Photo by ©FAU/Erich Malter

OPEN FAU

Online publication system of Friedrich-Alexander-Universität Erlangen-Nürnberg

The online publication system OPEN FAU is the central publication platform for Open Access publishing for all members of Friedrich-Alexander-Universität. Qualified works from research and teaching may be published here free of charge, either as a primary or secondary publication. The full texts are permanently available worldwide and are findable and citable via catalogues and search engines.


To search for documents in OPEN FAU, please select "Search" (via the magnifying glass at the top right); this will provide you with various search options. If you want to publish a document, go to "Login" and "My Publications". Then drag you document into the field provided and enter the metadata. In just a few steps, you can submit your document. Please note our guidelines, the publication contract and FAQs.

 

Recent Submissions

Doctoral thesis
Unknown
Folgefrequenzen von menschlichen nozizeptiven C-Fasern und deren Modulation durch Methylglyoxal
(2024-04-18) Ries, Vivien; Namer, Barbara
HINTERGRUND UND ZIELE Die diabetische periphere Polyneuropathie geht in ca. 30% der Fälle mit neuropathischem Schmerz einher und beeinträchtigt die Lebensqualität die- ser Patienten maßgeblich. Methylglyoxal (MG), ein Dicarbonyl, das als Ne- benprodukt der Glykolyse entsteht, wurde als wichtiger Mediator der schmerzhaften Polyneuropathie bei Diabetikern identifiziert. MG aktiviert den TRPA 1-Ionenkanal und wirkt an der Modulation von Natriumkanälen mit. Da Natriumionenkanäle, insbesondere Nav 1.7 und Nav 1.8, axonale Eigenschaften der schmerzvermittelnden C-Fasern beeinflussen, könnte die Modulation dieser, bei der Entstehung der schmerzhaften Polyneuropa- thie beteiligt sein. Um also zukünftig kausale Therapieregime zu entwickeln, ist es infolgedessen notwendig zu verstehen, wie die axonalen Eigenschaf- ten von Nozizeptoren durch derartige endogene Metabolite verändert wer- den. Mithilfe der Mikroneurographie ist es möglich, das Aktivitätsausmaß einzelner Nozizeptoren zu beobachten. Dabei werden stets mehrere Ner- venfasern abgeleitet, so dass diese sogenannten Multifaser-Aufnahmen bei der anschließenden Datenanalyse mit Hilfe der Latenzverschiebung von elektrisch ausgelösten Aktionspotentialen in einzelne Fasern aufgeteilt wer- den müssen. Diese erfolgt zwar softwaregestützt, wird jedoch durch Stör- faktoren innerhalb des Experiments limitiert. Um diesen Analyseschritt der Rückrechnung von Latenzverschiebung auf Basis der Anzahl von ausge- lösten Aktionspotentialen zu verbessern, ist es Ziel dieser Arbeit, die Ab- hängigkeit der Latenzverschiebung von der vorangegangenen Nervenfa- seraktivität zu untersuchen. Die Vorhersagewerte könnten auch genutzt werden, um einzelne Aktionspotentiale exakter einer einzelnen Faser zuzu- ordnen. METHODEN (PATIENTEN, MATERIAL UND UNTERSUCHUNGSMETHODEN) Bei 17 jungen gesunden ProbandInnen wurde mittels Mikroneurographie im Hautast des Nervus fibularis superficialis einzelne Nervenfasern identifi- ziert. Diese konnten unter Verwendung der Marking-Methode und mittels der elektrischen Identifikation und der mechanischen Testung in CM- und CMi-Fasern eingeteilt werden. Anschließend wurden die Nervenfasern mit unterschiedlichen elektrischen Pulsprotokollen gereizt und die Nervenleit- geschwindigkeiten aufgezeichnet. Hier standen unterschiedliche Abfolgen von Interimpulsen, also elektrische Impulse, die zwischen regelmäßigen Sti- mulationsimpulsen zusätzlich appliziert wurden, im Fokus. Diese wurden in unterschiedlicher Zahl und mit unterschiedlichen Frequenzen angewendet. Die gewonnenen Messwerte wurden mittels Spike-2 aufgezeichnet, in Dapsys 8 grafisch aufbereitet und anschließend in Excel 2020 konsolidiert und analysiert. Zuerst wurde der Zusammenhang zwischen Latenzver- schiebung und Impulsanzahl untersucht. Darauf aufbauend erfolgte die ei- gentliche Berechnung von Erwartungswerten für die Latenzverschiebung und deren Validierung. Anschließend wurden mit weiteren Analysen der Zu- sammenhang zwischen Latenzverschiebung, Impulsanzahl und Frequenz untersucht, sowie der Einfluss von Methylglyoxal-Injektionen betrachtet, um damit etwaige Limitationen bei der Vorhersage von Latenzverschiebungen identifizieren zu können. Die statistische Datenanalyse erfolgten mittels Statistika 7. ERGEBNISSE UND BEOBACHTUNGEN Für 45 analysierte C-Fasern, davon 25 CM und 20 