Ob EEG, EKG, oder Blutabnahme: In der Medizin werden jede Menge Daten ausgewertet, um die Krankengeschichte von Patienten zu dokumentieren. Und sie im besten Fall wieder gesund zu machen. Um diese sogenannten time series data – Daten, die zu verschiedenen Zeitpunkten aufgenommen werden, um etwaige Veränderungen zu erkennen – zu sammeln, werden hochentwickelte Sensoren verwendet. Wie konstruiert man solche Sensoren am besten? Wie lässt sich mit ihnen die medizinische Behandlung von Menschen verbessern und wie kann man die gesammelten Daten am genauesten auswerten?
Um Fragen wie diese ging es auf der Konferenz “BioNanoNet Focus on Sensortechnology“ auf der auch Know-Center-Experte Vedran Sabol, Head des Forschungsbereichs Knowledge Visualization, seine Expertise weitergab. Unter dem Titel „Visualization and Interactive Analysis of Sensor Data“ gab er Einblicke in die Möglichkeiten, gesammelte Daten zu visualisieren und interaktiv zu analysieren.
Prinzipiell gibt es zwei Möglichkeiten, Daten auszuwerten. In der ersten Variante werden Computer-Algorithmen eingesetzt, in der zweiten das menschliche Gehirn mit dem visuellen Sinnesempfindungsapparat. In den meisten Fällen greift man auf beide Methoden zurück. Man setzt auf eine leistungsstarke Zweier-Kombi aus Mensch und Maschine, um die jeweiligen Vorteile auszuschöpfen. „Wenn es darum geht, lange Zahlenreihen auszuwerten, sind Computer natürlich viel leistungsstärker als das menschliche Gehirn“, erklärt Vedran Sabol. „Doch im Erkennen von bestimmten Mustern sind wir Menschen nach Milliarden von Jahren der Evolution wahre Weltmeister. Wir erkennen gewisse visuelle Muster in Sekundenschnelle, ohne darüber überhaupt nachdenken zu müssen. Pre-attentive visual processing, nennt man das. Kombiniert man beide Methoden, bekommt man das Beste aus beiden Welten.“
Doch auch wenn das menschliche Gehirn zweifelsohne genial ist, das Auswerten von riesigen Datenmengen ist trotzdem nicht immer einfach. Schwierig wird es etwa, wenn viele Sensoren eine ungemein große Anzahl von Signalen aufzeichnen. Oder wenn Signale über einen großen Zeitraum hinweg gemessen werden, so dass die Datenmenge unüberschaubar wird. „Wenn diese Schwierigkeiten auftreten, müssen wir auf Methoden der Vereinfachung, auf visuelle Aggregation und Kompression setzen“, erklärt Sabol. Und beide sind wichtige Forschungsthemen in der Area Knowledge Visualization, in der generell versucht wird komplexe Infos und Zusammenhänge sichtbar zu machen. Leicht verständlich und überzeugend.
Vedran Sabol: „Im Erkennen von Mustern sind wir Menschen wahre Weltmeister.“
Sabol ging in seinem Vortrag auch auf Themen wie Clustern und Filtern von Daten ein. „Vielen unserer Kunden ist es natürlich auch wichtig, typische Muster in ihren Daten automatisch zu erkennen. Zum Beispiel dann, wenn es darum geht bestimmte Fehlerquellen zu erkennen und anschließend zu eliminieren. In solchen Fällen ist es wichtig, dass Experten visuelle Benutzerschnittstellen dafür nutzen können, den Algorithmen ihr Wissen beizubringen.“ Die Zusammenarbeit zwischen Mensch und Maschine soll also in beiden Richtungen passieren. Generell sei es im Vortrag darum gegangen, mögliche Probleme der Datenauswertung und die interaktiven Technologien, mit denen man sie lösen könnte, vorzustellen. Sabol: „Die konkreten Lösungen erarbeiten wir dann in enger Zusammenarbeit mit unseren Kunden.“