hidden layer HL.
  • the outputs of the neurons Hl, ..., Hm of the hidden layer are connected to the neurons ON1, ON2 of the output layer OL
  • more than one hidden layer can also be provided (not shown in FIG. 1), in which case the outputs of a hidden layer are included is linked to the next hidden layer and the last hidden layer supplies the output layer.
  • the output variables Ol, O2 provided by the output layer represent the evaluation of the input data provided by the multilayer perceptron.
  • the link between the hidden layer HL and the output layer OL of FIG. 1 is described by a 2 ⁇ m matrix plus an offset value.
  • the multilayer perceptron used can have exactly one hidden layer, and it is usually advantageous if the number of neurons in the hidden layer is greater than the number of neurons in the input layer.
  • the evaluation device advantageously contains a memory for storing input data (profile vector) and result data of previous evaluations, the neural network having access to this memory, e.g. for additional training or a new training of the network.
  • the device can be set up to store the associated input and result data in the memory after evaluating a profile vector and to use the data thus supplemented in the memory as the basis for subsequent evaluations.
  • the input data include, in addition to data obtained from psychological / biometric testing, further data that were obtained from an interview with the subject concerned and / or from a biographical survey.
  • the neural network used according to the invention must be trained before use in order to “learn” the desired result to be queried.
  • the link configuration (link form and weights) of the network is based on training using data that, in addition to input data also contain probation data that were collected for the test subject in the period after an evaluation had already been carried out.
  • FIG. 3 shows the test evaluation according to the invention within the suitability test of FIG. 2.
  • the evaluation device shown below is a self-learning and self-optimizing device with an underlying method for the exact selection of the test subjects according to predetermined criteria from measurement results from recognized psychological test methods.
  • the neural network method is applied to the subject data with the help of evaluation profiles. For the mapping in the neural network, further results data from previous subjects are used for the adaptation of the network.
  • the system thus created enables the test subjects' results profiles to be optimized automatically.
  • data integration of the subject data is used with the aim of increasing the sharpness of the result data (i.e. the criterion prediction). This significantly increases the meaningfulness and reliability of the result data.
  • This method allows machine-aided evaluation of the results of psychological tests and represents a significant improvement in the sharpness of results compared to the previously dominant clinical method.
  • the measurement results of the test subject are collected in a psychological test station 1 and made available for the subsequent evaluation according to the invention in the form of raw psychological data 2.
  • data 3 relating to the test subjects are used in another way, for example interview data obtained in an interview, biographical data collected in a patient's medical history or “probation data” that were obtained through later feedback on the probation of the test subject in question.
  • These data 2, 3 are entered into a data processing unit 6, on which the analysis device according to the invention is set up using a neural network, by selecting 4 an evaluation profile (network architecture and associated weights), the data processing determines a result vector 5.
  • a memory 9 comprises a subject data memory 10 and a probation data memory 11. All available diagnostic information 12 is archived in the subject data memory 10, in particular all psychological test results 2, and, if necessary, further relevant subject-related data 2a, such as interview data and / or biographical data.
  • the probation data memory 11 manages the probation data 13.
  • the subject data fields 12 act as input data of the neural network NN. These are based on the evaluation profile 14 specified in each case according to the selection 4, which defines the type of evaluation as parameter data in the sense of the invention and in a parameter memory 15 is submitted to an evaluation. This results in the result vector 5 which provides all the relevant data of the subject.
  • the evaluation profile 14 is the characteristic values of the weights of the links within the relevant neural network. Each evaluation profile 14 was learned for a given network structure based on a training sarple. The evaluation profile enables simple and quick selection of differently trained networks according to the given requirements. All evaluation profiles are held in the parameter memory 15, which is expediently also part of the memory 9.
  • the data in the memory 14 are available to the neural network for its initialization, in particular for training.
  • the associated data are recorded in the subject data memory 10; the same applies to the probation data memory 11 if new events become known to test subjects.
  • probation data probation data memory 11 belonging to the sample are used.
  • a major advantage of the arrangement is the application of the self-learning neural network to the subject data on the basis of further information (probation data) about the same. This data is used for further learning of the network.
  • the sharpness (the information security) of the results can be controlled iteratively significantly compared to all other known methods.
  • the selection of which of the available data are used for training the evaluation device according to the invention or for input in a specific test subject assessment differs from that described here.
  • Probation data can also be used as input data for the assessment, if such data is available, or parts of the data such as test or interview data can be reserved for training.
  • driver suitability of driver candidates who are considered to be risky (eg due to previous conspicuous behavior, criminal offenses or the like) is assessed.
  • the characteristic values of five were used as the data basis for the classification of drivers various performance tests in the area of responsiveness and perception, age and the assignment of people with regard to their fitness to drive based on the driving style or a global judgment of driving behavior.
  • the data were collected in a multi-center validation study (see Karner & Neuwirth, 2000; summer , 2001)
  • the driving style of the study participants was determined using a hierarchical cluster analysis based on the Ward algorithm, based on the assessment of individual dimensions of safe driving behavior during a standardized driving test.
  • the global judgment provides an overall impression of driving behavior from a traffic perspective psychologists.
  • the variables used as input data for the evaluation are z-shaped with respect to the mean and the standard deviation of the underlying distribution.
  • the mean value of the distribution is subtracted from each value, and the associated z-transformed value is obtained by subsequent division by the standard deviation.
  • the z-transformation ensures that the characteristic values used - regardless of their initial value range - assume a comparable value range. This is especially so when combining reaction times (typically of the order of magnitude several 100 ms) and numbers of correct answers from test procedures with different number of items of importance.
  • the test subjects' z-transformed test results in the areas of responsiveness and perception, as well as their age, are the predictors.
  • the assessment of fitness to drive based on the criterion driving style or overall judgment in suitable and unsuitable drivers form the two criterion variables for which a separate neural network was created and trained. So two different neural networks were trained, which only differ in the criteria variable used (global judgment vs. driving style) - and thus in the associated evaluation profile.
  • the two output neurons correspond to the two possible forms of the dichotomous criterion (e.g. suitable or unsuitable).
  • dichotomous criterion e.g. suitable or unsuitable.
  • multi-category criterion variables are also conceivable, e.g. different professions or uses; in such a case, a corresponding number of output neurons would have to be provided.
  • the neural networks used were implemented on a PC using a commercial software package (Math Lab).
  • a network was implemented in which each unit of the preceding layer is connected to each unit of the subsequent layer (so-called full feed forwarding; only indicated in FIG. 1 for the sake of clarity).
  • the well-known Softmax function is used as a transfer function in order to standardize the output variables to 100%.
  • the well-known back propagation algorithm was used for the learning algorithm.
  • the network structure was defined in the manner described here in order to be able to map possible nonlinear effects with good generalizability of the results.
  • the number of units in the hidden layer must be large enough to accomplish the task at hand, but also small enough to enable a sufficiently good generalization of the network.
  • the number of neurons in the hidden layer was systematically varied in several calculations using the same data sets and the results of the different which networks are compared with each other for one of the criteria regarding generalization ability and classification rate. An optimal number of neurons in the hidden layer was determined from the results obtained in this way.
  • the generalizability was checked using the method of partial sampling, whereby 10 randomly selected persons acted as test samples for each of the two criteria, on the basis of which the generalizability of the network, which was now trained again with the now reduced sample size, was checked.
  • the results on the generalizability of the results indicate good stability of the results obtained.
  • a classification rate of 86 percent correct assignments could be achieved for the criterion global judgment.
  • the classification rate was 90 percent of correct assignments, with correctly classified persons with 63 to 99 percent certainty assigned correctly, while the safety of incorrect assignments was 60 percent.
  • the good agreement between the classification rate in the learning sample (86.3%) and test sample (90%) indicates a good network specification.
  • the second area of application was 92 complete data of a test battery consisting of seven different test methods of a validation study for the selection of successful graduates of flight training from an Austrian airline (Lauda Airlines), as well as information about the successful completion or termination of the training.
  • a multilayer perceptron consisting of a total of three layers was also used.
  • the network consisted of eleven input units to represent the z-transformed raw values from the individual test procedures, fifteen units of the hidden layer and the two output layer units to represent the two characteristics of the criterion variable, educational success.
  • the evaluation of the data according to the invention provided a surprisingly high level of reliability.
  • the classification rate was 80 percent of correct assignments, with correctly classified people with 60 to 99 percent certainty assigned correctly, while the safety of the wrong assignment was between 63 to 68 percent.
  • the agreement between the classification rate in the learning sample (93.6%) and test sample (80%) can be described as sufficiently good.
  • the generalization of the results of the neural network can also be assessed as satisfactory here.
  • neural networks have several advantages compared to conventional methods of data integration.
  • a major advantage is the comparatively low data requirements.
  • neural networks also allow adequate consideration of non-linear relationships between the predictor variable and the selected criterion variable, which cannot be achieved by a human diagnostician.