CMi, konnte für die Fre- quenzen 10, 20 und 50 HZ ein nahezu linearer Zusammenhang zwischen Anzahl von vorangegangenen Aktionspotentialen und der Latenzverschie- bung belegt werden. Darauf aufbauend konnte für eine Frequenz von 10 Hz gezeigt werden, dass ausgehend von der Latenzverschiebung von zwei auf vier Interimpulse, die Berechnung der Latenzverschiebung für 6, 8 und 12 Interimpulse mit den tatsächlich gemessenen Werten sehr gut korreliert. Unter Verwendung eines weiteren Protokolls konnte bewiesen werden, dass bei einer Interimpulszahl von 4 und 6 sowohl CM als auch CMi Fasern ab einer Frequenz von 100 Hz nicht mehr folgen können und daher die Be- rechnung von Erwartungswerten nicht mehr möglich ist. Die Analyse der Latenzverschiebungen bei unterschiedlichen Frequenzen und Interimpuls- zahlen vor und nach Methylglyoxal-Injektion konnte keinen signifikanten Einfluss von Methylglyoxal nachweisen. Damit konnte auch keine Aussage zur Anwendbarkeit der Berechnung von Erwartungswerten für die Latenz- verschiebung bei aktivierenden Stimuli getroffen werden. PRAKTISCHE SCHLUSSFOLGERUNGEN UND DISKUSSION In dieser Arbeit konnte gezeigt werden, dass auf Grund des linearen Zu- sammenhangs zwischen Interimpulsanzahl und Latenzverschiebung eine verlässliche Berechnung der erwarteten Latenzverschiebung möglich ist. Da C-Fasern bei niedrigen Impulszahlen unabhängig von der Frequenz stets folgen können und gleichzeitig ab einer spezifischen Frequenz stets blockieren, ist der Einsatz dieses Berechnungsalgorithmus auf ein gewisses Frequenzspektrum limitiert. Es erscheint logisch, dass der Einsatz des Al- gorithmus auch bei anderen Stimuli (z.B. MG-Injektionen) möglich ist. In dieser Arbeit konnte dies nicht nachgewiesen werden, da die Anzahl der C- Fasern, die vor und nach MG-Injektion zuverlässig beobachtet werden konnten, zu gering war. Die Ergebnisse könnten in Kombination mit zusätz- lichen Tools zur KI gestützten Datenanalyse verwendet werden.
Doctoral thesis
Unknown
Learning Driver Behavior Models for Predicting Urban Traffic Situations
(2024) Sackmann, Moritz; Thielecke, Jörn
An automated vehicle needs to be able to predict the future evolution of a perceived traffic situation to safely and comfortably interact with surrounding vehicles. This work focuses on generating predictions by executing a traffic simulation. The advantage of this simulation-based prediction is that the predictions of all vehicles are constructed simultaneously and can interact with each other. Moreover, conditional predictions become possible, e.g., "How would the traffic situation evolve, if the automated vehicle merges in front of or behind another vehicle?" The behavior model is crucial for the accuracy of the prediction. Therefore, this thesis investigates three approaches to learning a behavior model: Multi-Step Behavior Cloning, Reinforcement Learning, and Inverse Reinforcement Learning. For Multi-Step Behavior Cloning, the behavior model is trained such that it selects an action sequence, and hence a trajectory, as similar as possible to human drivers, starting from the same initial situation. The training requires a differentiable simulation environment, which is introduced in this work. In contrast, the training goal of Reinforcement Learning (RL) is to maximize a hand-defined reward function. With this, explicit goals can be formulated, such as avoiding collisions, remaining on the road, and maintaining safety distances. A modification of the method is proposed to represent different driving styles with one single behavior model, e.g., sporty or careful driving. To model human driving with RL, the reward function must be adapted until the resulting trajectories are similar enough to human trajectories. This tedious procedure can be automatized with Inverse Reinforcement Learning (IRL). To this end, Adversarial Inverse Reinforcement Learning (AIRL) is employed. With the reconstructed reward function, the behavior model is trained in additional fictional critical situations to obtain a more robust model. Finally, all trained models are compared under equal conditions in an untrained roundabout. The IRL algorithms achieve the best results with collision rates below 1% and root mean squared prediction errors (RMSE) below 22m. RL and IRL reduce the collision rate compared to Behavior Cloning, because they directly penalize collisions beyond the goal of pure imitation.
Doctoral thesis
Unknown
