1 Bio

sign

ale

un

d B

en

utz

ersc

hn

itts

telle

n –

ED

A m

it A

nw

end

un

gen

Biosignale und Benutzerschnittstellen

Elektrodermale Aktivität (EDA)

Prof. Dr. Tanja Schultz

Dipl. Math. Michael Wand

Vorlesung WS 2012/2013

2 Bio

sign

ale

un

d B

en

utz

ersc

hn

itts

telle

n –

ED

A m

it A

nw

end

un

gen

Literatur für diese Vorlesung

• John L. Andreassi: Psychophysiology: Human Behavior and Physiological Response. Psychological Press, Taylor & Francis Group, Fifth Edition, 2007.

• Foliensatz „Analyse von Hautleitwertdaten als Maß für emotionale Reaktionen“ von Christian Kaernbach, Karl-Franzens-Universität Graz

• Handout zu EDA (elektrodermale Aktivität) von Nicolas Müller am 06.11.2007 http://www.uni-graz.at/~schulter/ANS.pdf (Biologische Psychologie)

• Rainer Schandry: Lehrbuch Psychophysiologie, BeltzPVU, 1998, Kapitel 5

3 Bio

sign

ale

un

d B

en

utz

ersc

hn

itts

telle

n –

ED

A m

it A

nw

end

un

gen

Weitere Quellen

• http://arbeitsblaetter.stangl-taller.at/EMOTION/EmotionPsychophysik.shtml

• http://geb.uni-giessen.de/geb/volltexte/2005/2436/

• http://www.sandralicher.de/Psycho/p-woelk-fragen.html

• http://www2.informatik.huberlin.de/~meffert/Seminararbeiten/Snoezelen/Hautwiderstand/hautwiderstand.ppt

• http://www.psychologie.unizh.ch/klipsypt/lehre/ws0405/biopsych/MBPBWS0405Termin3.pdf

4 Bio

sign

ale

un

d B

en

utz

ersc

hn

itts

telle

n –

ED

A m

it A

nw

end

un

gen

Überblick

• EDA (ElektroDermale Aktivität)

• Einführung

• Anatomie und Physiologie der Haut

• Entstehung von EDA

• Messung und Analyse von EDA-Daten

• Weitere Biosignale

• Pulsfrequenz / Herzschlag

• Atmung

• Anwendungsbeispiele

5 Bio

sign

ale

un

d B

en

utz

ersc

hn

itts

telle

n –

ED

A m

it A

nw

end

un

gen

Definition – Elektrodermale Aktivität

• Elektrodermale Aktivität (EDA) (veraltet: galvanische Hautreaktion, engl. electrodermal activity)

• EDA beschreibt die Veränderung der Leitfähigkeit der menschlichen Haut.

• Diese Aktivität steht oft im Zusammenhang mit physiologischer oder psychologischer Aktivität des Menschen.

• EDA - Sammelbegriff für die elektrischen Phänomene der Haut (Johnson und Lubin, 1966)

6 Bio

sign

ale

un

d B

en

utz

ersc

hn

itts

telle

n –

ED

A m

it A

nw

end

un

gen

Terminologie

• Kleine Übersicht der EDA-Terminologie:

• Hautleitfähigkeit und Hautleitwert oft synonym verwendet

Schandry (1998)

7 Bio

sign

ale

un

d B

en

utz

ersc

hn

itts

telle

n –

ED

A m

it A

nw

end

un

gen

Überblick

• EDA (ElektroDermale Aktivität)

• Einführung

• Anatomie und Physiologie der Haut

• Entstehung von EDA

• Messung und Analyse von EDA-Daten

• Anwendungsbeispiele

• Explicit and implicit responses to environmental sounds

• Weitere Biosignale

• Pulsfrequenz / Herzschlag

• Atmung

• Anwendungsbeispiele

8 Bio

sign

ale

un

d B

en

utz

ersc

hn

itts

telle

n –

ED

A m

it A

nw

end

un

gen

Die Haut

• Sowohl Trennschicht als auch Bindeglied zwischen Körper und Umwelt

• Schutz des Organismus vor physikalischen, chemischen und biologischen Einflüssen

• Reizaufnahme

• Regelung der Wasserabgabe an die Umgebung

• Wärmeregulation

• Abgrenzung des Körpers gegen die Umwelt

• Sinnesorgan (Tasten, Schmerz, Wärme, Kälte, …)

• Organ mit der größten Oberfläche: 1,5 – 2 m²

9 Bio

sign

ale

un

d B

en

utz

ersc

hn

itts

telle

n –

ED

A m

it A

nw

end

un

gen

Aufbau der Haut

• Epidermis (Oberhaut):

• Stratum corneum: besteht aus abgestorbenen, verhornten Zellen

• Stratum lucidum: spielt zusammen mit Stratum corneum wesentliche Rolle bei Wasserregulierung

• Stratum granulosum: bildet Vorstufen der Hornsubstanz

• Stratum spinosum & basale: Stoffwechselprozesse, Regeneration der Hautzellen, Stützfunktion für Oberhaut

• Dermis (Lederhaut): beherbergt Schweißdrüsengänge

• Subcutis (Unterhaut): besteht aus Fettgewebe und hautversorgenden Blutgefäßen und Nerven

Schandry (1998)

10 Bio

sign

ale

un

d B

en

utz

ersc

hn

itts

telle

n –

ED

A m

it A

nw

end

un

gen

Hautleitfähigkeit

• Muskeln und andere Gewebe sind relativ gute Leiter (Elektrolyte)

• Haut vergleichsweise schlechter Leiter

• Hautleitwert reziprok zu Hautwiderstand

• Hautwiderstand feuchte Haut: einige Hundert Ohm

• Hautwiderstand trockene, dicke Haut: Megaohm

• Wert ist abhängig von Feuchtezustand (Schweiß, ionische Leitung), Widerstand sinkt

• Feuchtigkeit der Haut nervös geregelt (psychogalvanische Reaktion)

• Messung der Hautleitfähigkeit durch Anlegen einer niedrigen Spannung und Messung des Stroms, der durch den Kreis fließt

• Schweißdrüsen verhalten sich im Stromkreis wie parallel geschaltete Widerstände bei Aktivierung zusätzlicher Schweißdrüsen steigt Leitfähigkeit linear an

11 Bio

sign

ale

un

d B

en

utz

ersc

hn

itts

telle

n –

ED

A m

it A

nw

end

un

gen

Die Haut - Hautleitfähigkeit

• Subcutis und Dermis gute und stabile Leiter, Epidermis fungiert als Barriere

• Schweißdrüsenaktivität verändert Hautleitwert: Schweiß = NaCl-Lösung Haut besonders leitfähig

• Die Leitfähigkeit ist dort am größten, wo die meisten Schweißdrüsen sind,

• Durchtrennung der Innervationswege oder medikamentöse Blockade (Atropin) eliminiert Hautleitwertsreaktion

Optische Kohärenztomografie der Fingerspitze (Leistenhaut) in vivo mit Schweißdrüsenausgängen, Q: Wikipedia

12 Bio

sign

ale

un

d B

en

utz

ersc

hn

itts

telle

n –

ED

A m

it A

nw

end

un

gen

Schweißdrüsen

• Eine Schweißdrüse (SD) ist eine Drüse in der Lederhaut, die unterhalb der Oberhaut (Epidermis) liegt.