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

Eine Vorrichtung und ein Verfahren zum Auswerten psychologischer und/oder biomedizinischer Rohdaten in Form eines Profilvektors, welcher einen Probanden betreffende, im Rahmen einer psychologisch/biomedizinischen Testung gewonnene Daten -die jedoch zumindest zum Teil rein psychologischen Testungen entstammen -umfasst, mit einem Neuronalen Netzwerk (NN), dem als Eingangsdaten die Daten (12) eines Profilvektors sowie Parameterdaten (14) zur Auswahl abzuleitender Grassen zuführbar sind, und das zur Ausgabe von zumindest einer ans den Eingangsdaten gemass den Parameterdaten abgeleitete Ergebnisgrasse (5) zur Beurteilung des Probanden eingerichtet ist.

Description

VORRICHTUNG ZUM AUSWERTEN PSYCHOLOGISCHER UND BIOMEDIZINISCHER ROHDATEN
Die Erfindung betrifft die Auswertung psychologischer und/ oder biomedizinischer Rohdaten in Form eines Profilvektors, welcher einen Probanden betreffende, im Rahmen einer psychologisch/biomedizinischer Testung gewonnene Daten umfasst, die jedoch zumindest zum Teil rein psychologischen Testungen entstammen.
In der psychologischen Diagnostik kommen, besonders in jüngster Zeit, Tests zum Einsatz, in denen - beispielsweise mittels Messungen, Testsituationen oder Interviews - verschiedene psychologische und/ oder biomedizinische Parameter erfasst werden und aus diesen ein Gesamturteil ermittelt wird, z.B. betreffend die Eignung des Probanden (z.B. als Fahrzeuglenker oder Flugzeugpilot), die psychische Belastbarkeit, das Vorliegen einer psychischen Störung (z.B. einer Depression). Oft werden diese Tests in der Form von Testbatterien gebündelt durchgeführt.
Seit mehreren Jahrzehnten gibt es in diesem Bereich der Psychologie heftige Diskussionen über die Art der Dateninterpretation und Datenintegration im Rahmen des diagnostischen Prozesses. Ein zentraler kontroverser Punkt ist der Gegensatz zwischen zwei Strategien der Urteilsbildung, nämlich die „statistische" und die „klinische'' Urteilsbildung. Während in der klinischen Urteilsbildung die Informationen von geschulten Psychologen auf der Grundlage deren Fachwissens, Erfahrung und Intuition zu einem Urteil integriert werden, nutzen Methoden der statistischen Urteilsbildung mathematische Algorithmen zur Integration der erhobenen Daten. Im Rahmen der klinischen Urteilsbildung muss der Grad an intersubjektiver Nachvollziehbarkeit der Urteile erst post-hoc ermittelt und auf Basis der Merkmale der Beurteilungen hinsichtlich der Aussagekraft relativiert werden. Im Gegensatz zur klinischen Urteilsbildung ermöglichen Methoden der statistischen Urteilsbildung auch die Ermittlung der Sicherheiten individueller diagnostischer Entscheidungen, was bei klinischen Urteil lediglich über die Abgabe subjektiver Ratings des Diagnostikers möglich ist.
Vor allem bei Fragen zur Personalselektion (Schlagwort „die richtige Person am richtigen Platz") sowie bei verkehrspsychologischen Untersuchungen kommt der Entscheidungssicherheit eine immer größere Bedeutung zu, insbesondere im Zuge einer Qualitätssicherung von Auswahlprozeduren bzw. von strengeren Vorschreibungen bei Qualitätsstandards (z.B. ISO 9001). Statistische Methoden der diagnostischen Urteilsbildung weisen nach den oben diskutierten Gesichtspunkten hier einen klaren Vorteil auf. In der Verkehrspsychologie wird derzeit vor allem auf Cut-Off-Scores zurückgegriffen, wobei bereits das Unterschreiten eines vorgeschriebenen Cut-Off-Scores in einem einzigen Messwert zum Entzug der Fahrerlaubnis führen kann. Die angegebenen Cut-Off-Scores in den einzelnen Testkennwerten (z.B. aus Intelligenz-, Konzentrations-, Reaktions- bzw. Persönlichkeitstests), basieren auf Expertenratings. Studien über Möglichkeiten der Kompensation von Defiziten oder Verstärkung einzelner Defizite stehen jedoch aus.
Darüber hinaus gibt es im Bereich der Verkehrspsychologie äußerst wenige und vor allem großteils enttäuschende Studien darüber, wie die erreichten Einzeltestwerte mit dem Kriterium Fahreignung zusammenhängen. Die in der Literatur berichteten Korrelationen bewegen sich bei Werten bis maximal 0.40, was eine Varianzaufklärung von gerade 16% entspricht; eine Varianzaufklärung von lediglich 9% ist in diesem Bereich keine Seltenheit. Diese - praktisch irrelevanten - Korrelationskoeffizienten wurden bereits als „großer" Erfolg angepriesen. Greift man in den verschiedenen Studien jedoch auf die methodisch erforderliche Korrektur des Alphafehlerniveaus zurück, verschwindet zumeist die statistische ausgewiesene Signifikanz. Präzise und wissenschaftlich seriöse Aussagen lassen sich bei der gegebenen Befundlage und der derzeit verwendeten klinischen Art der Informations- integration aus methodischer Sicht nicht ohne gravierende methodische Bedenken ziehen. Diese oben diskutierte Befundlage verdeutlicht die Notwendigkeit einer stärker objektiven Art der Informationsintegration zum Zweck der Entscheidungsfindung unter Rückgriff auf statistische Methoden der Informationsintegration.
Im Bereich der Verbesserung klassischer statistischer Klassifizierungsmodelle, die sich für den Einsatz im Rahmen der diagnostischen Urteilsbildung eignen, hat sich in den letzten Jahren allerdings nur wenig getan. In der Praxis kommt den korrelations- und regressionsanalytische Modellen derzeit die größte Bedeutung zu.
Die korrelations- und regressionsanalytische Ansätze lassen sich weiter in lineare und kurvilineare Methoden unterteilen. Als Hauptvertreter der linearen statistischen Techniken, die auch in den meisten Studien zur Klassifikation von Probanden verwendet werden, gelten die Regressionsanalyse und die Diskri inanzanalyse, vgl. R.S. Jäger, „Diagnostische Urteilsbildung" in Enzyklopädie der Psychologie, Hrsg. K-J. Groffmann u. L. Michel, Göttingen: Hogrefe 1982.
Die kurvilinearen Modelle, deren Grundidee auch öfters als „ Konfigur alität" bezeichnet wird, gehen von der Annahme eines nicht-linearen Zusammenhangs zwischen den Prädik- torvariablen (z.B. Testdaten, Informationen aus Anamnesen) und der Kriteriumsvariable (Aussagen über das Urteil, z.B. „erfolgreich" gegenüber „nicht erfolgreich") aus. Genau diese kurvilinearen Beziehungen stellt im Bereich der Psychologie zumeist die Realität dar, jedoch sind derartige Zusammenhänge naturgemäß schwer zu modellieren. In heutigen Studien wird daher überwiegend die Diskriminanzanalyse bei der Klassifizierung von Personen herangezogen.
Das Prinzip der Diskriminanzanalyse bei zwei qualitativ unterschiedlichen Ausprägungen einer Kriteriumsvariable besteht darin, durch eine lineare und gewichtete Kombination der einzelnen Merkmale ein Maß zu finden, das die beiden Zuweisungsgruppen optimal trennt. Dies bedeutet, dass die Varianz der kombinierten Punktwerte zwischen den beiden Gruppen im Vergleich zu der Varianz innerhalb einer Gruppe rr ximiert wird. Der Rechengang wird durch die Ermittlung einer Dislαim anzfunktion und dem Vergleich der empirisch erhobenen und anhand der Diskriminanzfunktion ermittelten Zuordnungen der Personen zu den beiden Zuweisungsgruppen beendet. Diese Diskrirrdnanzfunktion besitzt die Eigenschaft, die vorgegebenen Klassen am besten trennt. Die dabei berechneten ß-Gewichte für die einzelnen Prädiktoren sind Partialregressionskoeffizienten, was unmittelbar die Beziehung der Diskriminanzanalyse zur multiplen Regression verdeutlicht. Die Diskriminanzanalyse wurde ursprünglich für Zuordnungen im Rahmen der Anthropologie entwickelt, vgl. R.A. Fisher, "The statistical utilization of multiple measurement", Annais of Eugenics 8, 376-386, und ist seit der Verfügbarkeit von Computeranlagen zu einem Routineverfahren geworden, dessen Bedeutsamkeit in zahlreichen Untersuchungen zu Klassifikationsfragen in der Klinischen Psychologie und Eignungspsychologie in Schule und Beruf gezeigt wurde.
