Die Vorteile eines Hybrid-CIs aus meiner Sicht

[fast-foot]

Da die beim Hörgesunden das Innenohr an sehr vielen Stellen gleichzeitig gereizt werden kann, diese jedoch in einem hohen Masse unabhängig voneinander weiter geleitet werden können und die weitere Verarbeitung in den aufsteigenden Hörbahnen ab dem Innenohr bis mindestens zum Mittelhirn hochgradig parallel abläuft (Stichwort Ortsprinzip), ist es für ein natürliches Hören unabdingbar, dass der Hörnerv an sehr vielen Stellen gleichzeitig stimuliert werden kann.

Ein CI kann diese Bedingung nur unzureichend erfüllen, wie die unter folgendem Link abrufbare Textstelle aufzeigt:

http://www.uzh.ch/orl/events/medak/ma_ci/Manus_ci.pdf

"Als Reizformen kommen sinusoidale (analoge) oder pulsatile Signale zur Anwendung.Bei der analogen Stimulation wird das Signal ähnlich wie bei einem konventionellen Hörgerät gefiltert und komprimiert und dadurch an den eingeschränkten elektrischen Dynamikbereich angepasst. Sobald allerdings mehrere nahe beeinander liegende Reizorte vorhanden sind, ergeben sich Lautheitssummationen durch Stromüberlagerungen. Biphasische Pulse erlauben demgegenüber eine zeitlich besser kontrollierbare Reizung als analoge Sinussignale. Bei der Stimulierung von mehreren Kanälen können Interferenzen vermindert werden, indem die Kanäle zeitlich versetzt ("interleaved") aktiviert werden. Nachteilig wirkt sich unter Umständen bei der sequentiellen Stimulation die verminderte Zeitauflösung aus, da pro Reizpuls immer nur die Information eines Frequenzbandes übertragen wird, die anderen also inaktiv
bleiben."

Probleme treten also auf, wenn die verschiedenen Töne innerhalb etwa einer Oktave liegen (was fast immer der Fall ist) oder wenn in einem akustischen Signal mehr als etwa sechs Töne gleichzeitig vorhanden sind (was nur bei ausgesprochen künstlichen Signalen nicht der Fall ist).

Hieraus folgt, dass das Auftreten von Problemen der Normalfall ist; sozusagen systemisch bedingt durch die Funktionsweise des CIs.

Als ich mich mit dieser Problematik näher auseinander gesetzt habe, dachte ich daran, dass bei vielen Hörgeschädigten im Tieftonbereich oftmals ein ganz gutes Hörvermögen vorhanden ist. Das heisst, dass hier das Gehör nach wie vor seine natürlichen Stärken mehr oder weniger uneingeschränkt ausspielen kann.
Dieser Bereich erstreckt sich oftmals bis Frequenzen um 1 kHz. In diesem Bereich ist also weiterhin eine mehr oder weniger uneingeschränkte leistungsfähige Aufnahme und Verarbeitung der akustischen Signale möglich.

Wenn man nun den für das Erkennen von Musik funktional wichtigen Bereich bis höchstens 8 kHz nimmt und mit dem noch vorhandenen, einigermassen gut funktionierenden Bereich des Gehörs vergleicht, so stellt man fest, dass tiefe Frequenzen bis 1 kHz etwa sechs Oktaven abdecken, während bis 8 kHz nur drei weitere hinzu kommen.

Nutzt man nun die trotz gewisser Einschränkungen vielfach immer noch zur Aufnahme und Verarbeitung unglaublich vieler (akustischer und auch "strategisch wichtiger") Informationen vorhandene Fähigkeit des Gehörs aus, indem man sie weiterhin konventionell mittels Hörgerät versorgt, so kann man unglaublich viel von den nicht durch ein CI zu ersetzenden Fähigkeiten des Gehörs beibehalten, während man gleichzeitig explizit nur die etwa drei Oktaven, in welchen das Gehör kaum mehr funktioniert, mittels CI versorgt.

Diese Idee hat die Firma MED-EL umgesetzt mit seinem Hybrid-CI. Der meiner Einschätzung nach bestechende Vorteil diesser Technik wurde mir erst bewusst, als ich seit langem wieder ein mal etwas detaillierter über die Funktionsweise des CIs nachgedacht habe.

Ein Nachteil könnte darin bestehen, dass die Elektrode weniger tief eingeführt wird und somit bei (z.B. durch die Operation möglichem) Verlust des Tieftongehörs eine Einschränkung gegenüber "normalem CI" besteht, wobei bei Fabrikaten der Firma MED-EL generell die Elektroden etwas tiefer eingeführt wird als bei den Konkurrenzprodukten.

