Machine Learning and Natural Language Processing Lab

Relational Cond... |--| Asynchrone Rela... |--| Flexible String... |--| Lernen von Inte... |--| Speeding Up Log... |--| Relational Fish... |--| Development of ... |--| Development of ... |--| Collective Clas... |--| Learning Locali... |--| Using Equation ... |--| Classification ... |--| Induktive Daten... |--| Constraint-Base... |--| Magic Bayes-Bal... |--| Logistic Model ... |--| Clustering unte... |--| Two-Level Class... |--| Machine Learnin... |--| Erweiterung des... |--| Bayes'sche-logi... |--|

Master Thesis

Using Equation Discovery for the Detection of ARDS-Lung Models: A Case Study

Steven Ganzert, 2004

Die Algorithmen der Equation Discovery entwickeln mathematische Modelle für dynamische Systeme anhand von Datenreihen aufgezeichneter Systemvariablen. Wir präsentieren eine Modifikation des Equation Discovery Systems LAGRAMGE (Dzeroski und Todorovski, 1997). Eine geänderte Suchstrategie erlaubt eine fehlerminimierte Traversierung des Suchraums. Das modifizierte Equation Discovery System wird an Realweltdaten erprobt. Dazu wird ein neu entwickeltes Lungenmodell, das auf dem Modell der Bewegungsgleichung basiert und eine dynamische Modellierung der Compliance erlaubt, verifiziert. Die Compliance wird in der medizinischen Praxis für die Beurteilung des Status der geschädigten Lunge herangezogenen. Ausserdem werden im explorativen Modellbildungsversuch die dynamische Modellierung der Compliance mittels verschiedener Kurvenklassen, die volumen- und flussabhängige Unterteilung des Atemzuges, sowie unterschiedliche Resistanceberechnungen untersucht. Das System erlaubt eine modulare Eingabe von Kurvenklassen, die in der medizinischen Praxis dazu genutzt werden können, Vorwissen über das dynamische Verhalten der geschädigten Lunge beim ARDS (Adult Respiratory Distress Syndrome) zu repräsentieren und so ein globales oder patientenspezifisches Lungenmodell zu entwickeln.