Gegen die Verwendung der Diskrirninanzanalyse spricht die Empfindlichkeit dieser Methode gegenüber einer Verletzung der Voraussetzungen für die Anwendung dieses mathematischen Modells, sowie die relativ geringe Stabilität der meisten bisher erzielten Ergebnisse bei Verwendung von Kreuzvalidierungen. Folgende Voraussetzungen bestehen bei der Verwendung von Diskriminanzanalysen zur Klassifikation auf der Basis von Testkennwerten:
1. Die Verteilungen der Kennwerte der Prädiktorvariablen sind für jede nach dem Kriterium gebildete Teilstichprobe multivariat normal,
2. die Varianz-Kovarianz-Matrizen der verwendeten Teilstichproben sind homogen,
3. die Mittelwerte und Ko Varianzen der Grundgesamtheiten sind bekannt oder können hinreichend genau geschätzt werden und
4. linearer Zusammenhänge zwischen der Kriteriumsvariable und den Prädiktorvariablen können angenommen werden.
Während die Diskriminanzanalyse einen vielversprechenden Ansatzpunkt zur statistischen Urteilsbildung darstellt, weisen die Eigenschaften des Verfahrens bei einer Verletzung der Voraussetzungen an die Daten erhebliche Mängel auf. Im Bereich der Personalauswahl und der Verkehrspsychologie sind, wie sich bei jüngsten, seitens der Anmelderin durchgeführten Untersuchungen herausgestellt hat, derartige Verletzungen der Voraussetzungen dieses Verfahrens allerdings eher die Regel.
Wegen der vielfältigen Probleme bei bekannten statistischen Klassifizierungsmodellen und der sehr häufig geringen Zuverlässigkeit der mit ihnen gewonnenen Bewertungen begegnen Psychologen diesen Testmethoden in der Regel mit Skepsis. Die statistische Methode wird daher oft lediglich als Unterstützung der klinischen Methode verwendet.
Aus dem Stand der Technik sind Verfahren bekannt, bei denen physikalisch messbare, physiologisch-medizinische Daten zur Abschätzung von möglichem Risikoverhalten des untersuchten Patienten od.dgl. ausgewertet werden. So schlägt z.B. die DE 19831 109 AI vor, EEG-Daten von Früh- und Neugeborenen mithilfe eines Neuronalen Netzwerks auszuwerten, um Störungen der Atemregulation zu erkennen. Die US 5,724,987 betrifft ein Verfahren zur Regulation von Trainingseinheiten auf der Basis neurophysiologischer Ableitungen, bei dem mittels einer Neuronalen Netzwerks physiologische Parameter zu einem Index der Aufmerksamkeit und kognitiven Beanspruchung verdichtet werden und mit Hilfe dieses Index die Trainingssitzung gesteuert wird. Die EP 0699413 AI behandelt ein ähnliches Verfahren, bei dem EEG-Signale zur Analyse des physiologischen und geistigen Zustande eines Fahrers genutzt werden.
Die Auswertung physiologischer Daten unterscheidet sich jedoch aus verschiedenen Gründen wesentlich von der Bewertung psychologischer Daten, die der Erfindung unterliegen. Physiologische Daten sind naturgemäß messbar, oft sogar mit normierten Methoden, sodass Tendenzen aus dem gemessenen Material klar belegbar und die sich daraus ergebenden Schlussfolgerungen oft auch begründbar sind. Auch die Reproduzierbarkeit ist vielfach wenig problematisch. Die Auswertung psychologischer Daten ist dagegen immer noch auf statistische Methoden angewiesen, und die zugrunde liegenden Daten gelten als weniger leicht handhabbar und vergleichbar; zudem ist Gewinnung psychologischer Daten meist schlecht reproduzierbar und somit sind diese Daten mit entsprechenden Unsicherheiten behaftet. Dies wirkt sich zwangsläufig auf die Zuverlässigkeit der daraus abgeleiteten Schlussfolgerungen aus. Auch findet bei bekannten psychologischen Auswerteverfahren eine Rückkopplung der Ergebnisse auf die Auswertung nicht statt.
In der US 5,486,999 wird ein Neuronales Netzwerk für eine personenbezogene Risikoabschätzung einer Krankenversicherung eingesetzt. Abgesehen davon, dass eine solche Risikoabschätzung sich inhaltlich und hinsichtlich ihres Zwecks sich grundlegend von einem diagnostischen Verfahren für die Psychologie unterscheidet, sind die zugrunde gelegten Eingangsdaten aUgernemmedizinischer Art und beruhen nicht auf einer psychologischen oder biomedizinischen Auswertung des betrachteten Probanden.
Aufgabe der Erfindung ist es, einen Weg für objektivierbare Klassifizierungen für Rohdaten der eingangs dargestellten Art aufzuzeigen, die eine hohe Zuverlässigkeit aufweisen.
Diese Aufgabe wird gemäß der Erfindung von einer Vorrichtung zum Auswerten nach der eingangs genannten Art mit einem Neuronalen Netzwerk gelöst, dem als Eingangsdaten die Daten eines Profilvektors sowie Parameterdaten zur Auswahl abzuleitender Größen zuführbar sind und dem zumindest eine aus den Eingangsdaten gemäß den Parameterdaten abgeleitete Ergebnisgröße zur Beurteilung des Probanden entnehmbar ist.
Die Erfindung gestattet die statistische Auswertung der psychologisch/ biomedizinischen Daten durch den Einsatz von nichtlinearen Automaten, nämlich Neuronalen Netzen. Diese sind in verschiedenen Bereichen der Technik, z.B. bei der Musterkennung, bekannt. In der EP 1 022632 AI ist die Verwendung eines Neuronalen Netzes zur Überprüfung der Funktionsfähigkeit eines elektrischen Geräts beschrieben; die Verwendung Neuronaler Netze zur Auswertung physiologischer Signale wurde weiter oben dargestellt. Die Erfindung schlägt nun Neuronale Netze für den Einsatz in der Psychologie vor. Im Vergleich zu etablierten Bewertungsmethoden ermöglicht die erfindungsgemäße Bewertung eine wesentlich höhere Quote der Zuverlässigkeit.
Naturgemäß muss das erfindungsgemäß vorgesehene Neuronale Netzwerk vor seiner eigentlichen Verwendung trainiert werden. Ausgangspunkt für den Lernprozess des Netzwerks sind die vorab erhobenen Eingangs- und Bewährungswerte eines sogenannten Lern- samples. Darunter versteht man im vorliegenden Anwendungsfall die Rohwerte der einzelnen diagnostischen Verfahren (Eingangswerte) für die einzelnen Probanden bzw. die Ausprägung der vorherzusagenden Kriteriumsvariable (Bewährungswerte). Das Netzwerk soll mit Hilfe einer Trainingsphase dazu in die Lage versetzt werden, selbstständig eine Zuordnung für die Personen des Lernsamples durchzuführen. Sobald ein Netzwerk für einen bestimmten Zweck erstellt und trainiert wurde, kann nun auch die Klassifikation von Einzelbeobachtungen vorgenommen werden, die im Anschluss an das Training in das Netzwerk eingegeben werden. Das Netzwerk generalisiert seine in Bezug auf das Trainingssam- ple gemachten „Erfahrungen" auf den neu erhobenen Einzelfall.
Im Vergleich zu den bekannten statistischen Methoden der Urteilsbildung weisen Neuronale Netzwerke folgende, für Klassifikationsaufgaben folgende günstige Eigenschaften auf: 1. Neuronale Netzwerke sind lernfähig und veränderbar, d.h., sie können aus vorhandenen Datenmengen die optimale Zuordnung „erlernen" und verändern sich, sofern gewünscht, sukzessiv mit der Einbeziehung neuer (Lern)Daten.
