o:788 Monitoring der Aufwachphase beim Pferd Vergleich einer Video Analyse mit einer Orientierungs- und Höhenmessung am Kopf mit einem drahtlosen Sensor de Diplomarbeit - Veterinärmedizinische Universität Wien - 2021 In der vorliegenden Arbeit, wurde im Rahmen einer Pilotstudie an der Veterinärmedizi- nischen Universität Wien untersucht, ob es einen Zusammenhang zwischen Sensordaten (X-DOF) und durch Videoanalyse gewonnene Bewegungsdaten der postoperativen Auf- wachphase nach durchgeführter Allgemeinanästhesie gibt. Der Sensor X-DOF besteht aus den Sensoren Accelerometer, Gyroskop, Magnetometer und Barometer und liefert Werte für yaw, pitch, roll, delta Phi und die Höhe. Anhand des Ablaufs einer postoperativen Aufwach- phase wurde ein Kriterienkatalog für die Auswertung der Videodaten erstellt. Kriterien wurden für die vier Kategorien Lage, Drehung, Kopfbewegung (vertikal) und Kopfbewe- gung (horizontal) erstellt. Die Videos wurden mithilfe von den Computerprogrammen Solomon Coder und BORIS sekundengenau ausgewertet und die Daten anschließend in einer Exceldatei exportiert. Diese Auswertung wurde für fünf verschiedene Pferde durch- geführt. Mögliche Zusammenhänge zwischen den Sensor- und den Videodaten wurden anhand verschiedener Datenvisualisierungen herausgearbeitet. Zur anschließenden Analyse wurde ein neuronales Netz auf Basis eines Teils dieser Daten trainiert und anschließend mit den übrigen Daten überprüft. Insgesamt konnten für die Kategorie Lage bei Pferd 1 61.8% der tatsächlichen Klassen korrekt ermittelt werden, bei Pferd 2 33.8%, bei Pferd 3 85.2%, bei Pferd 4 81% und bei Pferd 5 89.1%. Für die anderen Kategorien konnten deutlich schlechtere Ergebnisse erzielt werden, weshalb in der Arbeit der Fokus auf die Kategorie Lage gelegt wurde. Die Ergebnisse des Trainings des neuronalen Netzes sind vielversprechend und deuten darauf hin, dass ein auf Basis von Sensordaten trainiertes neu- ronales Netz dafür eingesetzt werden kann, die zugehörigen Bewegungen oder Aktivitäten treffend zu ermitteln. Somit könnten VeterinärmedizinerInnen maschinell dabei unterstützt werden, die postoperativen Aufwachphase nach durchgeführter Allgemeinanästhesie zu Überwachen und kritische Situationen zeitnah zu erkennen. Damit könnte ein Beitrag geleistet werden, die Mortalitätsrate bei Pferden während der Aufwachphase nach einer durchgeführten Allgemeinanästhesie signifikant zu verringern. In the present thesis, a pilot study was conducted at the University of Veterinary Me- dicine Vienna to investigate whether there is a correlation between sensor data (X-DOF) and movement data obtained by video analysis of the postoperative recovery phase after performed general anesthesia. The sensor X-DOF consists of the sensors accelerometer, gyroscope, magnetometer and barometer and provides values for yaw, pitch, roll, delta Phi and altitude. Based on the course of a postoperative recovery phase, a criteria catalog for the evaluation of the video data was created. Criteria were created for the four categories position, rotation, head movement (vertical) and Head movement (horizontal). The videos were analyzed to the second using the computer programs Solomon Coder and BORIS. Afterwards the data was exported to an Excel file. This analysis was performed for five different horses. Possible correlations between the sensor data and the video data were reviewed using various data visualizations. For subsequent analysis, a neural network was trained on the basis of part of this data and then tested on the remaining data. Overall, 61.8% of the actual classes could be correctly determined for the category position for horse 1, for horse 2 33.8%, for horse 3 85.2%, for horse 4 81% and for horse 5 89.1%. Significantly worse results were achieved for the remaining categories, which is why in the thesis the focus was put on the category position. The results of the neural network training are promising and indicate, that a neural network trained on the basis of sensor data can be used for the purpose, to accurately determine the movements or activities associated to the sensor data. Therefore, veterinarians could be assisted by neural networks trained to monitor the postoperative recovery phase after general anesthesia and which could then be used to recognize critical situations in a timely manner. 1552151 AC16309002 2021-09-06T13:41:00.474Z 44 no 46 Julia Claus 1552167 Ulrike Auer 1552167 Johannes Schramel application/pdf 12079613 https://phaidra.vetmeduni.ac.at/o:788 no yes 1 70 1740 2021 62 Blätter 2021