• Der produzierte Schweiß wird von den Poren in der Oberhaut ausgeschieden

• Schweißdrüsen sind exokrine Drüsen (= eine Drüse, die ihre Sekrete mittels eines Ausgangs in einen Körperhohlraum abgibt – im Gegensatz zu endokrinen Drüsen, die Sekrete ins Blut abgeben)

• Innervation der SD durch autonomes NS

13 Bio

sign

ale

un

d B

en

utz

ersc

hn

itts

telle

n –

ED

A m

it A

nw

end

un

gen

Schweißdrüsen

• Verteilung der Schweißdrüsen nicht homogen:

• An Hand- und Fußinnenflächen: über 2000/cm²

• An Rumpf und Extremitäten: ca. 100-200/cm²

• Verantwortlich für Schweißproduktion

• Aufsteigen der Flüssigkeit im Schweißdrüsengang unterstützt von rhythmischen Kontraktionen der umgebenden Myoepithelzellen

• 2 Typen von Schweißdrüsen:

• Ekkrine Drüsen: dienen primär Wärmeregulation und Ausscheidung von Stoffen

• Apokrine Drüsen: Schweißabsonderung wird hormonell angeregt

• Für EDA nur ekkrine SD relevant

14 Bio

sign

ale

un

d B

en

utz

ersc

hn

itts

telle

n –

ED

A m

it A

nw

end

un

gen

Zwei Typen von Schweißdrüsen: Apokrine SD

Die apokrinen Schweißdrüsen (werden auch Duftdrüsen genannt) • geben Duftstoffe ab, die zusammen mit Talgdrüsen für den Körpergeruch

verantwortlich sind • kommen nur in Achselhöhle, Brustwarze, Genitalgegend vor • Durchmesser von 3 bis 5 mm • stehen in enger Beziehung zu den Haarfollikeln

(dort münden die Ausführungsgängen) • werden erst in der Pubertät gebildet • Sekretproduktion wird besonders durch emotionale Reize aktiviert (z. B. Angst,

Erregung, Wut).

15 Bio

sign

ale

un

d B

en

utz

ersc

hn

itts

telle

n –

ED

A m

it A

nw

end

un

gen

Zwei Typen von Schweißdrüsen: Ekkrine SD

Die ekkrinen Schweißdrüsen • sondern Schweiß ab, der von Poren in Oberhaut ausgeschieden wird • Durchmesser von 0,4 mm, umgeben von einer dicken Basalmembran • dienen der Wärmeregulation (physikalisches Prinzip: Verdunstungskälte) • Schweiß sorgt auch für Haut-Geschmeidigkeit und richtigen pH-Wert

• Der Körper des Menschen besitzt 2 bis 4 Millionen ekkrine Drüsen

• Keine Beziehungen zu den Haaren • Ungleichmäßig über Körper verteilt

• Anzahl ist je nach Körperregion unterschiedlich:

• Besonders zahlreich sind sie an Fußsohlen, Handflächen und Stirn • Mit ca. 600/cm² an den Fußsohlen am dichtesten • Mit ca. 100/cm² am Oberschenkel am spärlichsten

16 Bio

sign

ale

un

d B

en

utz

ersc

hn

itts

telle

n –

ED

A m

it A

nw

end

un

gen

Überblick

• EDA (ElektroDermale Aktivität)

• Einführung

• Anatomie und Physiologie der Haut

• Entstehung von EDA

• Messung und Analyse von EDA-Daten

• Anwendungsbeispiele

• Explicit and implicit responses to environmental sounds

• Weitere Biosignale

• Pulsfrequenz / Herzschlag

• Atmung

• Anwendungsbeispiele

17 Bio

sign

ale

un

d B

en

utz

ersc

hn

itts

telle

n –

ED

A m

it A

nw

end

un

gen

Entstehung von EDA

Was ändert sich in der Haut?

• Die Schweißdrüsen sind verstärkt aktiv, dadurch wird mehr Schweiß abgesondert und der elektrische Widerstand der Haut sinkt. Wenn der Schweiß verdunstet, steigt der Widerstand wieder. Da aber auch schon kurz bevor der Feuchtigkeitswert der Haut ansteigt ein Anstieg der Leitfähigkeit gemessen werden kann, kann auch die Aktivität der Schweißdrüsen an sich für kurzzeitige Schwankungen verantwortlich gemacht werden.

Was löst die Veränderung aus?

• Die Schweißdrüsen und damit die EDA werden durch das vegetative Nervensystem gesteuert, welches nicht willentlich beeinflussbar ist. Deshalb gibt der EDA-Wert unverfälschte Antworten, die man nicht direkt beeinflussen kann.

• Allerdings gibt es viele Faktoren, die EDA beeinflussen, z.B.:

• Atmung, Temperatur, Luftfeuchtigkeit, Muskelaktivität

• Die emotionalen Zustände, die meistens das eigentliche Ziel der Messung sind.

18 Bio

sign

ale

un

d B

en

utz

ersc

hn

itts

telle

n –

ED

A m

it A

nw

end

un

gen

Biologische Psychophysiologie

• EDA spielt große Rolle in Psychophysiologie des autonomen Systems • Einfach anzuwenden, billig, und seit 19. Jahrhundert bekannt • Schweißdrüsenaktivität wird von sympathischen Nervenfasern via Acetylcholin

und vom endokrinen System via Noradrenalin-Konzentration im Blutstrom beeinflusst.

