Tiefes Multi-Task-Lernen für die SSVEP-Erkennung und die Abbildung visueller Antworten

Grüner Star ist eine Augenerkrankung, die sich in frühen Stadien ohne erkennbare Symptome manifestiert, wodurch eine späte Diagnose zu einer irreversiblen Degeneration der retinalen Ganglienzellen führt. Die standardisierte automatische Perimetrie gilt als Goldstandard zur Beurteilung des Grünen Stars; sie ist jedoch subjektiv, wobei die Reaktionen bei wiederholten Tests stark schwanken können, was die Interpretation der Ergebnisse erheblich erschwert. In dieser Studie präsentieren wir einen Ansatz, der eine schnelle point-of-care-Diagnostik für Glaukompatienten ermöglichen soll, indem der kognitive Aspekt der bestehenden visuellen Felduntersuchung eliminiert wird. Im Gegensatz zu etablierten Verfahren, die sich überwiegend auf die Genauigkeit der Fovea-Zielerkennung konzentrieren, setzen wir eine Multi-Task-Lernarchitektur ein, die gleichzeitig Signale aus der Fovea und den benachbarten Zielorten im peripheren Gesichtsfeld effizient erfasst und eine visuelle Antwortkarte generiert. Darüber hinaus haben wir ein Multi-Task-Lernmodul entwickelt, das mehrere Aufgaben gleichzeitig und effizient erlernt. Wir haben unser Modell an einem Datensatz mit 40 Klassen evaluiert und erzielten dabei eine Genauigkeit von 92 % und einen F1-Score von 95 %. Unser Modell funktioniert in einer kalibrationsfreien, benutzerunabhängigen Szenario, was für klinische Diagnosen von großem Vorteil ist. Unser vorgeschlagener Ansatz könnte einen wesentlichen Schritt hin zu einer objektiven Beurteilung des visuellen Feldes bei Glaukompatienten darstellen.