Open Access

Diese Arbeit befasst sich mit der Eigenentwicklung eines Biosignalmesssystems, welches die Fähigkeit besitzt, ABR-Messungen zu erheben. Die dabei oberflächlich am Schädel eines Probanden abgeleiteten Potentiale gilt es mit dem System zu erfassen, zu verarbeiten und visuell darzustellen. Herzstück dieses bildet der Teensy 4.1, ein leistungsstarker Mikrocontroller der Firma PJRC, dessen auszuführender Quellcode das Ergebnis eines großen Teils der angestellten Entwicklungsarbeiten darstellt. Als Frontend des Systems dient der ADS1299, ein Analog-Digital-Wandler der Firma Texas Instrument, welcher vom verwendeten Mikrocontroller versorgt und gesteuert wird. Durch seine hohe Wandlungsrate und die Fähigkeit, Spannungen bis im zweistelligen Nanovoltbereich differenziert messen und digitalisieren zu können, stellt der ADS1299 eine ideale Komponente zur Realisierung des Messsystems dar. Mittels dieser werden die abgeleiteten Signale erfasst und daraufhin vom Teensy 4.1 im Sinne einer Signalmittelung verarbeitet. Die verarbeiteten Signale versendet der Teensy 4.1 daraufhin an einen, an diesen angeschlossenen Rechner, auf welchem diese anschließend innerhalb der MATLAB-Umgebung visualisiert werden. Realisiert werden diese Funktionalitäten aus dem Zusammenspiel zwischen der ausgewählten Hardware, des entwickelten Quellcodes des Teensy 4.1 in C++ und eines entwickelten MATLAB-Scripts. All diese Komponenten bilden ein Biosignalmesssystem, welches in der Lage ist, gemäß gewisser technischen Standards der klinischen Praxis, ABR-Messungen zu erheben.

A novel, unsupervised, artificial intelligence system is presented, whose input signals and trainable weights consist of complex or hypercomplex values. The system uses the effect given by the complex multiplication that the multiplicand is not only scaled but also rotated. The more similar an input signal and the reference signal are, the more likely the input signal belongs to the corresponding class. The data assigned to a class during training is stored on a generic layer as well as on a layer extracting special features of the signal. As a result, the same cluster can hold a general description and the details of the signal. This property is vital for assigning a signal to an existing or a new class. To ensure that only valid new classes are opened, the system determines the variances by comparing each input signal component with the weights and adaptively adjusts its activation and threshold functions for an optimal classification decision. The presented system knows at any time all boundaries of its clusters. Experimentally, it is demonstrated that the system is able to cluster the data of multiple classes autonomously, fast, and with high accuracy.