Fazit:

Aus klanglicher und funktionaler Sicht des Gehörs dürfte die Verwendung eines Hybrid-CIs, insbesondere in Bezug auf das Hören von Musik, eigentlich die besten Resultate hervor bringen.

Gruss fast-foot

ABBC3_OFFTOPIC

"Anhang Teil 1": "Kleiner Exkurs" in die Neurophysiologie und anverwandte Gebiete

Ich beginne mit einer ausschnittsweisen Betrachtung von Aspekten der neurophysiologischen Grundlagen (die Links verweisen meist nicht auf Seiten, aus welchen ich meine Informationen beziehe, sondern sollen lediglich Erklärungen veranschaulichen und sind für diesen Zweck gut geeignet).

Auf Wikipedia heisst es diesbezüglich unter anderem:

"Forschungsgegenstand der Neurophysiologie ist unter anderem die neuronale Aktivität und Plastizität. Im Mittelpunkt stehen dabei die dynamischen Prozesse sowohl in der einzelnen Nervenzelle als auch die ganzer Netzwerke von Neuronen, den sog. neuronalen Netzen (I), aber auch die integrative Tätigkeit verschiedener neuraler Netzwerke."

http://de.wikipedia.org/wiki/Neurophysiologie

"Die Elektrophysiologie ist ein Teilbereich der Neurophysiologie, die sich mit der elektro-chemischen Signalübertragung im Nervensystem befasst."

Wichtig ist in diesem Zusammenhang auch der Begriff Signaltransduktion.

In Bezug auf das Gehör kann ich an Hand des Beispiels der inneren Haarzellen im Innenohr auf diese Textstelle verweisen (wobei hier Neurotransmitter als Stimuli fungieren):

"Der Anfangspunkt eines Signaltransduktionsprozesses ist ein intrazellulärer oder extrazellulärer Stimulus.

Extrazelluläre Stimuli können Substanzen wie Hormone, Wachstumsfaktoren, Extrazelluläre Matrix, Zytokine, Chemokine, Neurotransmitter und Neurotrophine sein."

http://de.wikipedia.org/wiki/Signaltransduktion

Eine Form von Auditorischer Neuropathie kann sich in einer Störung der Neurotransmitterausschüttung (präsynaptisch) am Uebergang zum Hörnerv äussern.

"Intrazelluläre Stimuli, wie z. B. Calciumionen (Ca2+), sind oft selbst Bestandteil von Signaltransduktionskaskaden."

Hierbei denke ich an die äusseren Haarzellen im Innenohr (durch Oeffnen der Ionenkanäle deren Stereozilien (ausgelöst durch eine Verschiebung der Tiplinks wegen einer Aenderung der relativen Position der Stereozilien auf Grund einer mechanischen Verschiebung in Folge eines akustischen Reizes) strömen Calcium-Ionen in die Zelle ein, was eine Absenkung des (relativen) Ruhepotentials und somit (bei Unterschreiten eines kritischen Schwellwertes) die Bildung eine Aktionspotentials auslöst).

Des weiteren:

"Methoden der neurologischen Elektrophysiologie sind z.B. Elektroenzephalographie (EEG), die Messung evozierter Potentiale (somatosensorisch, motorisch, visuell oder akustisch evoziert), die Elektroneurographie und die Elektromyographie (EMG)."

http://de.wikipedia.org/wiki/Elektrophysiologie

Besonders die Messmethoden BERA (EEG), TEOAEs und DPOAEs (akustisch evoziert) sind aus Sicht der Diagnostik von Hörstörungen interessant.

Forschungsgegenstand sind mitunter auch neuronale Netze (siehe oben (I)):

http://de.wikipedia.org/wiki/Neuronales_Netz

Diesbezüglich heisst es auf der velinkten Seite:

"Neuronale Netze sind ein Versuch, die Struktur und Informationsarchitektur eines Nervensystems von Tieren oder Menschen reduziert abzubilden."

Des weiteren:

"Über das Lernen in neuronalen Netzen gibt es verschiedene, inzwischen gut standardisierte Theorien."

http://de.wikipedia.org/wiki/Hebbsche_Lernregel

"Hebb gilt damit als der Entdecker der synaptischen Plastizität, welche die neurophysiologische Grundlage von Lernen und Gedächtnis darstellt.[1]"

Hierbei spielen die Lernregeln eine wichtige Rolle. Die Hebb'sche Lernregel drückt einfach gesagt aus, wie ("biologisches") Lernen funktioniert (bzw. kann mittels ihr diese Art des Lernens modelliert werden).