2. Neuronale Netzwerke können nichtlineare Zusammenhänge abbilden.
3. Neuronale Netzwerke gehen von keinen Voraussetzungen hinsichtlich der Dateneigenschaften und der Verteilung der Prädiktorvariablen aus; die einzige Voraussetzung der Methode betrifft die Vollständigkeit der Datensätze im Lernsample.
Die zweite Eigenschaft, die Nachbildung von Nichtlinearitäten, ist gerade in der Psychologie wichtig, da Menschen nur äußerst selten „linear reagieren" und Moderatorbedingungen den Zusammenhang zwischen Verhalten und Kriterium moderieren können, was zu einem nichtlinearen Zusammenhang der beiden Variablen resultiert.
Diesen Ausführungen zufolge weisen neuronale Netzwerke im Vergleich zu konkurrierenden Methoden der Datenintegration bedeutsame Vorteile bei der Informationsintegration im Rahmen einer statistischen Urteilsbildung auf. Im Gegensatz zu Alternativen wie der Verwendung von Expertensystemen aus dem Bereich der Produktionssysteme bieten sie darüber hinaus auch noch den Vorteil, dass sie auch in Bereichen der Psychologie anwendbar sind, in denen bislang noch keine hinreichende theoretische Wissensbasis in Form vollständig empirisch evaluierter Gesamtmodelle menschlichen Verhaltens verfügbar sind. Dies gilt im Besonderen im Bereich der Verkehrspsychologie und anderen Bereichen der angewandten Psychologie, wie z.B. der Risikoforschung.
In einer bevorzugten Ausführungsform der Erfindung sieht eine dem Neuronalen Netzwerk nachgeordnete Konversionseinrichtung zum Umwandeln der vom Netzwerk gelieferten Ergebnisgröße(n) in Klartext-Information vor, um die Interpretation der Bewertung weiter zu vereinfachen.
Vorteilhafterweise enthält das Neuronale Netz ein Multilayer Perceptron („mehrschichtiges Perzeptron"). Fig. 1 zeigt die an sich bekannte Netzwerktopologie eines Multilayer Per- ceptrons MLP, das eine Anzahl von Eingangsgrößen El,E2,...,En erhält und im allgemeinen mehrere Ausgangsgrößen liefert; hier sind es beispielsweise zwei Ausgangsgrößen Ol,O2. Die Topologie ist azyklisch (vorwärts gerichtet) in Schichten IL,HL,OL gegliedert. Die Neuronen INl,IN2,...,INn einer ersten Schicht, der Input-Schicht IL, erhalten als Eingabe die Eingangsgrößen El-En und geben ihre Ausgabesignale an die Neuronen Hl/.../Hm einer sogenannten Verborgenen Schicht HL ('hidden layer') weiter. Die Ausgaben der Neuronen Hl,..., Hm der Verborgenen Schicht sind mit den Neuronen ONl,ON2 der Output-Schicht OL verbunden. Im allgemeinen können auch mehr als eine Verborgene Schicht vorgesehen sein (in Fig. 1 nicht gezeigt), wobei dann die Ausgaben einer Verborgenen Schicht jeweils mit der nächsten Verborgenen Schicht verknüpft ist und die letzte Verborgene Schicht die Output-Schicht versorgt. Die von der Output-Schicht gelieferten Ausgabegrößen Ol,O2 stellen die von dem Multilayer Perceptron gelieferte Bewertung der Eingangsdaten dar. Die Verknüpfung zwischen der Input-Schicht IL und der Verborgenen Schicht HL wird beispielsweise durch eine m x n-Matrix beschrieben (n = Anzahl der Neuronen der Input- Schicht IL; m = Anzahl der Neuronen der Schicht HL), die für jedes der m Neuronen der Verborgenen Schicht angibt, mit welchem Gewicht die n Ausgabesignale der vorangehenden Schicht IL auf dieses Neuron einwirken, zuzüglich eines m- Vektors, der jedem der m Neuronen jeweils einen konstanten Offset-Wert zuteilt. Entsprechend wird die Verknüpfung zwischen der Verborgenen Schicht HL und der Output-Schicht OL der Fig. 1 durch eine 2 x m-Matrix plus einen Offset- Wert beschrieben. Die Übergangsfunktion der Neuronen wurden beispielsweise mit einer sigmoidalen Funktion belegt, z.B. der logistischen Funktion f(x) = l/(l+e"x), die auf die Summe der gemäß den Parametern gemäß der Verknüpfungsmatrix gewichteten Outputs der jeweils vorgelagerten Neuronen bzw. (im Fall der Input- Schicht) der Eingangswerte angewendet wird. Das verwendete Multilayer Perceptron kann genau eine Verborgene Schicht aufweisen; zusätzlich ist es in der Regel von Vorteil, wenn die Anzahl der Neuronen in der Verborgenen Schicht größer ist als die Anzahl der Neuronen in der Eingangsschicht.
Günstigerweise enthält die erfindungsgemäße Bewertevorrichtung einen Speicher zur Speicherung von Eingangsdaten (Profilvektor) und Ergebnisdaten vorangegangener Auswertungen, wobei das Neuronale Netzwerk Zugriff auf diesen Speicher hat, z.B. für ein ergänzendes Training oder ein Neutraining des Netzwerks. Insbesondere kann die Vorrichtung dazu eingerichtet sein, nach einer Auswertung eines Profilvektors die zugehörenden Eingangs- und Ergebnisdaten in dem Speicher abzuspeichern und die so ergänzten Daten des Speichers nachfolgenden Auswertungen zugrunde zu legen.
Weiters ist es vorteilhaft, wenn die Eingangsdaten neben aus psychologisch/ biometrischen Testung gewonnen Daten weitere Daten umfassen, die aus einem Interview mit dem betreffenden Probanden und/ oder einer biographischen Erhebung erhoben wurden.
Naturgemäß muss das erfindungsgemäß verwendete Neuronale Netzwerk vor der Verwendung trainiert werden, um das gewünschte abzufragende Ergebnis zu „erlernen". Hierbei ist es vorteilhaft, wenn die Verknüpfungskonfiguration (Verknüpfungsform und Gewichte) des Netzwerks auf einem Training unter Verwendung von Daten beruht, die neben Eingangsdaten auch Bewährungsdaten enthalten, die für den betreffenden Probanden im Zeitraum nach einer bereits getätigten Auswertung erhoben wurden. Die Erfindung samt weiterer Vorzüge wird im folgenden am Beispiel einer nicht einschränkenden Ausführungsform zur Durchführung verschiedener psychologischer Eignungstests näher erläutert, wobei die beigefügten Zeichnungen herangezogen werden. Die Zeichnungen zeigen in schematischer Form:
Fig. 1 die Architektur eines Multilayer Perceptrons;
Fig. 2 die Durchführung und Auswertung eines Eignungstests; und
Fig. 3 die erfindungsgemäße Testbewertung innerhalb des Eignungstests der Fig. 2.
Bei der im Folgenden dargestellten Bewertungsvorrichtung handelt es sich um eine selbstlernende und selbstoptimierendes Vorrichtung mit einem zugrundeliegenden Verfahren für die genaue Selektion der Probanden nach vorgegebenen Kriterien aus Messergebnissen von anerkannten psychologischen Testverfahren.
Dabei wird das Verfahren des neuronalen Netzwerkes auf die Probandendaten unter Zuhilfenahme von Auswerteprofilen angewendet. Für die Abbildung im Neuronalen Netzwerk werden ferner weitere Ergebnisdaten früherer Probanden für die Adaption des Netzwerks herangezogen. Das so entstehende System gestattet ein selbsttätige Optimierung der Ergebnisprofile der Probanden. Im weitesten Sinn wird eine Datenintegration der Probandendaten mit dem Ziel angewendet, die Schärfe der Ergebnisdaten (d.h. der Kriteriumsvorhersage) zu erhöhen. Somit wird der Aussagegehalt und die Zuverlässigkeit der Ergebnisdaten signifikant gesteigert. Diese Methode gestattet eine maschinengestützte Auswertung von Ergebnissen psychologischer Tests und stellt dabei eine deutliche Verbesserung der Ergebnisschärfe im Vergleich zur bislang dominierenden klinischen Methode dar.