• Deshalb gilt EDA als Maß sympathikotoner Modulation • Die beste Hautleitfähigkeit dort, wo die meisten Schweißdrüsen vorhanden

sind (am dichtesten an Hand- und Fußinnenflächen) • Die Durchfeuchtung der Oberhaut führt zu einer drastischen

Leitfähigkeitserhöhung • Durchtrennung der Innervationswege der Schweißdrüsen eliminiert die

Hautleitfähigkeitsreaktion • Hautleitwert ist als Korrelat psychophysiologischer Erregungs- bzw.

Aktivierungszustände anerkannt

19 Bio

sign

ale

un

d B

en

utz

ersc

hn

itts

telle

n –

ED

A m

it A

nw

end

un

gen

Nervensystem – Begriffe

Wir erinnern uns an unser Wissen zum menschliche Nervensystem:

• Nervensystem = Gesamtheit des Nervengewebes als morphologische und funktionelle Einheit mit der Befähigung zur: • Reizaufnahme in den Endapparaten (Rezeptoren), • der spezifischen Erregungsbildung in den Rezeptoren, • der Weiterleitung der Erregung, • der Verarbeitung im Zentralnervensystem, • der Reizbeantwortung zu den peripheren Empfängern (Effektoren)

• Einteilung des Nervensystems (NS)

• Topographisch: Zentralnervensystem (Gehirn und Rückenmark) peripheres Nervensystem (Hirnnerven, Rückenmarknerven) periphere Ganglien

• Funktionell: Animales (somatisches) NS Vegetatives (autonomes) NS

20 Bio

sign

ale

un

d B

en

utz

ersc

hn

itts

telle

n –

ED

A m

it A

nw

end

un

gen

Animales vs Vegetatives NS

• Animales (= somatisches) NS (engl. Voluntary/somatic nervous system)

• Anteil des NS, der die willkürlichen Funktionen des Organismus regelt

• Dient vor allem der Wahrnehmung und Integration von Reizen und zur Steuerung der Motorik

• Vegetatives (= autonomes oder unwillkürliches NS) (engl. Autonomous NS)

• Gesamtheit der dem Einfluss des Willens und dem Bewusstsein primär NICHT untergeordneten Nerven und Ganglienzellen, die der Regelung der Vitalfunktionen (Atmung, Verdauung, Stoffwechsel, Sekretion, Wasserhaushalt, u.a.) dienen

• Gewährleistet das Zusammenwirken der einzelnen Teile des Körpers

• Bildet mit dem System der endokrinen Drüsen und den Körperflüssigkeiten eine funktionelle Einheit

• Enge Wechselbeziehung zwischen vegetativen und seelischen Vorgängen

• Drei Systeme Sympathikus Parasympathikus Intramurales System (Nervenfasern in Herz, Magen, Darm, Blase, …)

21 Bio

sign

ale

un

d B

en

utz

ersc

hn

itts

telle

n –

ED

A m

it A

nw

end

un

gen

Vegetatives NS

• Das vegetative NS reguliert und koordiniert die Funktionen der inneren Organe und passt deren Aktivität an die jeweiligen Bedürfnisse des Gesamtorganismus zweckmäßig an (Herz-, Kreislauf-, Atmungsfunktion, Verdauung, Stoffwechsel, Ausscheidung, Wärme- und Energiehaushalt, Fortpflanzung)

• Nicht oder nur in geringem Maße willkürlich beeinflussbar

• Besteht aus zentralem und peripherem Teil

• Das periphere Nervensystem hat 3 Teile

• das Darmnervensystem • Sympathikus (sympathisches NS): vorwiegend in Richtung

Energieentladung und abbauende Stoffwechselprozesse • Parasympathikus (parasympathisches oder vagales NS):

Energiespeicherung, Erholung und Aufbau

22 Bio

sign

ale

un

d B

en

utz

ersc

hn

itts

telle

n –

ED

A m

it A

nw

end

un

gen

Vegetatives NS

• Das antagonistische Verhalten von Sympathikus und Parasympathikus ergibt synergistische Wirkung

• Erfolgsorgane des Sympathikus sind die glatte Muskulatur der Eingeweide, der Gefäße und der Augen, Herz und Drüsen (Schweißdrüsen, Speichel- und Verdauungsdrüsen)

• Sympathikus innerviert alle Gefäße – Parasympathikus nicht (insbesondere nicht die Schweißdrüsen): darin liegt der entscheidende Unterschied

23 Bio

sign

ale

un

d B

en

utz

ersc

hn

itts

telle

n –

ED

A m

it A

nw

end

un

gen

Überblick

• EDA (ElektroDermale Aktivität)

• Einführung

• Anatomie und Physiologie der Haut

• Entstehung von EDA

• Messung und Analyse von EDA-Daten

• Anwendungsbeispiele

• Explicit and implicit responses to environmental sounds

• Weitere Biosignale

• Pulsfrequenz / Herzschlag

• Atmung

• Anwendungsbeispiele

24 Bio

sign

ale

un

d B

en

utz

ersc

hn

itts

telle

n –

ED

A m

it A

nw

end

un

gen

EDA – Was wird gemessen?

Welche Aktivitäten kann man messen?

• Phasische EDA: Kurzzeitige Anstiege der elektrischen Leitfähigkeit der Haut

• Werden durch einen Reiz hervorgerufen

• Die erhöhte Leitfähigkeit der Haut tritt 0,5 bis 4 Sekunden nach dem Reiz auf und verschwindet schnell wieder

• Je intensiver der Reiz ist, desto kürzer die Reaktionszeit

• Tonische EDA: Messen der Leitfähigkeit der Haut über einen längeren Zeitraum

• Dieser „Pegel“ der Hautleitfähigkeit ändert sich mit emotionalen Zuständen über einen längeren Zeitraum

• Z.B. ruft Angst eine erhöhte tonische EDA hervor

25 Bio

sign

ale

un

d B

en

utz

ersc

hn

itts

telle

n –

ED

A m

it A

nw

end

un

gen

EDA – Wie wird gemessen?

Endosomatische Messung:

• Misst die elektrische Spannung der Haut (ohne Strom anzulegen). Dazu werden winzige Elektroden in die Haut eingestochen und die Aktivität der Nerven in der Haut gemessen. Diese Methode nennt sich auch Hautpotentialmessung (skin potential) und ist heutzutage eher unüblich.

Exosomatische Messung:

• Es wird ein schwacher Strom (ca. 0.5V) an die Haut angelegt und entweder der Strom oder die Spannung konstant gehalten (heute gebräuchliche Methode).