Eine weitere Regel ist die Delta-Regel, über welche es in Wikipedia heisst:

Delta-Regel:

"Von 1957-1958 entwickeln Frank Rosenblatt und Charles Wightman den ersten erfolgreichen Neurocomputer, mit dem Namen Mark I Perceptron. Der Computer konnte mit seinem 20 x 20 Pixel großen Bildsensor bereits einfache Ziffern erkennen. Im nachfolgenden Jahr formuliert Rosenblatt das Perceptron-Konvergenz-Theorem. 1960 stellen Bernhard Widrow und Marcian E. Hoff das ADALINE (ADAptive Linear Neuron) vor.[3] Dieses Netz erreichte als erstes weite kommerzielle Verbreitung. Anwendung fand es in Analogtelefonen zur Echtzeit-Echofilterung. Das Neuronale Netz lernte mit der Deltaregel."

http://de.wikipedia.org/wiki/K%C3%BCnst ... nales_Netz

[fast-foot]

ABBC3_OFFTOPIC

"Anhang Teil 2":

Eine weitere Regel ist die Delta-Regel, über welche es in Wikipedia heisst:

Delta-Regel:

"Von 1957-1958 entwickeln Frank Rosenblatt und Charles Wightman den ersten erfolgreichen Neurocomputer, mit dem Namen Mark I Perceptron. Der Computer konnte mit seinem 20 x 20 Pixel großen Bildsensor bereits einfache Ziffern erkennen. Im nachfolgenden Jahr formuliert Rosenblatt das Perceptron-Konvergenz-Theorem. 1960 stellen Bernhard Widrow und Marcian E. Hoff das ADALINE (ADAptive Linear Neuron) vor.[3] Dieses Netz erreichte als erstes weite kommerzielle Verbreitung. Anwendung fand es in Analogtelefonen zur Echtzeit-Echofilterung. Das Neuronale Netz lernte mit der Deltaregel."

http://de.wikipedia.org/wiki/K%C3%BCnst ... nales_Netz

Mit einer Erweiterung der Deltaregel arbeitet Backpropagation; ein Lernverfahren, welches auf so genannten feedforward-Netzen angewendet wird:

http://de.wikipedia.org/wiki/Backpropagation

Dort heisst es unter anderem:

"Backpropagation oder auch Backpropagation of Error bzw. auch Fehlerrückführung[1] (auch Rückpropagierung) ist ein verbreitetes Verfahren für das Einlernen von künstlichen neuronalen Netzen."

Dieses Verfahren wird unter anderem auch für die Optimierung der Einstellung von Hörgeräten verwendet:

http://www.google.com/patents/EP0712263A1?cl=de

ABBC3_OFFTOPIC

In der etablierten Literatur (nicht nur im Wikipedia-Beitrag) hat sich jedoch ein Fehler eingeschlichen, wie ich gleich aufzeigen werde.

Im Abschnitt "Ableitung der Fehlerfunktion" heisst es nämlich

"Dabei ist

...

delta_j das Fehlersignal des Neurons j,

..."

Dies kann nicht zutreffen, da ich diese Aussage sehr einfach widerlegen kann:

Wenn der Algorithmus, welcher den Gesamtfehler mininiert, terminiert, so ist (im Idealfalle) die Ableitung dieses Gesamtfehlers nach jeder Kante gleich Null. Hieraus folgt wegen

Dreieck w_ij = - nabla * (dE / dw_ij) = nabla * delta_j * x_i

und dem Umstand, dass nabla eine Konstante (ungleich null) ist, dass delta_j oder x_i gleich null ist. Da x_i nicht gleich null sein kann (gehen wir bei der Aktivierungsunktion phi von einer sigmoiden Funktion gemäss Beispiel aus), muss delta_j gleich null sein.

Da jedoch der Gesamtfehler nach Terminierung des Verfahrens normalerweise nicht gleich null ist (nur in Ausnahmefällen), ergibt sich hieraus ein Widerspruch (der Fehler delta_j jedes Neurons ist gleich null, obwohl der Gesamtfehler ungleich null ist*).

*) dass in einer Organisation kein einziger Akteur einen Fehler macht, das Gesamtresultat jedoch eine Katastrophe ist, kommt in der Realität nicht vor - ausschliesslich in Politik und Verwaltung...

Trotz dieses offensichtlichen Widerspruchs hat sich dieser Irrtum (meinen kurzen diesbezüglichen Recherchen zu Folge) in der gesamten Fachliteratur etabliert (es handelt sich also nicht bloss um einen Fehler auf der Wikipedia-Seite).