Bezugnehmend auf Fig. 2 werden die Messergebnisse des Probanden auf einem psychologischen Testplatz 1 erhoben und für die nachfolgende, erfindungsgemäße Auswertung in Form von psychologischen Rohdaten 2 zur Verfügung gestellt. Parallel dazu werden auf anderem Wege erhobene, die Probanden betreffende Daten 3 verwendet, z.B. in einem Interview erhaltene Interviewdaten, in einer Anamnese des Probanden erhobene biographische Daten oder „Bewährungsdaten", die durch spätere Rückmeldungen über die Bewährung des betreffenden Probanden gewonnen wurden. Diese Daten 2,3 werden in eine Datenverarbeitungseinheit 6 eingegeben, auf der die erfindungsgemäße Analysevorrichtung unter Verwendung eines Neuronalen Netzes eingerichtet ist. Unter Auswahl 4 eines Auswerte- profiles (Netzwerkarchitektur und dazugehörige Gewichte) ermittelt die Datenverarbeitung einen Ergebnisvektor 5. Dieser wird über einen Formatkonverter 7 in eine Klartextausgabe gewandelt und steht somit in lesbarer Form der weiteren Textverarbeitung oder Archivierung 8 zur Verfügung. Die für die Auswertung der erfassten Daten erforderliche Datenverarbeitungseinheit 6 basiert auf der Analyse durch ein Neuronales Netzwerk NN und ist in Fig. 3 näher dargestellt. Ein Speicher 9 umfasst einen Probandendatenspeicher 10 und einen Bewährungsdatenspeicher 11. Im Probandendatenspeicher 10 werden alle verfügbaren diagnostischen Informationen 12 archiviert, insbesondere sämtliche psychologischen Testergebnisse 2, sowie bei Bedarf weitere relevante Probanden-bezogene Daten 2a, wie Interviewdaten und/ oder biographische Daten. Der Bewährungsdatenspeicher 11 verwaltet die Bewährungsdaten 13. Als Eingangsdaten des Neuronalen Netzwerks NN fungieren die Probandendatenfelder 12. Diese werden, basierend auf dem jeweils gemäß der Auswahl 4 vorgegebenen Auswerteprofil 14, das als Parameterdaten im Sinne der Erfindung die Art der Bewertung festlegt und in einem Parameterspeicher 15 abgelegt ist, einer Bewertung unterzogen. Daraus resultiert der Ergebnisvektor 5 der sämtliche relevanten Daten des Probanden zur Verfügung stellt.
Bei dem Auswerteprofil 14 handelt es sich um die Kennwerte der Gewichte der Verknüpfungen innerhalb des betreffenden Neuronalen Netzwerks. Jedes Auswerteprofil 14 wurde bei gegebener Netzstruktur unter zugrunde Legung eines Trainingssarnples erlernt. Mittels des Auswerteprofils ist eine einfache und rasche Auswahl von unterschiedlich trainierten Netzwerken nach gegebenen Erfordernissen möglich. Sämtliche Auswerteprofile sind in dem Parameterspeicher 15 gehalten, der zweckmäßigerweise ebenfalls Teil des Speichers 9 ist.
Die Daten des Speichers 14 stehen dem Neuronalen Netz zu dessen Initialisierung, insbesondere für das Training, zur Verfügung. Wenn neue Probanden bewertet werden, werden die zugehörenden Daten in den Probandendatenspeicher 10 aufgenommen; gleiches gilt hinsichtlich des Bewährungsdatenspeichers 11, wenn zu Probanden neue Ereignisse bekannt werden. Bei einem Training des Neuronalen Netzwerks NN werden neben den zu dem Trainingssample gehörenden Probandendaten (Probandendatenspeicher 10) auch dem Sample zugehörende Bewährungsdaten (Bewährungsdatenspeicher 11) verwendet. Ein wesentlicher Vorteil der Anordnung ist die Anwendung des selbstlernenden Neuronalen Netzwerks auf die Probandendaten unter Zugrundelegung von weiteren Informationen (Bewährungsdaten) von selbigen. Diese Daten werden zum weiter führenden Lernen des Netzwerks verwendet. Damit kann die Schärfe (die Informationssicherheit) der Ergebnisse iterativ signifikant gegenüber allen anderen bekannten Methoden gesteuert werden.
Im Gegensatz zu den derzeit verwendeten Verfahren, die für die datenverarbeitungsgestütz- te Testauswertung herangezogen werden können, z.B. der Diskriminanzanalyse, stellt die Verwendung eines selbstlernenden und selbstoptimierenden Neuronalen Netzes eine gra- vierende Verbesserung der Ergebnissicherheit (von etwa 60% auf 85%) dar, die mit bekannten Methoden bei weitem nicht erreicht werden konnten.
Selbstverständlich ist die Auswahl, welche der zur Verfügung stehenden Daten für das Training der erfindungsgemäßen Bewertungsvorrichtung bzw. für die Eingabe bei einer konkreten Probanden-Bewertung verwendet werden, in anderen Ausführungsformen der Erfindung von der hier beschriebenen abweichen. Beispielsweise können in einer Variante der Erfindung z.B. Bewährungsdaten auch als Inputdaten der Bewertung verwendet werden, sofern solche Daten zur Verfügung stehen, oder Teile der Daten wie Test- oder Interviewdaten können dem Training vorbehalten werden.
An folgenden beispielhaften Studien aus dem Bereich der Verkehrspsychologie wurden seitens der Anmelderin bereits erste Studien zur erfindungsgemäßen Verwendung neuronaler Netzwerke im Rahmen der statistischen Urteilsbildung durchgeführt.
Kraftfahreignung
In diesem Beispiel wird die Eignung („Führerschein-TaugUchkeit") von Kraftfahrer- Kandidaten bewertet, die als riskant gelten (z.B. aufgrund früheren auffälligen Verhaltens, Straf fälligkeit od.dgl.). Als Datenbasis für die Klassifikation der Kraftfahrer standen die Kennwerte aus fünf verschiedenen Leistungstests aus dem Bereich der Reaktionsfähigkeit und Wahrnehmungsleistung, das Lebensalter und die Zuordnung der Personen hinsichtlich ihrer Fahrtauglichkeit anhand des Fahrstils bzw. eines Globalurteils des Fahrverhaltens vor. Die Daten wurden im Rahmen einer multizentrischen Validierungsstudie erhoben (vgl. Karner & Neuwirth, 2000; Sommer, 2001). Der Fahrstil der Untersuchungsteilnehmer wurde über eine hierarchische Clusteranalyse nach dem Ward-Algorithmus, basierend auf der Beurteilung einzelner Dimensionen sicheren Fahrverhaltens während einer standardisierten Fahrprobe ermittelt. Das Globalurteil stellt einen Gesamteindruck des Fahrverhaltens aus der Sicht eines Verkehrspsychologen dar.
Die als Eingangsdaten für die Auswertung verwendeten Größen werden hinsichtlich des Mittelwerts und der Standardabweichung der jeweils zugrunde liegenden Verteilung z-tiansformiert. Bei der in der Statistik bekannten z-Transformation wird von jedem Wert der Mittelwert der Verteilung subtrahiert, und durch anschließende Division durch die Standardabweichung der zugehörende z-transfomierte Wert erhalten. Durch die z-Transformation wird erreicht, dass die verwendeten Kennwerte - unabhängig von ihrem anfänglichen Wertebereich - einen vergleichbaren Wertebereich annehmen. Dies ist insbesondere bei der Kombination von Reaktionszeiten (typischerweise in der Größenordnung mehrerer 100 ms) und Zahlen der Richtig-Antworten aus Testverfahren mit unterschiedlicher Postenanzahl von Bedeutung. Die z-transformierten Testresultate der Probanden aus dem Bereich der Reaktionsfähigkeit und Wahrnehmungsleistung, sowie deren Lebensalter stellen die Prädiktoren dar.
Die Beurteilung des Fahrtauglichkeit anhand des Kriteriums Fahrstil oder Gesamturteil in geeignete und nicht geeignete Kraftfahrer bilden die beiden Kriteriumsvariablen für die jeweils ein eigenes neuronales Netzwerk erstellt und trainiert wurde. Es wurden also zwei verschiedene neuronale Netzwerke trainiert, die sich lediglich in der verwendeten Kriteriumsvariable (Globalurteil vs. Fahrstil) - und somit in dem zugehörenden Auswerteprofil - unterscheiden.