• Spannung konstant = Messung der Leitfähigkeit (häufigste Methode), Damit kann man am besten zwischen 2 Testpersonen vergleichen

• Leitfähigkeit wird in Siemens (1 S = 1/Ω) gemessen. (typisch: 2 – 20μS, phasische Veränderung nur 0.02-1μS).

• Die Elektroden sind aus Silber oder Silberchlorid und werden auf der Handinnenfläche der nicht dominanten Hand angebracht.

26 Bio

sign

ale

un

d B

en

utz

ersc

hn

itts

telle

n –

ED

A m

it A

nw

end

un

gen

EDA – Terminologie

Messung kurz/lang mit/ohne Strom (Wie) (Was) (passiv/aktiv)

Bezeichnung (Englisch)

Kürzel

Endosomatisch Tonisch Kein Strom (aktives Phänomen)

Hautpotentialniveau Skin Potential Level

SPL

Endosomatisch Phasisch Kein Strom (aktives Phänomen)

Hautpotentialreaktion Skin Potential Response

SPR

Exosomatisch Tonisch Gleiche Spannung (passives Phänomen)

Hautleitfähigkeitsniveau Hautleitwertsniveau Skin Conductance Level

SCL

Exosomatisch Phasisch Gleiche Spannung (passives Phänomen)

Hautleitfähigkeitsreaktion Hautleitswertsreaktion Skin Conductance Response

SCR

Exosomatisch Tonisch Gleiche Stromstärke (passives Phänomen)

Hautwiderstandsniveau Skin Resistance Level

SRL

Exosomatisch Phasisch Gleiche Stromstärke (passives Phänomen)

Hautwiderstandsreaktion Skin Resistance Response

SRR

27 Bio

sign

ale

un

d B

en

utz

ersc

hn

itts

telle

n –

ED

A m

it A

nw

end

un

gen

Von den Rohdaten zur Elektrodermalen Reaktion

Das Experiment läuft ähnlich ab wie bei anderen Biosignalen:

• Sensoren anlegen

• Reizgebung

• Aufzeichnen der Daten

Zur Analyse betrachtet man:

• den lokalen Mittelwert

• abgeleitete Maße: Latenz, Amplitude, Anstiegszeit, Halbwertszeit, Abklingzeit

• Parameter der EDR

• Häufigkeitsindex

• Amplituden- und Magnitudenindex

28 Bio

sign

ale

un

d B

en

utz

ersc

hn

itts

telle

n –

ED

A m

it A

nw

end

un

gen

Hautleitfähigkeit - Messung

• Einheit: 1 Siemens = 1 mho = 1 Ohm-1

• Messung üblicherweise an der Hand

• Bipolare Ableitung (unipolar schwierig, da es schwer ist, inaktive Position an Körperoberfläche zu finden)

Schandry (1998)

29 Bio

sign

ale

un

d B

en

utz

ersc

hn

itts

telle

n –

ED

A m

it A

nw

end

un

gen

Messgeräte

• Handschuh mit Hautleitwertsensor und Bluetooth-Schnittstelle

30 Bio

sign

ale

un

d B

en

utz

ersc

hn

itts

telle

n –

ED

A m

it A

nw

end

un

gen

Messartefakte und Spontanfluktuationen

• Gemessen wird in der Regel an der Handinnenfläche, weil dort die dichteste Verteilung von Schweißdrüsen (neben Fußinnenfläche) liegt

• Messartefakte: • Respiratorische Einflüsse

(atembedingte, tiefe Atemzüge, Anhalten des Atems) • Thermoregulatorische Einflüsse

(Messung am besten nur im klimatisierten Labor) • Äußere Hautreizungen • Bewegungsartefakte

• Spontanfluktuationen (SpF) • Individuelle Differenzen in Anzahl und Amplitude • Wert wird üblicherweise in Anzahl pro Minute angegeben • Individuelle Spontanfluktuationsrate wird auch als elektrodermale Labilität

bezeichnen

• SpF nicht zu verwechseln mit Artefakten, die von Einatmen, visuellen Reizen im Labor etc. zustande kommen können

31 Bio

sign

ale

un

d B

en

utz

ersc

hn

itts

telle

n –

ED

A m

it A

nw

end

un

gen

Hautleitfähigkeitsniveau (SCL) – Beispiel

• Akustischer Sinusreize zu 4 Zeitpunkten (vertikale Linien)

• Drei hypothetische Probanden

• Bei den meisten Menschen befindet sich SCL zwischen 1S und 10 S Quelle: http://geb.uni-giessen.de/geb/volltexte/2005/2436/pdf/BurkChristian-2005-10-19.pdf

32 Bio

sign

ale

un

d B

en

utz

ersc

hn

itts

telle

n –

ED

A m

it A

nw

end

un

gen

Mittelwertsbildung

• Mittelwert bilden über die Daten der Ruhephase

• Problem: übliche Spontanfluktuationen können den Wert überschätzen

• Zur Vermeidung oder wenn keine Ruhephasewerte vorhanden

• Mittelung über Werte, die innerhalb der Serie von Reizdarbietung liegen, aber außerhalb des Bereiches der reizbezogenen Reaktion

• Wähle Bereich zum Zeitpunktes des Reizes selbst oder innerhalb der ersten 0,5 Sekunden nach Stimulus-Onset

• Latenz der elektrodermalen Reaktion ist per Definition minimal 0,5sec

• Zwei Mittelwert- ergebnisse

1. Ruhephase (30sec)

2. Mittelung über Werte zum Zeitpunkt der Reizdarbietung

Von http://geb.uni-giessen.de/geb/volltexte/ 2005/2436/pdf/BurkChristian-2005-10-19.pdf

33 Bio

sign

ale

un

d B

en

utz

ersc

hn

itts

telle

n –

ED

A m

it A

nw

end

un

gen

Elektrodermale Verlaufskurve

• Betrachte reizbezogene oder spezifische Elektrodermalen Reaktion (EDR) (engl. event related/oriented response)

• Idealtypische Darstellung einer EDR, die wichtigsten Parameter sind:

• Latenz: der Zeitraum vom Beginn des Reizes bis Einsetzen der Reaktion (Minimum: 0,5-1sec; Maximum 3-5sec)

• Anstiegszeit: von Reaktionsbeginn bis Maximum (0,5 – 5sec, Durchschnitt ca. 2sec)

