juni 2012 automatisatie van het fittingproces van cochleaire implantaten door middel van probabilistische netwerken Thomas Flamant Dr. Paul GovaertsBart Vaerenberg Wim Van den Breen ► situering ► masterproef ► besluit ► demo inhoud
► elektronisch gehoorapparaat dat in het binnenoor wordt geïmplanteerd ► rechtstreekse stimulatie van de gehoorzenuw in de cochlea ► geluid wordt omgezet elektrische pulsen het Cochleair Implantaat (CI) situering (1/5) TOEGEPASTE INGENIEURSWETENSCHAPPEN
► CI-fitting o procesoptimalisatie o manipuleren elektrische parameters (~150) o gehoormetingen (~ 60) o vooropgesteld doel (target): normaal gehoor o uitgevoerd door (expert-) audiologen het Cochleair Implantaat (CI) situering (2/5) TOEGEPASTE INGENIEURSWETENSCHAPPEN audioloog patiënt
► de oorgroep & Otoconsult ► = eerste intelligent agent die assisteert bij fittingproces (computer assisted fitting) ► werking o maakt gebruik van AI o deterministische logica o gerealiseerd door middel van adviezen o framework om adviezen te ontwikkelen FOX: F itting to O utcome e X pert situering (3/5) TOEGEPASTE INGENIEURSWETENSCHAPPEN FOX advice engine gehoortest(en) + CI-instellingen nieuwe (optimale) CI-instellingen
► uitdaging doelstelling TOEGEPASTE INGENIEURSWETENSCHAPPEN situering (4/5) FOX uitbreiden met een probabilistische logica (Bayesiaans netwerk) FOX advice engine interface huidig deterministische logica masterproef probabilistische logica gehoortest(en) + CI-instellingen nieuwe (optimale) CI-instellingen
verhoog waarde 0,40 waarde is OK0,20 verlaag waarde0,40 verhoog waarde 0,40 waarde is OK0,40 verlaag waarde0,20 CI-parameter 2 te luid 0,38 normaal 0,17 te zacht 0,45 Luidheidsperceptie [hidden layer] CI-parameter 1 doelstelling TOEGEPASTE INGENIEURSWETENSCHAPPEN situering (5/5)
verhoog waarde 0,15 waarde is OK0,70 verlaag waarde0,15 verhoog waarde 0,85 waarde is OK0,10 verlaag waarde0,05 CI-parameter 2 te luid 1,00 normaal 0,00 te zacht 0,00 Luidheidsperceptie [hidden layer] CI-parameter 1 doelstelling TOEGEPASTE INGENIEURSWETENSCHAPPEN situering (5/5) ► situering ► masterproef WP 1: integration WP 2: conversion WP 3: Target Profiles WP 4: decision criteria WP 5: self learning ► besluit ► demo inhoud
► onderzoek naar implementatiemogelijkheden o Infer.NET Framework, Microsoft o OpenMarkov (Universiteit van Madrid, UNED) ► connectie met OpenMarkov o java-based webservice integration TOEGEPASTE INGENIEURSWETENSCHAPPEN WP 1 Advice Engine Open- Markov Engine
► mapping tussen FOX en netwerk o bepaalde informatie vereist die niet expliciet aanwezig is o module ontwikkeld berekende resultaten op generische, dynamische manier definiëren mogelijke toekomstige wijzigingen (netwerk in ontwikkeling: toevoegen/verwijderen van nodes) mathematische compiler at runtime gecompileerd en uitgevoerd conversion TOEGEPASTE INGENIEURSWETENSCHAPPEN WP 2
► voor elke gehoortest: te bereiken doel ( target ) ► deterministische logica: target zit vervat in advies zelf ► probabilistische logica: niet voorzien ► module: Target Profiles o framework voorzien waarin audiologen dit dynamisch kunnen definiëren o voor elke meetwaarde, een definitie voor: target (op target) tolerantie-marges: grens (binnen target) weging (penalty) o toepassing bepaalt mee de mate van actie bepaalt wanneer er gestopt moet worden met itereren Target Profiles TOEGEPASTE INGENIEURSWETENSCHAPPEN WP 3
► netwerk geeft probabiliteiten terug ► op basis hiervan beslissing nemen CI-wijzigingen ► extra instelbare parameters o welke probabiliteiten leidden tot CI-wijzigingen o vertaling probabiliteiten naar # stappen ► dynamische module: adviesinstellingen ► instellingen kunnen aangemaakt worden door ontwikkelaars zelf decision criteria TOEGEPASTE INGENIEURSWETENSCHAPPEN WP 4
► self learning = intrinsiek onderdeel van Bayesiaanse logica ► per case: wijziging onderliggende probabiliteitstabellen ► initiële leerfase o eenmalige bulk-input o op basis van historische data (FOX-databank) o module: Evidence Cases Generator conversie naar juiste netwerkformaat afhankelijk van vrij te kiezen instellingen outputtabellen self learning TOEGEPASTE INGENIEURSWETENSCHAPPEN WP 5 (1/2)
► self learning = intrinsiek onderdeel van Bayesiaanse logica ► per case: wijziging onderliggende probabiliteitstabellen ► initiële leerfase o eenmalige bulk-input o op basis van historische data (FOX-databank) o module: Evidence Cases Generator conversie naar juiste netwerkformaat afhankelijk van vrij te kiezen instellingen outputtabellen self learning TOEGEPASTE INGENIEURSWETENSCHAPPEN WP 5 (1/2)
► self learning = intrinsiek onderdeel van Bayesiaanse logica ► per case: wijziging onderliggende probabiliteitstabellen ► initiële leerfase o eenmalige bulk-input o op basis van historische data (FOX-databank) o module: Evidence Cases Generator conversie naar juiste netwerkformaat afhankelijk van vrij te kiezen instellingen outputtabellen self learning TOEGEPASTE INGENIEURSWETENSCHAPPEN WP 5 (1/2)
► adviesexploratie o laat bepaalde randomisatie, exploratie toe van de CI-parameters o zorgt op een gecontroleerde manier voor meer variatie in de CI-instellingen o wat is de impact hiervan op het gehoor van de patiënt ? self learning TOEGEPASTE INGENIEURSWETENSCHAPPEN WP 5 (2/2) ► situering ► masterproef ► besluit ► demo inhoud
► opdracht o belangrijke uitbreiding voor bestaand softwarepakket ► uitdagend o introductie in Bayesiaanse netwerken o bestaande applicatie vooruitstrevend product randvoorwaarden maximale integratie van toegevoegde functionaliteit o verdere ontwikkeling parametrisatie ontwikkelaars ≠ programmeurs ► modules: 5 afgewerkte werkpakketten besluit TOEGEPASTE INGENIEURSWETENSCHAPPEN besluit ► situering ► masterproef ► besluit ► demo inhoud
demo TOEGEPASTE INGENIEURSWETENSCHAPPEN demo 1
demo TOEGEPASTE INGENIEURSWETENSCHAPPEN demo 2
demo TOEGEPASTE INGENIEURSWETENSCHAPPEN demo 3
demo TOEGEPASTE INGENIEURSWETENSCHAPPEN demo 4
demo TOEGEPASTE INGENIEURSWETENSCHAPPEN demo 5
demo TOEGEPASTE INGENIEURSWETENSCHAPPEN demo 6
demo TOEGEPASTE INGENIEURSWETENSCHAPPEN demo 7
vragen ? ► ► TOEGEPASTE INGENIEURSWETENSCHAPPEN