Nebenbei:

Es wurde auch schon versucht, Neuronale Netze für das akustische Modell im Zusammenhang mit Spracherkennung zu verwenden.

http://de.wikipedia.org/wiki/Spracherkennung

Spracherkennung:

"Neuronale Netze

Alternativ wurden auch schon Versuche unternommen, neuronale Netze für das akustische Modell zu verwenden. Mit Time Delay Neural Networks sollten dabei insbesondere die Veränderungen im Frequenzspektrum über den Zeitablauf hinweg zur Erkennung verwendet werden. Die Entwicklung hat durchaus positive Ergebnisse gebracht, wurde letztlich aber zugunsten der HMMs wieder aufgegeben."

Darüber hinaus können Neuronale Netze in der Medizin auch für diagnostische Zwecke eingesetzt werden, wie die unter folgendem Link eingestellte Doktorarbeit aufzeigt:

http://www-brs.ub.ruhr-uni-bochum.de/ne ... n/diss.pdf

ABBC3_OFFTOPIC

Beim Stumdium der Methodik sind mir einige Fehler aufgefallen, welche ich hier erläutern möchte.

Auf s. 66 heisst es:

"Die Elemente des Vektors n^1 werden jeweils als Argument der Transferfunktion f_rad übergeben. Der Ausgang a^1 der ersten Schicht ist damit ebenfalls ein S X 1 Vektor, dessen Elemente jeweils Aehnlichkeitsmasse des Eingangsvektors c zu den jeweiligen Vektoren der Matrix W darstellen."

Dies ist falsch. Der Ausgang a^1 ist variabel (er beeihnaltet so viele Komponenten, wie der jeweiligen Klasse (der Q Klassen) Merkmalsvektoren zugeordnet sind). Jedes Neuron in dieser Schicht repräsentiert eine der Q Klassen; jede dieser Klassen besitzt unter Umständen eine andere Anzahl an Vektoren, welche diese repräsentieren. Das entsprechende Neuron dieser Klasse weist demnach genau so viele Eingänge auf, wie Repräsentanten (in Form von Merkmalsvektoren) für diese Klasse vorhanden sind.
Ausserdem wurden die Aehnlichkeitsmasse des Eingangsvektors c zu den jeweiligen Vektoren der Matrix W ja bereits zuvor bestimmt, wie vorhergehende Textstelle beweist:

"Es werden dann die euklidischen Distanzen gemäss Gl. 4.12 zwischend dem Eingangsvektor c und jedem der S Vektoren der Matrix W berechnet und jeweils mit dem Bias b multipliziert."

Zur Erklärung: Die euklidische Distanz ist ein Aenhlichkeitsmass.

Ausserdem:

"In der zweiten Schicht erfolgt eine Aufsummierung derjenigen Elemente des Vektors a^1, die jeweils zu einer der Q Klassen gehören. Der Netzeingang n^2 ist damit ein Q X 1 Vektor, dessen Elemente Wahrscheinlichkeiten für die Zugehörigkeit des Eingangsvektors c zu einer der Q Klassen gehören."

Dies trifft ebenfalls nicht zu, da diese "Aufsummierung" (genau betrachtet geschieht einiges mehr**) bereits in der vorhergehenden Schicht erfolgt ist. Es erfolgt lediglich die Bestimmung des Maximums des Eingangs (bzw. die Bestimmung der Komponente des Eingabevektors dieser Schicht, welche die grösste Uebereinstimmung zu einer der Q Klassen repräsentiert und eine entsprechende Zuordnung des Eingabevektors (des gesamten Neuronalen Netzes) zu einer der Q Klassen, welche durch die Ausgabe kodiert wird.

**) die mit den Komponenten der Gewichtsmatrix des jeweiligen Neurons der Musterschicht multiplizierten Komponenten des Eingangsvektors (dieser Schicht) werden aufsummiert, hiervon der Wert eins subtrahiert, das Ganze durch das Quadrat des Streuparameters sigma dividiert und dann vom so erhaltenen Wert die Exponentialfunktion gebildet

[maxebaumann]

Meine Erfahrung, ein Hybrit Wertet das CI ungemein auf.

[Uli R.]

Ich kenne recht viele Implantierte mit EAS und alle sind begeistert.
Das ist Fakt! Die Flasche kann halb leer sein, sie kann aber auch halb voll sein.

[maxebaumann]

Ich Sage mal so, ohne hybrid ist die Flasche
halb leer. Mit Hybrid ist sie jetzt 3/4 voll.