• Amplitudenkriterium: es müssen 0,02S überschritten werden, um als EDR zu gelten

• Erholungszeit (der Hautleitwert geht meist nicht auf Ausgangs- wert zurück, daher verwendet man eher die Halbwertszeit)

34 Bio

sign

ale

un

d B

en

utz

ersc

hn

itts

telle

n –

ED

A m

it A

nw

end

un

gen

Stimulus

EDA

Latenz

Amplitude A

nst

iegs

zeit

Halbwertszeit

37% 50%

Abklingzeit

Die ideale Gestalt einer EDR

• Wir betrachten eine einzelne EDR (elektrodermale Reaktion)

• Unten im Diagramm ist der Stimulus abgebildet

• Parameter, die von einer idealen einzelnen EDR (Typ 1 nach Boucsein) abgeleitet werden können • Latenz, Amplitude • Anstiegszeit, Halbwerts-/Abklingzeit

35 Bio

sign

ale

un

d B

en

utz

ersc

hn

itts

telle

n –

ED

A m

it A

nw

end

un

gen

Parameter einer EDR

• Häufigkeitsindex: Anzahl der erfolgten Reaktionen 0,02S; hier 15

• Magnitudenindex: arithmetisches Mittel aller Reaktionsamplituden

• Amplitudenindex: wie oben aber Nullreaktionen werden vernachlässigt

• Bereichsnormierungen werden heftig diskutiert (min, max, z-wert, …)

36 Bio

sign

ale

un

d B

en

utz

ersc

hn

itts

telle

n –

ED

A m

it A

nw

end

un

gen

Analyse von EDA-Daten

• mitteln (EEG-Tradition)

• Minima/Maxima (Boucsein)

• template matching

• Wolfram Boucsein (1992), Electrodermal Activity, New York: Plenum Press, p. 132.

• The evaluation of phasic changes mainly focuses on irregularly appearing single events rather than on patterns that may be characterized by changes in frequency and/or amplitude. Hence, common procedures like power spectrum or Fourier analyses cannot be used in obtaining parameters from electrodermal recordings.

• ... most phasic changes of EDA show a rather characteristic course or Gestalt, which enables the experimenter to separate them from artifacts with sufficient reliability. Unfortunately, algorithms for the detection of an EDR Gestalt are not yet available for computer analysis, and therefore it has to be obtained with the visual aid of an experimenter.

37 Bio

sign

ale

un

d B

en

utz

ersc

hn

itts

telle

n –

ED

A m

it A

nw

end

un

gen

Überlappende EDRs

• Typ 2 nach Boucsein: die erste EDR ist separierbar • Minimum zu Maximum • Abziehen der extrapolierten EDR

• Typ 3 nach Boucsein: kein Maximum der ersten EDR • Extrapolation nicht mehr möglich • Wendepunkt versus Summe

38 Bio

sign

ale

un

d B

en

utz

ersc

hn

itts

telle

n –

ED

A m

it A

nw

end

un

gen

Überblick

• EDA (ElektroDermale Aktivität)

• Einführung

• Anatomie und Physiologie der Haut

• Entstehung von EDA

• Messung und Analyse von EDA-Daten

• Weitere Biosignale

• Pulsfrequenz / Herzschlag

• Atmung

• Anwendungsbeispiele

39 Bio

sign

ale

un

d B

en

utz

ersc

hn

itts

telle

n –

ED

A m

it A

nw

end

un

gen

Das Herz

• Faustgroßer Hohlmuskel

• Lage: links unter dem Brustbein zw. 4. und 8. Rippe

• 250 – 500g (abhängig von Trainingszustand)

• Aufbau:

• 2 Vorhöfe (Atrium), 2 Kammern (Ventrikel)

• Pumpleistung durch Herzmuskulatur (links doppelt so dick wie rechts)

• Ringmuskulatur: Hauptteil der Kammerwand

• Herzschlag: bestimmt durch Sinus-Knoten (an Mündung der oberen Hohlvene) elektrische Reize zu den Vorhöfen und Kammern, Kontraktion folgt

• Peripherer Puls: Folgen aus Kontraktion der linken Herzkammer

Wikipedia

40 Bio

sign

ale

un

d B

en

utz

ersc

hn

itts

telle

n –

ED

A m

it A

nw

end

un

gen

Einflüsse auf Herzfrequenz

• Psychische Belastung

• Körperliche Aktivität

• Änderung der Körpertemperatur (z.B. Fieber, Sauna)

• Tauchen

• Aufenthalt in großen Höhen

• Trainingszustand bzgl. der Ausdauer

41 Bio

sign

ale

un

d B

en

utz

ersc

hn

itts

telle

n –

ED

A m

it A

nw

end

un

gen

Phasen der Herzkontraktion

1. Systole: Kontraktion beider Herzkammern (Austreibungsphase)

• Anspannungsphase: Drucksteigerung in Herzkammern, Segelklappen schlagen zu

• Austreibungsphase: Druck steigt bis diastolischer Aortendruck überschritten, Taschenklappen werden aufgesprengt

• Ende: Ventilebene der Segelklappen sinkt Blut wird in Vorhöfe gesogen steiler Druckabfall zum Ausgangswert, Vorhöfe mit Blut gefüllt Taschenklappen schließen sich

2. Diastole: Füllung beider Herzkammern

• Beginn Erschlaffungsphase: keine Herzaktion

• Füllungsphase: Segelklappen öffnen sich, Blut fließt in Kammern, zusätzlich kontrahieren beide Vorhöfe

• Unterstützung der Füllung des linken Ventrikels ohne großen Druckanstieg

• Ende: Segelklappen schließen sich, Windkesselfunktion der Arterien drückt Blut in Taschenklappen

42 Bio

sign

ale

un

d B

en

utz

ersc

hn

itts

telle

n –

ED

A m

it A

nw

end

un

gen

Elektrokardiogramm (EKG)

• Aufzeichnung summierter Aktionspotenziale der Muskelzellen des Herzens

• EKG besteht aus 5 Zacken / Wellen, Bezeichnung geht zurück auf Willem Einthoven

• P-Zacke: Erregung der Vorhöfe

• PQ-Strecke:Dauer der Erregungsleitung vom Sinusknoten zu Purkinje-Fasern

• QRS-Komplex: Erregungsausbrei- tung in Kammermuskulatur

Schandry (2003)

