58

Sitzungen

Stellung auf und weist auf die Notwendigkeit hin, a-priori-Wissen einzuführen, das
dann auch die Rolle der Systemgleichung einnimmt.
Ich habe hier nur von den Projekten berichtet, in denen die datengestützte Modell-
bildung im Vordergrund steht. Ich habe nicht erzählt von der Suche nach den Test-
größen, mit denen man aus invasiven EEG-Daten einen epileptischen Anfall Vor-
hersagen will, oder mit denen man aus einem FOT-Signal bei einem CPAP-Gerät vor
einer obstruktiven Schlafapnoe warnen will, und habe auch nicht die Spektralanalyse
erwähnt, mit der man die Diagnose verschiedener Tremorformen unterstützen kann.
Die Bedeutung einer professionellen und mathematisch fundierten Datenanalyse ins-
besondere für das Verständnis komplexer Systeme wird von immer mehr Leuten
erkannt. Die immer stärkere und automatisiertere Produktion von Daten und die
immer größere Komplexität der Systeme legen das zwingend nahe. Schlagwörter
wie ,Aus Information Wissen generieren’ machen die Runde, und immer, wenn
eine eigentlich alte Sache größere Bedeutung erlangt, stellt ein neues Wort sich em, um
dem Gefühl Rechnung zu tragen, dass man etwas ganz Neues im Schilde führt. Hier ist
das neue Wort: Datamining. Unter diesem Begriff subsumiert man alle Methoden der
Datenanalyse, alte und etwas modernere, vorwiegend denkt man an das
Schürfen in großen Datenbeständen. Während die konventionelle Datenanalyse eher
immer von numerischen Daten ausging, denkt man beim Datamining auch an nichtnu-
merische Daten wie Texte, und an entsprechend modifizierte Methoden. So werden bei
Firmen wie Siemens oder ABB Abteilungen für Datamining installiert, neue Firmen auf
der Basis entsprechender Geschäftsmodelle entstehen, Funktionsbeschreibungen für
neue Lehrstühle enthalten das Wort und Konferenzen zum Datamining prosperieren.
Wenn man auch skeptisch gegen Modetrends sein muss, hier immerhin würde ein
Modewort ein nützliche und unabdingbare Sache fördern: Die Analyse komplexer
Systeme mit Hilfe der Methoden der mathematischen Statistik und Stochastik.
Ich danke den Mitarbeitern HD Dr. J. Timmer und Dr. T. Roths für die Unterstüt-
zung bei der Abfassung des Manuskripts.
Ausgewählte Literatur:
Becker J., D., Honerkamp, J., Hirsch, J., Fröbe, U., Schlatter, E., Greger, R., 1994,
Analyzing Ion Channels with Hidden Markov Models, Pflügers Archiv, 426,
328-332
Klein S., Timmer J., Honerkamp J., 1997, Analysis of multichannel patch clamp recor-
dings by Hidden Markov Models, Biometrics 53 (3), 870-884
S. Michalek, H. Lerche, M. Magner, N. Mitrovic, M. Schiebe, F. Lehmann-Horn, J.
Timmer: On Identification of Na+ channel gating schemes using moving-average
filtered hidden Markov models. European Biophysics Journal, 28, 1999, 605-609
M. Wagner, S. Michalek, J. Timmer: Estimating transition rates in aggregated Markov
models of ion-channel gating with loops and with nearly equal dwell times, Pro-
ceedings of the Royal Society London B, 266, 1999, 1919-1926
S. Michalek, M. Wagner, J. Timmer: A new approximative likelihood estimator for
ARMA-filtered hidden Markov models, IEEE Transactions on Signal Processing
48, 2000, 1537-1547
J. Hansen, D. Maier, J. Honerkamp, W. Richtering, M. F. Horn, and H. Senff , 1999,
Size Distributions out of Static Light Scattering: Inclusions of Distortions from the
Experimental Set, e.g. a SOFICA goniometer, J. Coll. Interf. Sei. 215, 72—84