Evidential Relevance and Expressiveness of Digital Traces: An Investigative Perspective
(2024) Gruber, Jan; Freiling, Felix
In this day and age, almost any criminal investigation deals with some pieces of digital evidence. Given the wealth of digital data stored on both end-user devices and cloud infrastructure, a tremendous challenge for investigators and prosecutors is to determine the relevant pieces to solve the case; however, given an investigative question, there exists no straightforward method to find "sufficient digital evidence" to do so. Thus, the present thesis leaps to improve the understanding and interpretation of digital traces for criminal investigations on a foundational level. As a unifying result, we propose the Cyber-traceological Model, which provides a general way to translate investigative hypotheses to relevant traces - both in idealized and real-world scenarios. The model is grounded in formal definitions of when traces are generally relevant and how they can be expressive on a conceptual level. Building up on these concepts, we are able to define an investigative knowledge base in a precise manner. For digital systems, we then show how relevance can be determined to fill the knowledge base by calculating necessary and sufficient evidence in state machine representations. We use these concepts to refer to rigorous notions of different classes of reconstructability that investigators can use to uncover and comprehend past events. We expressed the concepts of necessity and sufficiency of digital traces in temporal logic and employed a model checker to calculate traces of those classes based on a model of the system under investigation to demonstrate practical feasibility. Since this necessitates the availability of a representation of the system under investigation as a transition system, which is often hard to achieve in real-world scenarios, we additionally investigate ways of collecting, representing, and using phenomenon-specific knowledge of criminal phenomena to establish a notion of evidential relevance from a more holistic and realistic perspective. Using cognitive maps as a particular form to express node-link relationships, we show how this phenomenon-specific knowledge can build a bridge from abstract process models to case-specific concretizations by constituting a meso-level abstraction supporting the quest to find relevant traces more pragmatically. We vividly illustrate the construction of an instance of such a phenomenon-specific knowledge base and its applicability in the example of botnet crime. Lastly, we study how expressiveness of digital traces could be hampered by undetected contamination effects. Here, we provide a novelly universal definition of evidence contamination - applicable both for physical and digital evidence - and aim to substantiate and validate the proposed definition by presenting examples, counterexamples, and edge cases of contamination of digital evidence to build the grounds for future research improving the understanding of contamination. In essence, the results of this dissertation are aggregated in the proposed Cyber-traceological Model, which systematically sketches out how to translate case-related hypotheses into relevant traces. It aims to span the arc from abstract considerations to concrete investigative work, thus hinting at the potential to solidify the practical application by insights gained from theoretical considerations of fundamental attributes of digital evidence.
Doctoral thesis
Unknown
Maschinelles Lernen zur automatisierten Klassifikation von pädiatrischen Anämien
(2024-04-12) Niemeier, Philipp Alexander; Zierk, Jakob
1.1. Abstract Objectives Anemia is a common laboratory finding in children, caused by a multitude of common to rare and minor to life-threatening diseases. Current diagnostic tests enable early and accurate recognition of the underlying diagnosis, but their use varies with physician experience and patient setting. The age- and sex-dependent dynamics of the blood count additionally complicate the diagnosis in childhood and require support for pediatric decision-making. We investigated whether machine-learning algorithms for the automated interpretation of pediatric blood counts can support the differential diagnosis of anemia. Design & Methods A comprehensive database of pediatric blood counts from different German pediatric departments (14.604 healthy children [Erlangen] and 926 pathological samples: 45.9% iron