Bei dem verwendeten neuronalen Netzwerk handelt es sich jeweils um ein Multilayer Perceptron, welches aus einer Inputschicht mit sechs Inputeinheiten zur Repräsentation der oben genannten Prädiktorvariablen (= sechs Eingangsvariable), einer einzelnen Verborgenen Schicht mit zehn Einheiten als Zwischenschicht und einer Outputschicht mit zwei Outputeinheiten zur Repräsentation der Ausprägungen der Kriteriumsvariable besteht. Die beiden Output-Neuronen entsprechen hierbei den beiden möglichen Ausprägungen des dichoto- men Kriteriums (z.B.: geeignet oder ungeeignet). Natürlich sind neben dichotomen Kriteriumsvariablen auf mehrkategorielle Kriteriumsvariable denkbar, wie z.B. verschiedene Berufe oder Verwendungszwecke; in einem solchen Fall wären dann entsprechend viele Output-Neuronen vorzusehen.
Die verwendeten Neuronalen Netzwerke wurden mit Hilfe eines kommerziellen Software- Pakets (Math Lab) auf einem PC realisiert. Es wurde eine Vernetzung realisiert, in der jede Einheit der vorausgehenden Schicht mit jeder Einheit der nachfolgenden Schicht verbunden wird (sogenannte Feedforward-Vollverbringung; in Fig. 1 der Übersichtlichkeit halber nur angedeutet). Als Transferfunktion wird die bekannte Softmax-Funktion eingesetzt, um eine Normierung der Ausgangsgrößen auf 100% zu erreichen. Beim Lernalgorithmus wurde der bekannte Backpropagation- Algorithmus verwendet.
Die Netzstruktur wurde in der hier beschriebenen Weise definiert, um mögliche nichtlineare Effekt bei einer guten Generalisierbarkeit der Ergebnisse abbilden zu können. Bekanntermaßen muss die Anzahl der Einheiten in der Verborgenen Schicht groß genug sein, um die gestellte Aufgabe zu erfüllen, aber auch gering genug, um eine hinreichend gute Generalisierung des Netzwerks zu ermöglichen. Bei der Erstellung eines passenden Netzwerks wurde die Anzahl der Neuronen in der Verborgenen Schicht in mehreren Berechnungen anhand der gleichen Datensätze systematisch variiert und die Ergebnisse der verschie- denen Netzwerke für je eines der Kriterien hinsichtlich Generalisierungsfähigkeit und Klassifikationsrate miteinander verglichen. Aus den so gewonnen Ergebnissen wurde eine optimale Zahl der Neuronen in der Verborgenen Schicht bestimmt.
Auf der Basis von 83 bzw. 65 vollständigen Datensätzen bei den beiden Netzwerken mit den Kriterien Globalurteil bzw. Fahrstilprognose konnte eine Klassifikationsrate von 81 bzw. 78 Prozent bei einer zufriedenstellenden Generalisierung des neuronalen Netzwerks erzielt werden. Im Vergleich zu den diskriminanzanalytischen Ergebnissen zeigte sich eine deutliche Überlegenheit des neuronalen Netzwerks, was auf die Existenz nichtlinearer Beziehungen zwischen Kriterium und Prädiktorvariablen hindeuten dürfte.
Die Überprüfung der Generalisierbarkeit erfolgte mit Hilfe der Methode der Teilstichprobenbildung wobei bei beiden Kriterien jeweils 10 zufällig ausgewählte Personen als Testsample fungierten, anhand derer die Generalisierbarkeit des mit dem nun reduzierten Stichprobenumfang erneut trainierten Netzwerks überprüft wurde. Die Ergebnisse zur Generalisierbarkeit der Ergebnisse weisen auf eine gute Stabilität der erzielten Resultate hin. Für das Kriterium Globalurteil konnte bei dem nun reduzierten Trainingssample von 73 Probanden eine Klassifikationsrate von 86 Prozent richtigen Zuordnungen erzielt werden. Für das Testsample lag die Klassifikationsrate bei 90 Prozent richtiger Zuordnungen, wobei richtig klassifizierte Personen mit 63 bis 99 Prozent Sicherheit richtig zugeordnet wurden, während die Sicherheit der falschen Zuordnung bei 60 Prozent lag. Die gute Übereinstimmung zwischen der Klassifikationsrate im Lernsample (86.3%) und Testsample (90%) deutet auf eine gute Netzwerkspezifikation.
Flugpsychologie
Als zweites Anwendungsgebiet standen 92 vollständigen Daten einer Testbatterie bestehend aus sieben verschiedenen Testverfahren einer Validierungsstudie zur Auswahl erfolgreicher Absolventen einer Flugausbildung einer österreichischen Luftlinie (Lauda Airlines), und darüber hinaus Informationen über die erfolgreiche Absolvierung bzw. dem Abbruch der Ausbildung zur Verfügung. In diesem Anwendungsfall wurde ebenfalls ein Multilayer Perceptron, bestehend aus insgesamt drei Schichten eingesetzt. Das Netzwerk bestand aus elf Inputeinheiten zur Repräsentation der z-transformierten Rohwerte aus den einzelnen Testverfahren, fünfzehn Einheiten der Verborgenen Schicht und den zwei Outputschichteinheiten zur Repräsentation der zwei Merkmalsausprägungen der Kriteriumsvariable Ausbildungserfolg. In diesem Ausführungsbeispiel zeigte sich ebenso wie bei der Bewertung der Kraftfahrer, dass die erfindungsgemäße Auswertung der Daten eine überraschend hohe Zuverlässigkeit lieferte. Während mittels der Diskriminanzanalyse eine richtige Zuordnung der Testpersonen aufgrund der Testwerte in Absolventen und Abbrecher von ca. 72 % gefunden wurde, lieferte das neuronale Netz in 96% der Fälle richtige Zuordnungen. Die Überprüfung der Generalisierbarkeit erfolgte mit Hilfe der Methode der Teilstichprobenbildung wobei bei beiden Kriterien jeweils 10 zufällig ausgewählte Personen als Testsample fungierten, anhand derer die Generalisierbarkeit des mit dem nun reduzierten Stichprobenumfang erneut trainierten Netzwerks überprüft wurde. Die Ergebnisse zur Generalisierbarkeit der Ergebnisse weisen auf eine gute Stabilität der erzielten Resultate hin. Bei dem nun reduzierten Trainingssample von 82 Probanden eine Klassifikationsrate von 93.6 Prozent richtigen Zuordnungen erzielt werden. Für das Testsample lag die Klassifikationsrate bei 80 Prozent richtiger Zuordnungen, wobei richtig klassifizierte Personen mit 60 bis 99 Prozent Sicherheit richtig zugeordnet wurden, während die Sicherheit der falschen Zuordnung zwischen 63 bis 68 Prozent lag. Die Übereinstimmung zwischen der Klassifikationsrate im Lernsample (93.6%) und Testsample (80%) ist als hinreichend gut zu bezeichnen. Die Generalisierung der Ergebnisse des neuronalen Netzwerks kann auch hier als befriedigend beurteilt werden.
Bei den Ergebnisse der Diskriminanzanalyse zeigte sich auch eine deutliche Verletzung der Modellannahmen. Dies bedeutet, dass die Diskriminanzanalyse im Vergleich zu den neuronalen Netzwerken nicht nur zu einer geringeren Klassifikationsrate, sondern auch zu methodisch problematischen Ergebnissen, bedingt durch die Verletzung der Modellannahmen, geführt hat. Detailanalysen, die im Anschluss an die genannten Versuche zur Auswertung mit einem Neuronalen Netz bzw. einer Diskriminanzanalyse durchgeführt wurden, zeigen, dass die beobachteten Unterschiede zwischen beiden Klassifikationsverfahren durch die Existenz nichtlinearer Beziehungen zwischen Prädiktor- und Kriteriumsvariable erklärbar sind.
Wie aus dem oben Gesagten hervorgeht, weisen neuronale Netzwerke im Vergleich zu herkömmlichen Methoden der Datenintegration einige Vorteile auf. Ein wesentlicher Vorteil besteht in den vergleichsweise geringen Anforderungen an die Daten. Im Beispiel aus der Flugpsychologie konnte gezeigt werden, dass mit Hilfe neuronaler Netzwerke eine Integration der vorliegenden Daten ermöglicht wird, die mit Hilfe der etablierten Methode der Diskriminanzanalyse nicht erzielbar ist, was im nachhinein auf fehlendes Vorliegen der zugehörenden Voraussetzungen zurück geführt werden konnte. Neben diesen für praktische Anwendungen wichtigen methodischen Vorzügen ermöglichen neuronale Netzwerke auch eine angemessene Berücksichtigung nicht-linearer Beziehungen zwischen den Prädiktor- variablen und der gewählten Kriteriumsvariable, die durch einen menschHchen Diagnostiker nicht geleistet werden kann.

