Using Machine Learning for Optical Spectroscopy Data Analysis

Ein gesunder Lebensstil erhält fortschreitend immer mehr an Relevanz. Um einen solchen gesunden Lebensstil führen zu können, ist es wichtig ein genaues, schnelles und kostengünstiges Feedback zur eigenen Ernährung bekommen zu können. Das Ziel von Sensoren, die auf dem Prinzip der sogenannten multiplen ortsaufgelösten Reflexionsspektroskopie basieren, ist es, solches Feedback zur Verfügung zu stellen. Bisherige Algorithmen zur Datenauswertung von diesen Sensoren stellen allerdings sehr hohe Anforderungen an die Produktionsgenauigkeit. Eine hohe Produktionsgenauigkeit wiederum sorgt für hohe Produktionskosten, welche in Kombination mit dem geringen Anwendungsspektrum die Wirtschaftlichkeit bei Endkunden reduziert. Um Produktionskosten gering zu halten ist es also nötig, neue Algorithmen zu entwickeln, die ausreichend tolerant zu Produktionsschwankungen sind. In dieser Dissertation wird eine neuartige Architektur von neuronalen Netzen vorgestellt, die sogenannten Continuous Feature Networks. Diese Continuous Feature Networks sind gut für die Art der vorhandenen Sensordaten geeignet. Zusätzlich sind sie in der Lage, den Einfluss von Produktionsschwankungen zu kompensieren. Weiterhin können Continuous Feature Networks Sensordaten auswerten, bei denen Teile der Daten einer Messung fehlen. Diese Fähigkeit erlaubt es, einige Sensorkomponenten zu ignorieren, wenn diese von Produktionsfehlern betroffen sind. In dieser Dissertation werden die Continuous Feature Networks eingeführt, trainiert, und anhand von echten Sensordaten untersucht. Um das Training dieser Netze zu unterstützen, wird eine Methode des teilüberwachten Lernens eingeführt und untersucht, welche die bereits vorhandenen Datensätze nutzen kann. Auf Basis der Fähigkeit, auch Messungen mit fehlenden Daten auswerten zu können, wird eine neue Methode des Bereichs erklärbare künstliche Intelligenz eingeführt, die es erlaubt, die Quellen von Messfehlern genauer zu quantifizieren. Die neuen Methoden werden in den Prozess der Messdatenauswertung integriert, wodurch die Ansprüche an die Produktionsgenauigkeit gesenkt werden können. Gleichzeitig steigt dabei die Genauigkeit der Messdatenauswertung. Dadurch kann eine signifikante Reduktion des Produktionsausschusses, und damit auch der Produktionskosten erreicht werden. Weiterhin erlaubt die erhöhte Genauigkeit der Messdatenauswertung, das bisher nicht detektierbare Vitalparameter mit der existierenden Sensorik analysiert werden können.