deficiency anemia [Erlangen], 9.3% Diamond Blackfan anemia [Freiburg], 28.7% myelodysplastic syndrome or severe aplastic anemia [Freiburg], 9.0% vitamin B12- deficiency [Erlangen], and 7.1% heterozygous β-Thalassemia [Berlin]) was used to develop and validate different machine learning models. We used Python and established machine learning algorithms from the scikit-learn library to implement classification methods for the specified diseases. Observations & Results The best performing models predicted the diagnoses in the validation dataset with an accuracy of 96% (95.0 – 97.0%) (classification as either “normal” or “abnormal”) and 84% (78.0 – 90.0%) (classification as “healthy” or specific diagnoses) and a balanced accuracy of 84.0% (78.0 – 90.0%). Even rare diseases (e.g. Diamond Blackfan anemia) were correctly classified with an accuracy of 96.0% (95.8 – 96.2%). Compared to a naive clinical diagnostic pathway, the machine learning algorithms were able to achieve a higher classification accuracy and a higher balanced accuracy. Conclusions We implemented different classification methods for pediatric anemias which achieve very good classification accuracy using only frequently performed laboratory tests. This provides a proof-of-concept application of machine learning algorithms to support the diagnosis of complex hematological diseases in children.
Doctoral thesis
Unknown
Untersuchungen von Unsicherheiten mittels Fuzzy-Zahlen unter Verwendung von Metamodellierung
Schriftenreihe Technische Mechanik : 53, (2024) Oberleiter, Thomas; Willner, Kai
Unsicherheiten in der Berechnung mechanischer Systeme basieren unter anderem auf den in der Realität unweigerlich auftretenden Abweichungen in der Fertigung, denen durch die Vorgabe von Fertigungstoleranzen Rechnung getragen werden muss. Die generelle Berücksichtigung solcher Unsicherheiten ist heute ein gängiges Vorgehen, um Simulationen solcher mechanischen Systeme zu verbessern. Dies steigert jedoch zunächst den Rechenaufwand, so dass hier geeignete Ansätze zur numerischen Behandlung erforderlich sind. Die vorliegende Arbeit ist eingebettet in eine Forschungsgruppe zum interdisziplinären Toleranzmanagement und beschäftigt sich konkret mit der Unsicherheitsbetrachtung unter Verwendung der sogenannten Fuzzy-Unsicherheit. Dabei werden Parameter und Nennmaße eines Bauteils als Fuzzy-Zahlen definiert. Da auch die Fuzzy-Unsicherheit eine hohe Anzahl an Systemauswertungen erfordert, ist sie oftmals nur indirekt anwendbar. Daher werden für komplexe Systeme Ersatzmodelle benötigt, welche in dieser Arbeit in Form von Metamodellen zur Anwendung kommen. Im Rahmen des interdisziplinären Toleranzmanagements müssen komplexe Prozesssimulationen, die eine Art „Black-Box“ darstellen, und aufwändige reale Versuchsdurchführungen in eine gemeinsame virtuelle Betrachtungsweise überführt werden. Der heute gängigste Ansatz der „neuronalen Netze“ kann bei dieser Herangehensweise aufgrund begrenzter Trainingsdaten kaum seine Stärken entfalten, weshalb auf andere Metamodelle zurückgegriffen wird. Geeignetere Ansätze bieten das Kriging-Verfahren oder die Radial Basis Functions. Speziell das Zusammenspiel der Fuzzy-Unsicherheit und dieser Metamodelle ist interessant und bietet großes Potential für wissenschaftliche Untersuchungen. Der Schwerpunkt dieser Arbeit liegt daher in der Optimierung von Metamodellen bei Unsicherheitsbetrachtung mit Fuzzy-Zahlen, die isoliert, aber auch als Zusammenschluss mehrerer Metamodelle betrachtet werden. Hierzu stellt die vorliegende Arbeit verschiedene Ansätze vor: i) Das Verfahren des Fuzzy Orientated Sampling Shift (FOSS), über das im Rahmen der Versuchsplanung die Fuzzy-Unsicherheit bereits in die Erstellung der Metamodelle integriert wird, ii) die direkte Auswertung und Ergebnisinterpretation über Fuzzy-Zahlen mittels des sogenannten O-Indexes sowie iii) die direkte Auswertung und Ergebnisinterpretation über Fuzzy-Zahlen mittels Fuzzy-basierter Sensitivitätsanalyse. Die genannten Ansätze bieten einen praktikablen Umgang beim Aufbau von Metamodellen und lassen sich auch in komplexen Verkettungen von Metamodellen anwenden. Damit eröffnen sie auch in komplexen Strukturen von Metamodellen Optimierungspotential. Anhand analytisch lösbarer Testfunktionen werden die Ansätze demonstriert und schließlich praxisnah auf den Produktlebenszyklus von Zahnrädern als konkretes Beispiel aus dem interdisziplinären Toleranzmanagements angewandt.