Claims

PATENTANSPRÜCHE
1. Vorrichtung zum Auswerten psychologischer und/ oder biomedizinischer Rohdaten (2,3) in Form eines Profilvektors, welcher einen Probanden betreffende, im Rahmen von psychologisch/ biomedizinischen Testungen (1) gewonnene, jedoch zumindest zum Teil rein psychologischen Testungen entstammende Daten umfasst, gekennzeichnet durch ein Neuronales Netzwerk (NN), dem als Eingangsdaten die Daten (12) eines Profilvektors sowie Parameterdaten (14) zur Auswahl abzuleitender Größen zuführbar sind, und das zur Ausgabe von zumindest einer aus den Eingangsdaten gemäß den Parameterdaten abgeleitete Ergebnisgröße (5) zur Beurteilung des Probanden eingerichtet ist.
2. Vorrichtung nach Anspruch 1, gekennzeichnet durch eine dem Neuronalen Netzwerk nachgeordnete Konversionseinrichtung (7) zum Umwandeln der vom Netzwerk geHeferten Ergebnisgröße(n) in Klartext-Information.
3. Vorrichtung nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass das Neuronale Netzwerk ein Multilayer Perceptron (MLP) aufweist.
4. Vorrichtung nach Anspruch 3, dadurch gekennzeichnet, dass das Multilayer Perceptron genau eine Verborgene Schicht (HL) aufweist, wobei die Anzahl der Neuronen in der Verborgenen Schicht größer ist als die Anzahl der Neuronen in der Eingangsschicht.
5. Vorrichtung nach einem der Ansprüche 1 bis 4, gekennzeichnet durch einen Speicher (9) zur Speicherung von Eingangs- und Ergebnisdaten vorangegangener Auswertungen, wobei das Neuronale Netzwerk (NN) Zugriff auf diesen Speicher hat.
6. Vorrichtung nach Anspruch 5, dadurch gekennzeichnet, dass sie dazu eingerichtet ist, nach einer Auswertung eines Profilvektors die zugehörenden Eingangs- und Ergebnisdaten in dem Speicher abzuspeichern und die so ergänzten Daten des Speichers nachfolgenden Auswertungen zugrunde zu legen.
7. Vorrichtung nach einem der Ansprüche 1 bis 6, dadurch gekennzeichnet, dass die Eingangsdaten (12) neben aus psychologisch/ biometrischen Testung gewonnen Daten (2) weitere Daten (2a) umfassen, die aus einem Interview mit dem betreffenden Probanden und/ oder einer biographischen Erhebung erhoben wurden.
8. Vorrichtung nach einem der Ansprüche 1 bis 7, dadurch gekennzeichnet, dass das Neuronale Netzwerk eine Verknüpfungskonfiguration aufweist, die auf einem Training unter Verwendung von Daten (13) beruht, die neben Eingangsdaten auch Bewährungsdaten enthalten, die für den betreffenden Probanden im Zeitraum nach einer bereits getätigten Auswertung erhoben wurden.
9. Verfahren zum Auswerten psychologischer und/ oder biomedizinischer Rohdaten, gekennzeichnet durch die folgenden Schritte: a) Ermitteln von Rohdaten (2,3) im Rahmen von psychologisch/biomedizinischen Testungen (1) eines Probanden, wobei zumindest ein Teil der Rohdaten aus rein psychologischen Testungen gewonnen wird, in Form eines Profilvektors, b) Zuführen der Rohdaten (2,3) sowie Parameterdaten (14) zur Auswahl abzuleitender Größen als Eingangsdaten an ein Neuronales Netzwerk (NN), c) Ausgabe von zumindest einer aus den Eingangsdaten gemäß den Parameterdaten abgeleitete Ergebnisgröße (5) zur Beurteilung des Probanden durch das Neuronale Netzwerk (NN).
10. Verfahren nach Anspruch 9, gekennzeichnet durch den anschüeßenden Schritt d) Umwandeln der vom Netzwerk geHeferten Ergebnisgröße(n) in Klartext-Information.
11. Verfahren nach Anspruch 9 oder 10, dadurch gekennzeichnet, dass als Neuronales Netzwerk ein Multilayer Perceptron (MLP) verwendet wird.
12. Verfahren nach Anspruch 11, dadurch gekennzeichnet, dass das Multilayer Perceptron genau eine Verborgene Schicht (HL) aufweist, wobei die Anzahl der Neuronen in der Verborgenen Schicht größer ist als die Anzahl der Neuronen in der Eingangsschicht.
13. Verfahren nach einem der Ansprüche 9 bis 12, dadurch gekennzeichnet, dass Eingangs- und Ergebnisdaten in einem Speicher gespeichert werden, auf den das Neuronale Netzwerk (NN) in nachfolgenden Auswertungen Zugriff hat.
14. Verfahrennach Anspruch 13, dadurch gekennzeichnet, dass nach einer Auswertung eines Profilvektors die zugehörenden Eingangs- und Ergebnisdaten in dem Speicher abgespeichert werden und die so ergänzten Daten des Speichers nachfolgenden Auswertungen zugrunde gelegt werden.
15. Verfahren nach einem der Ansprüche 9 bis 14, dadurch gekennzeichnet, dass für die Eingangsdaten (12) neben aus psychologisch/ biometrischen Testung gewonnen Daten (2) weitere, aus einem Interview mit dem betreffenden Probanden und/ oder einer biographischen Erhebung erhobene Daten (2a) verwendet werden.
16. Verfahren nach einem der Ansprüche 9 bis 15, dadurch gekennzeichnet, dass das Neuronale Netzwerk unter Verwendung von Daten (13) trainiert wird, die neben Eingangsdaten auch Bewährungsdaten enthalten, die für den betreffenden Probanden im Zeitraum nach einer bereits getätigten Auswertung erhoben wurden.
EP02778969A 2001-10-09 2002-10-08 Vorrichtung zum auswerten psychologischer und biomedizinischer rohdaten Withdrawn EP1434516A2 (de)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
AT0159101A AT411143B (de) 2001-10-09 2001-10-09 Vorrichtung zum auswerten psychologischer und biomedizinischer rohdaten
AT15912001 2001-10-09
PCT/AT2002/000289 WO2003030705A2 (de) 2001-10-09 2002-10-08 Vorrichtung zum auswerten psychologischer und biomedizinischer rohdaten

