Neue dynamische neuronale Netze mit zeitvarianten Gewichten und ihre Anwendung für die EEG- und EP-Mustererkennung

Zielsetzung is die Weiterentwicklung von Lernverhalten für rekurrente neuronale内策mit zeitvarianten Gewichten im Hinblick auf eine Verbesserung der Generalisierungseigenschaften dieser Netzwerke.这是一种方法论和一种有针对性的复杂性。Ziel des methodischen Teilkomplex is die theoretische Weiterentwicklung eines auf Pontryagins Maximumprinzip basierenden Lernverfahrens für rekurrente neuronale Netzwerke. Schwerpunkte dieser Entwicklungen stellen das Training von neuronalen Netzwerken mit verbesserGeneralisierungsfähigkeit sowie eine mögliche Verarbeitung von Signalen variabler Länge dar. Mit den zu entwickelnden Methoden ergibt sich die Möglichkeit eines effizienten Trainings von dynamischen Netzwerken und deren Einestials Klassifikation im Zusammenhang mit einer vorverarbeitungslosen Verarbeitung von biomedizinischen Daten.这将是一个由EP和EEG数据组成的复杂的定向系统。通过EEG数据、听觉和躯体感觉诱发电位，将神经元动态内策与Brust-Onseterkennung结合，对多种维度的信号进行分类。脑电图中的爆发-抑制相可使患者产生强烈的幻觉。

Zielsetzung ist die Weiterentwicklung von Lernverhalten für rekurrente neuronale Netze mit zeitvarianten Gewichten im Hinblick auf eine Verbesserung der Generalisierungseigenschaften dieser Netzwerke. Das Vorhaben ist in einen methodischen und einen anwendungsorientierten Komplex untergliedert. Ziel des methodischen Teilkomplexes ist die theoretische Weiterentwicklung eines auf Pontryagins Maximumprinzip basierenden Lernverfahrens für rekurrente neuronale Netzwerke. Die Schwerpunkte dieser Entwicklungen stellen das Training von neuronalen Netzwerken mit verbesserter Generalisierungsfähigkeit sowie eine mögliche Verarbeitung von Signalen variabler Länge dar. Mit den zu entwickelnden Methoden ergibt sich die Möglichkeit eines effizienten Trainings von dynamischen Netzwerken und deren Einsatz als Klassifikation im Zusammenhang mit einer vorverarbeitungslosen Verarbeitung von biomedizinischen Daten. Dies wird im anwendungsorientierten Komplex anhand von EP- und EEG-Daten umgesetzt. Neben einer Klassifikation verschiedener Narkosezustände anhand von mehrdimensionalen Signalen, die sich aus EEG-Daten, akustisch und somatosensorisch evozierten Potentialen zusammensetzen, sollen dynamische neuronale Netze bei der Brust-Onseterkennung in sog. Burst-Suppression-Phasen in EEGs intensivpflichtiger Patienten eingesetzt werden.