43 Bio

sign

ale

un

d B

en

utz

ersc

hn

itts

telle

n –

ED

A m

it A

nw

end

un

gen

EKG – Ableitung

• Elektroden: üblicherweise Napf- oder Silberplattenelektroden

• Ableitorte für die Standardableitungen und die entsprechenden EKG-Aufzeichnungen nach Einthoven

• Einthoven II am häufigsten verwendete Methode

Schandry (1998)

44 Bio

sign

ale

un

d B

en

utz

ersc

hn

itts

telle

n –

ED

A m

it A

nw

end

un

gen

EKG – Ableitung

• Beispiel für tragbares EKG-System: CorBELT

• Über zwei Hartelektroden aus Edelstahlt wird kontinuierlich 1-Kanal EKG erfasst und analysiert

• Live-Datenübertragung mittels Bluetooth möglich

• Automatische Notruffunktion im Fall von kritischen Zuständen

45 Bio

sign

ale

un

d B

en

utz

ersc

hn

itts

telle

n –

ED

A m

it A

nw

end

un

gen

Photoplethysmographie

• Belastungsfreies und unblutiges Verfahren zur optischen Erfassung der Blutmengenänderung im Gewebe

• Hieraus können Herzrate (anhand der Frequenz) und Blutdruck (anhand Amplitude) abgeleitet werden

• Prinzip:

• Unterschiedliche Durchlässigkeit von durchblutetem und undurchblutetem Gewebe für rotes Licht

• Bei geringem Gefäßdruck ist der Gefäß- durchmesser kleiner und durch das geringere Blutvolumen das Messgebiet heller mehr Licht wird reflektiert.

46 Bio

sign

ale

un

d B

en

utz

ersc

hn

itts

telle

n –

ED

A m

it A

nw

end

un

gen

Photoplethysmographie

• Sensor besteht aus Lichtquelle und photoelektrischem Wandler

• Lichtquelle: meist rot strahlende Leuchtdioden

• Reflektiertes Licht wird über Photowiderstand, Phototransistor oder Photozelle in elektrisches Signal umgewandelt

• Wichtig: während Messung darf kein direktes Licht in photoempfindliches Bauteil fallen

• Zwei Typen von Plethysmographie-Aufnahmegeräten:

A: Messung des durchtretenden Lichts

B: Reflexionslichtmessung

47 Bio

sign

ale

un

d B

en

utz

ersc

hn

itts

telle

n –

ED

A m

it A

nw

end

un

gen

Photoplethysmographie

Schandry (1998)

48 Bio

sign

ale

un

d B

en

utz

ersc

hn

itts

telle

n –

ED

A m

it A

nw

end

un

gen

Überblick

• EDA (ElektroDermale Aktivität)

• Einführung

• Anatomie und Physiologie der Haut

• Entstehung von EDA

• Messung und Analyse von EDA-Daten

• Anwendungsbeispiele

• Explicit and implicit responses to environmental sounds

• Weitere Biosignale

• Pulsfrequenz / Herzschlag

• Atmung

• Anwendungsbeispiele

49 Bio

sign

ale

un

d B

en

utz

ersc

hn

itts

telle

n –

ED

A m

it A

nw

end

un

gen

Atmung

• Innere Atmung / Zellatmung: Stoffwechselprozesse der Zellen

• Äußere Atmung: Ein- und Ausatmung durch die Atmungsorgane

• Inspiration: Einatmung von Sauerstoff

• Exspiration: Ausatmung von Kohlendioxid und anderen ‚Abfallstoffen‘

• Ein- und Ausatmung wird über Zwerchfell und Zwischenrippenmuskulatur gesteuert

50 Bio

sign

ale

un

d B

en

utz

ersc

hn

itts

telle

n –

ED

A m

it A

nw

end

un

gen

Atmung

• Steuerung der Atmung:

• Brustatmung: Thoraxbewegung

• Brauchatmung: Zwerchfellbewegung

Steuerung erfolgt über die vom somatischen Nervensystem versorgte quergestreifte Muskulatur und unterliegt damit auch der willentlichen Kontrolle

• Zusammensetzung der Aus- und Einatmungsluft:

Gas Einatmung Ausatmung

Stickstoff 78% 78%

Sauerstoff 21% 17%

Kohlendioxid 0,02% 4%

Edelgase 1% 1%

51 Bio

sign

ale

un

d B

en

utz

ersc

hn

itts

telle

n –

ED

A m

it A

nw

end

un

gen

Atmung - Ablauf

• Luft gelangt durch Nasenhöhle in Körper

• In Nasenhöhle wird Luft angewärmt und angefeuchtet

• Beförderung über Rachen, Kehlkopf, Luftröhre und Bronchien bis zum Lungengewebe

• Gasaustausch zwischen Luft & Blut findet in Lungenbläschen durch passive Diffusion statt

• Bei passiver Diffusion wird Konzen- tration auf beiden Seiten der alveolokapillären Membran angeglichen

• Beim Ausatmen wird sauerstoff- arme und kohlendioxidreiche Luft nach außen abgegeben

52 Bio

sign

ale

un

d B

en

utz

ersc

hn

itts

telle

n –

ED

A m

it A

nw

end

un

gen

Messung der Atmung

• Messung der Atmung mit Gurt, in dem Dehnungsmessstreifen eingelassen ist

• Gurt wird im unteren Thoraxbereich angelegt es werden sowohl Brust- als auch Bauchatmung erfasst

53 Bio

sign

ale

un

d B

en

utz

ersc

hn

itts

telle

n –

ED

A m

it A

nw

end

un

gen

Überblick

• EDA (ElektroDermale Aktivität)

• Einführung

• Anatomie und Physiologie der Haut

• Entstehung von EDA

• Messung und Analyse von EDA-Daten

• Anwendungsbeispiele

• Explicit and implicit responses to environmental sounds

• Weitere Biosignale

• Pulsfrequenz / Herzschlag

• Atmung

• Anwendungsbeispiele

54 Bio

sign

ale

un

d B

en

utz

ersc

hn

itts

telle

n –

ED

A m

it A

nw

end

un

gen

Multimodale biosignalbasierte Workloaderkennung in einem Fahrzeug

Studienarbeit am Cognitive Systems Lab

von

Jan-Philip Jarvis

Betreuer:

Prof. Dr.-Ing. Tanja Schultz

Dipl.-Inform. Felix Putze

55 Bio

sign

ale

un

d B

en

utz

ersc

hn

itts

telle

n –

ED

A m

it A

nw

end

un

gen

Einführung (1/2)

• Was ist Workload?

