Entwicklung eines künstlichen neuronalen Netzes zur Feststellung einer genetischen Prädisposition zum Alkoholismus anhand von EEG-Messungen

Abstract

Alkoholismus ist eine Erkrankung, die nicht nur den Betroffenen selbst, sondern auch ihren Mitmenschen, insbesondere ihren Nachkommen, Schaden zufügt. Eine genetische Veranlagung zur Entwicklung dieser Sucht ist vererbbar und kann mithilfe von EEG-Messungen vor Ausbruch der Krankheit festgestellt werden. Die Automatisierung dieses Prozesses könnte das medizinische Personal entlasten und die Auswertung von mehr Messungen in kürzerer Zeit ermöglichen. Zur Realisierung dieses Lösungsansatzes beschäftigt sich diese Bachelorarbeit mit der Entwicklung eines künstlichen neuronalen Netzes zur Untersuchung des Vorhandenseins von Veranlagungen zum Alkoholismus bei Testpersonen. Ziel der Arbeit ist es, ein automatisiertes System zu konstruieren, das auf Basis von EEG-Messungen eine genetische Prädisposition zur Entwicklung von Alkoholabhängigkeit mit hoher Wahrscheinlichkeit erkennen kann. Die hierfür verwendeten Daten wurden von der University of California, Irvine bereitgestellt und anhand des KDD-Prozesses für das Training des Modells vorverarbeitet. Für den Aufbau des neuronalen Netzes wurde die Feedforward-Architektur verwendet und dessen Hyperparameter mithilfe der Python-Bibliothek Optuna optimiert. Im Laufe des Umsetzungsprozesses wurden mehrere Architektur- und Hyperparameteranpassungen ausprobiert u.a. das Einbauen von Oversampling sowie von Cross-Validation. Insgesamt erreichte das effizienteste Modell eine Genauigkeit von 86% und einen Alkoholiker-Recall von 85%.

Alcoholism is a disease that not only harms those affected, but also their fellow human beings, especially their offspring. A genetic predisposition to developing this addiction is hereditary and can be detected using EEG measurements before the onset of the disease. Automating this process could relieve the burden on medical staff and enable more measurements to be analysed in less time. To realise this approach, this bachelor thesis deals with the development of an artificial neural network to investigate the presence of predispositions to alcoholism in test subjects. The aim of the thesis is to construct an automated system that can recognise a genetic predisposition to the development of alcohol dependence with a high probability on the basis of EEG measurements. The data used for this purpose was provided by the University of California, Irvine and pre-processed using the KDD process for training the model. The feedforward architecture was used to build the neural network and its hyperparameters were optimised using the Python library Optuna. In the course of the training process, several architecture and hyperparameter adjustments were tried out, including the adding of oversampling and cross-validation. Overall, the most efficient model achieved an accuracy of 86% and an alcohol recall of 85%.