Publications (1)

Publication Number Publication Date
EP1434516A2 true EP1434516A2 (de) 2004-07-07

Family

ID=3688388

Family Applications (1)

Application Number Title Priority Date Filing Date
EP02778969A Withdrawn EP1434516A2 (de) 2001-10-09 2002-10-08 Vorrichtung zum auswerten psychologischer und biomedizinischer rohdaten

Country Status (3)

Country Link
EP (1) EP1434516A2 (de)
AT (1) AT411143B (de)
WO (1) WO2003030705A2 (de)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113593674B (zh) * 2020-04-30 2024-05-31 北京心数矩阵科技有限公司 一种基于结构化神经网络的性格影响因子分析方法
DE102021112662A1 (de) 2021-05-17 2022-11-17 Carmen Held Auf einer elektronischen Datenverarbeitungsanlage implementiertes Expertensystem zur Diagnostik einer Eignung zum Arbeiten im Homeoffice insbesondere von Arbeitnehmern

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5724987A (en) * 1991-09-26 1998-03-10 Sam Technology, Inc. Neurocognitive adaptive computer-aided training method and system
US5486999A (en) * 1994-04-20 1996-01-23 Mebane; Andrew H. Apparatus and method for categorizing health care utilization
JP3310498B2 (ja) * 1994-09-02 2002-08-05 独立行政法人産業技術総合研究所 生体情報解析装置および生体情報解析方法
ATE197511T1 (de) * 1995-07-25 2000-11-11 Horus Therapeutics Inc Rechnergestütztes verfahren und anordnung zur diagnose von krankheiten
US6063028A (en) * 1997-03-20 2000-05-16 Luciano; Joanne Sylvia Automated treatment selection method
DE19831109A1 (de) * 1998-07-11 2000-01-13 Univ Schiller Jena Verfahren zur Auswertung von mit Störungen der Atemregulation bei Früh- und Neugeborenen im Zusammenhang stehenden Meßdaten
WO2001018674A2 (en) * 1999-09-03 2001-03-15 The Procter & Gamble Company Methods and apparatuses for providing a customized product combination to a consumer

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
DORRER M.G.; GORBAN A.N.; ZENKIN V.I.: "Neural networks in psychology: classical explicit diagnoses", NEUROINFORMATICS AND NEUROCOMPUTERS, 20 September 1995 (1995-09-20), NEW YORK, NY, USA, IEEE, US, pages 281 - 284, XP010153180 *
See also references of WO03030705A3 *
SOMERS M.J.: "Thinking differently: assessing nonlinearities in the relationship between work attitudes and job performance using a Bayesian neural network", JOURNAL OF OCCUPATIONAL AND ORGANIZATIONAL PSYCHOLOGY, vol. 74, March 2001 (2001-03-01), pages 47 - 61, XP008053928 *

Also Published As

Publication number Publication date
ATA15912001A (de) 2003-03-15
WO2003030705A2 (de) 2003-04-17
AT411143B (de) 2003-10-27
WO2003030705A3 (de) 2003-09-12

Similar Documents

Publication Publication Date Title
DE69526823T2 (de) Gerät und Verfahren zum Analysieren von Information in Bezug auf physikalischen und geistigen Zustand
EP3019080B1 (de) Verfahren zur automatischen auswertung eines absens-eeg, computerprogramm und auswertegerät dafür
EP3948688B1 (de) Training für künstliche neuronale netzwerke mit besserer ausnutzung der lern-datensätze
WO2022096297A1 (de) Computerimplementiertes verfahren und vorrichtung zum durchführen einer medizinischen laborwertanalyse
WO2002047026A2 (de) Verfahren zur ermittlung konkurrierender risiken
DE102006016716A1 (de) Feedbacktraining im Fahrzeug
Chang A social psychological model of women’s gender‐typed occupational mobility
AT411143B (de) Vorrichtung zum auswerten psychologischer und biomedizinischer rohdaten
EP1015998A2 (de) Verfahren zur erfassung zeitabhängiger moden dynamischer systeme
EP1378851A1 (de) Verfahren und System zur Unterstützung bei der Auswahl eines Trainingsprogramms im Rahmen einer Therapieplanung
DE102008048142A1 (de) Verfahren zur Analyse eines menschlichen Kopfes
WO2005106725A1 (de) Computergestütztes system und verfahren zur automatisierten risikoparametererkennung und/oder -charakterisierung
Lewandowski et al. Scoring-systeme auf der intensivtherapiestation
EP3454341A1 (de) Automatisiertes verarbeiten von patientendaten zur gesundheitsbetreuung
DE19608734C1 (de) Verfahren zur Klassifikation einer meßbaren Zeitreihe, die eine vorgebbare Anzahl von Abtastwerten aufweist, insbesondere eines elektrischen Signals, durch einen Rechner und Verwendung des Verfahrens
Schult Wie viele Schulen braucht ein fairer Vergleich? Sozialindex-basierte Adjustierungsstrategien im Vergleich
DE102020111584A1 (de) Verfahren zum Gewinnen von Daten mithilfe von Operationsmikroskopiesystemen
Bieg et al. Motivational climate in progressive educational and traditional school environments: Differences, commonalities and effects on students’ motivation
EP0646261B1 (de) Verfahren und einrichtung zur analyse von hochdynamischen sekretionsphänomenen von hormonen in biologischen dynamischen systemen mittels biosensoren
EP4346558A1 (de) Softwarebasiertes, sprachbetriebenes und objektives diagnosewerkzeug zur verwendung in der diagnose einer chronischen neurologischen störung
DE112022002458T5 (de) Informationsverarbeitungsvorrichtung, informationsverarbeitungsverfahren und programm
EP3586744A1 (de) Verfahren und system zur ganganalyse
DE102022114277A1 (de) Verfahren, Vorrichtung und ausführbares Computerprogramm zur individualisierten Quantifizierung einer respiratorischen Sinusarrhythmie
DE102022126561A1 (de) Datenbanksystem zur Erfassung von innerhalb einer Organisation vorhandenen Kompetenzen
Crawford Workload assessment methodology development

Legal Events

Date Code Title Description
PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

17P Request for examination filed

Effective date: 20040430

AK Designated contracting states

Kind code of ref document: A2

Designated state(s): AT BE BG CH CY CZ DE DK EE ES FI FR GB GR IE IT LI LU MC NL PT SE SK TR

17Q First examination report despatched

Effective date: 20040901

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE APPLICATION HAS BEEN WITHDRAWN

18W Application withdrawn

Effective date: 20071219