• Hart & Staveland:

Eindimensionales Ressourcenmodell

Workload: Verhältnis zwischen benötigter und zur Verfügung stehender Kapazität

• Wickens:

Trennung zwischen kognitiven visuellen Ressourcen

Gesamtworkload einer Belastung ist abhängig vom Grad der Interferenz der benötigten Ressourcen

Grafik: Wikipedia, Workload

56 Bio

sign

ale

un

d B

en

utz

ersc

hn

itts

telle

n –

ED

A m

it A

nw

end

un

gen

Einführung 2/2

• Warum Workload bei Autofahrern erkennen?

• Autofahren alleine benötigt schon Ressourcen (hauptsächlich visuell)

• Erhöhter Workload beeinflusst Fahrverhalten

• Künstliche Fahrerdialogsysteme bald schon Realität?

Diese sollten auf Zustand des Fahrers reagieren können!

• Wieso multimodal?

• Workload beeinflusst verschiedene Biosignale

Robustere Erkennung durch Nutzung mehrerer Informationsquellen

• Die in dieser Vorlesung vorgestellten Biosignale (Herzschlag, Hautleitwert, Atmung) sind verhältnismäßig einfach zu messen und könnten mittelfristig problemlos in Serienfahrzeuge / in die Kleidung etc. integriert werden

Einfach zu nutzende Informationsquelle

57 Bio

sign

ale

un

d B

en

utz

ersc

hn

itts

telle

n –

ED

A m

it A

nw

end

un

gen

Sensoren

Datenhandschuh

Integrierte Sensoren: • Hautleitwert (HLW) • Photoplethysmograph (PPG)

Atemgurt (RESP)

EEG-Stirnband

58 Bio

sign

ale

un

d B

en

utz

ersc

hn

itts

telle

n –

ED

A m

it A

nw

end

un

gen

Versuchsdesign

• Hauptaufgabe: Auto fahren!

• Lane-Change-Task (siehe nächste Folie)

• Dazu Nebenaufgaben

• kognitiver Task

• visueller Task

• Nebenaufgaben können unterschiedliche Schwierigkeitsgrade haben

• 13 Versuchspersonen

• 180 Sekunden Daten pro Versuchsperson und Aufgabe

• Messung der subjektiven Workloadbelastung mittels Fragebögen

59 Bio

sign

ale

un

d B

en

utz

ersc

hn

itts

telle

n –

ED

A m

it A

nw

end

un

gen

Lane-Change-Task (LCT)

• Hauptaufgabe des Fahrers: In virtueller Umgebung (Fahrsimulator) auf der richtigen Spur fahren

• Richtige Spur wird durch Schilder markiert (hier: nur mittlere Spur erlaubt)

60 Bio

sign

ale

un

d B

en

utz

ersc

hn

itts

telle

n –

ED

A m

it A

nw

end

un

gen

Visuelle Nebenaufgabe

• Aufgabe: Finde Symbolgruppe, die größeren Repräsentanten hat

einfach mittel schwierig

Ziel: Gruppe mit dem größeren Repräsentanten bestimmen

61 Bio

sign

ale

un

d B

en

utz

ersc

hn

itts

telle

n –

ED

A m

it A

nw

end

un

gen

Kognitive Nebenaufgaben

• Sequenzielle Kopfrechenaufgabe

• Zufällige Zahlenreihen aus bestimmtem Wertebereich werden vorgelesen

• Überprüfung auf Teilbarkeit durch Konstante c

• Drei Schwierigkeitsgrade:

• Einfach: c=3, Wertebereich [30, 90]

• Mittel: c=6, Wertebereich [60, 180]

• Schwierig: c=7, Wertebereich [70, 210]

• Aufgabe ist so gestellt, dass umfangreiches Sprechen während der Fahrt nicht nötig war (könnte EEG stören)

62 Bio

sign

ale

un

d B

en

utz

ersc

hn

itts

telle

n –

ED

A m

it A

nw

end

un

gen

Ablauf

• Sieben Aufgaben: Baseline-Messung (nur Autofahren), dann drei visuelle und drei kognitive Nebenaufgaben

• 180 Sekunden Daten pro Versuchsperson und Aufgabe

• Merkmalsextraktion auf 60-Sekunden Zeitfenstern

• Messung der subjektiven Workloadbelastung mittels Fragebögen

• Labeling der Daten mit Index der Aufgabenschwierigkeit

63 Bio

sign

ale

un

d B

en

utz

ersc

hn

itts

telle

n –

ED

A m

it A

nw

end

un

gen

Merkmalsextraktion für EEG

Erste Methode: bandbasiert

• Energien in bestimmtem Frequenzbändern (Theta, Alpha, Beta, Gamma) des Signalspektrums liefern Merkmalsvektor

• Zusätzlich: Positionen der Peaks (Maxima) in den Frequenzbändern

Zweite Methode: Welch-Spektrogramm

• Geglättetes Welch-Spektrogramm berechnen

• Über nebeneinanderliegende Frequenzen mitteln

• Signalanteile unter 5 Hz und über 45 Hz entfernen

• Vektor Logarithmieren

• → Als Merkmalsvektor verwenden

64 Bio

sign

ale

un

d B

en

utz

ersc

hn

itts

telle

n –

ED

A m

it A

nw

end

un

gen

Merkmalsextraktion für PPG

• Vorgehen:

• Maximum im Welch-Spektrogramm liefert mittlere Pulsfrequenz

• Bandpassfilterung des Signals mit 0.1 Hz über und unter mittlerer Pulsfrequenz

• Maximalwertsuche in gefiltertem Signal

• Merkmale:

• Mittelwert der Pulsfrequenz

• Varianz der Peak-Abstände

• Verhältnis der Energien in den Bändern 0-0.08 Hz und 0.15-0.5 Hz

65 Bio

sign

ale

un

d B

en

utz

ersc

hn

itts

telle

n –

ED

A m

it A

nw

end

un

gen

Merkmalsextraktion – Hautleitwert

Merkmale:

• Anzahl Startles

• SOD

• SOM

• Geschätze Fläche aller Startles

• Mittelwert des Signals

• Varianz des Signals

66 Bio

sign

ale

un

d B

en

utz

ersc

hn

itts

telle

n –

ED

A m

it A

nw

end

un

gen

Merkmalsextraktion - Atemgurt

Merkmale:

• Mittelwert und Varianz der Atemfrequenz

• Mittlere Einatemtiefe

• Signalenergien in den Frequenzbändern 0-0.1 Hz, 0.1-0.2 Hz, 0.2-0.3 Hz und 0.3-0.4 Hz

67 Bio

sign

ale

un

d B

en

utz

ersc

hn

itts

telle

n –

ED

A m

it A

nw

end

un

gen

Klassifikator

• Support-Vector-Machine (SVM)

• Implementierung libsvm für Matlab

• Kernel: Radial-Basis-Function

• Parameterbestimmung mittels Gridsearch

• Evaluation der Klassifikatoren mittels Kreuzvalidierung

2exp jiji xxγ=x,xK

551

155

...,22

...,22

,

,C

68 Bio

sign

ale

un

d B

en

utz

ersc

hn

itts

telle

n –

ED

A m

it A

nw

end

un

gen

Merkmalsauswahl

• Der Merkmalsraum für das gesamte System (also für alle Modalitäten) entsteht durch Kombination der Merkmalsräume aller Teilsysteme

• Damit ist der Merkmalsraum vermutlich zu groß und enthält schlechte Merkmale

Führe Dimensionsreduktion durch

• Forward-Feature-Selection (FFS):

• Iterativ Merkmale in die Zielmenge mit aufnehmen, solange die Klassifikationsleistung zunimmt

• Messung der Klassifikationsleistung der Merkmalsmengen mittels Kreuzvalidierung

69 Bio

sign

ale

un

d B

en

utz

ersc

hn

itts

telle

n –

ED

A m

it A

nw

end

un

gen

Fusion der Modalitäten

• Feature-Fusion (FF):

• Merkmalsvektor der einzelnen Modalitäten werden konkateniert

• Training eines einzigen Klassifikators auf dem resultierenden Merkmalsvektor

• Decision-Fusion (DF):

• Für jede Modalität wird ein eigener Klassifikator trainiert

• Gewichtete Mehrheitsentscheidung unter allen Klassifikatoren

• Gewichte z.B. durch Leistung auf den Trainingsdaten

70 Bio

sign

ale

un

d B

en

utz

ersc

hn

itts

telle

n –

ED

A m

it A

nw

end

un

gen

Klassifikationsprobleme

Sieben Klassifikationsprobleme wurden betrachtet:

• Trennung zwischen kognitivem und visuellem Workload (2-Klassen-Problem)

• Trennung zwischen visuellen Workloadleveln

• 2-Klassen-Problem: „niedrig“ vs „hoch“

• 3-Klassen-Problem: „niedrig“ vs „mittel“ vs „hoch“

• Trennung zwischen kognitiven Workloadleveln

• 2-Klassen-Problem: „niedrig“ vs „hoch“

• 3-Klassen-Problem: „niedrig“ vs „mittel“ vs „hoch“

71 Bio

sign

ale

un

d B

en

utz

ersc

hn

itts

telle

n –

ED

A m

it A

nw

end

un

gen

Klassifikation Workload-Art

Ergebnisse bei der Klassifikation der Art der kognitiven Belastung:

EEG (Elektroenzephalographie) ist die beste Modalität

PPG HLW RESP EEG SB FF DF

0

10

20

30

40

50

60

70

80

90

100

0

10

20

30

40

50

60

70

80

90

100

46

72 71

82 82 81

72 Bio

sign

ale

un

d B

en

utz

ersc

hn

itts

telle

n –

ED

A m

it A

nw

end

un

gen

Klassifikation visuellen Workloads

Ergebnisse der Klassifikation von visuellem Workload (links niedrig vs hoch, rechts drei Stufen). Die Atmung lieferte hier die besten Ergebnisse.

Visuell zwei Klassen Visuell drei Klassen0

10

20

30

40

50

60

70

80

90

100

48

33

77

58

79

50

82

66

91

72

81

65

95

70

EEG BB

EEG SB

PPG

HLW

RESP

FF

DF

EEG-SB

PPG

RESP

FF

DF

EEG-SB

EEG-BB

HLW

PPG

RESP

FF

DF

EEG-SB E

EG-BB

HLW

73 Bio

sign

ale

un

d B

en

utz

ersc

hn

itts

telle

n –

ED

A m

it A

nw

end

un

gen

Klassifikation kognitiven Workloads

Ergebnisse der Klassifikation von kognitivem Workload (links niedrig vs hoch, rechts drei Stufen). Die Atmung lieferte hier die besten Ergebnisse.

Beobachtung: viele Probanden fanden die hier gestellten Aufgaben recht schwer

50

33

66

41

70

47

76

38

55

38

62

38

73

43

Kognitiv zwei Klassen Kognitiv drei Klassen

0

10

20

30

40

50

60

70

80

90

100

EEG BB

EEG SB

PPG

HLW

RESP

FF

DF

PP

G

RESP

FF

DF

EEG-SB

EEG-B

B

HLW

PP

G R

ESP

FF

DF

EEG-SB

EEG-B

B

HLW

74 Bio

sign

ale

un

d B

en

utz

ersc

hn

itts

telle

n –

ED

A m

it A

nw

end

un

gen

Klassifikation – Kognitiv (2/3)

Neues Experiment: Ergebnisse der Klassifikation Baseline vs niedriger Workload (ALT), verglichen mit dem ursprünglichen Experiment (STD) niedriger Workload vs hoher Workload

EEG BB EEG SB PPG HLW RESP FF DF0

10

20

30

40

50

60

70

80

90

100

43

72

67

87

74

9397

50

6670

76

55

62

73

ALT

STD

75 Bio

sign

ale

un

d B

en

utz

ersc

hn

itts

telle

n –

ED

A m

it A

nw

end

un

gen

Klassifikation – Kognitiv (3/3)

ALT: Baseline vs niedriger Workload vs hoher Workload

STD: Niedriger Workload vs mittlerer Workload vs hoher Workload

EEG BB EEG SB PPG HLW RESP FF DF0

10

20

30

40

50

60

70

80

90

100

32

45

36

62

49

6763

33

41

47

38 38 38

43

ALT

STD

76 Bio

sign

ale

un

d B

en

utz

ersc

hn

itts

telle

n –

ED

A m

it A

nw

end

un

gen

Weiterführende Arbeiten

• Zur Zeit: Auswertung auf 60 Sekunden Fenstern

• → Zu lange für Online-Erkenner

• Merkmale für kürzere Zeitfenster finden

• Komplexeres Workloadmodell für Online-Erkennung