Das Beobachten ist eine wichtige Tätigkeit eines Wissenschaftlers. Quantifiziert man die Beobachtungen und schreibt sie über die Zeit auf, so erhält man Signale, die die zeitliche Veränderung des beobachteten Systems beschreiben und die für Aussagen über das System genutzt werden können. Diese empirische Herangehensweise wird seit der Renaissance in der Wissenschaft genutzt und durchdringt heutzutage alle Realwissenschaften. In dieser Dissertation wird eine Methode für die computergestützte Analyse von systembeschreibenden Signalen entwickelt. Die Aufgabe der Methode soll das Zerlegen der Signale in Segmente mit konstantem Systemverhalten sein. Die computergestützte Analyse hat den Vorteil, dass eine objektive und reproduzierbare Entscheidung gefällt wird. Des Weiteren können mit dem Computer Datenmengen verarbeitet werden, die manuell nur mit einem unverhältnismäßigen Personalaufwand möglich wären. Ein Beispiel sind die Analyseverfahren in der Intensivmedizin. Eine objektive und fortlaufende Segmentierung der gemessenen Signale bedeutet hier, den Gesundheitszustand des Menschen zu beschreiben, was Voraussetzung für eine sachgemäße Behandlung ist. Weitere Anwendungsgebiete der Segmentierung lassen sich in allen Realwissenschaften finden, darunter ist die Ursachenforschung der Veränderungen im globalen Klima, das Erkennen von Trends im Wirtschaftssystem oder die Beurteilung des Zustands einer Industrieanlage, um die Qualität des Endproduktes zu gewährleisten. In der Dissertation wird ein spezielles, bisher nicht zufriedenstellend gelöstes, Segmentierungs-Problem angegangen. Es handelt sich um die Segmentierung eines zeitdiskreten Signals dessen Verlauf aus einer Verkettung von Rampensprüngen besteht. Ein Rampensprung ist ein linearer Übergang zwischen zwei konstanten Phasen. Der Rampensprung beinhaltet die in der Literatur oft vorkommenden Profile Sprung und Rampe. Deshalb kann der Algorithmus auch auf alle Probleme angewendet werden, bei denen man sich sonst für eines dieser Profile entscheiden musste. Der Algorithmus wird im folgenden als SEMUG bezeichnet welches ein Akronym für Sequential Detection of Multiple Gradual Changes ist. Die Segmentierung eines zeitdiskreten Signals ist ein endliches Suchproblem in der Menge aller denkbaren Segmentierungen. Die Mächtigkeit dieser Menge steigt exponentiell mit der Signallänge was eine vollständige Suche unmöglich macht. SEMUG umgeht das Problem durch die Anwendung einer sequentiellen Methode, die Segmente in chronologischer Reihenfolge detektiert. Die Güte von SEMUG wird in der Dissertation anhand theoretischer Betrachtungen, simulierter Signale und durch die Anwendung auf physiomotorische Signale bewertet. Neben dem Algorithmus und anderen wissenschaftlichen Erkenntnissen, wird eine Methode zur Parametrisierung von SEMUG entwickelt, die ausschließlich auf visuell bestimmbaren Größen beruht. Statistische Kenngrößen der gemessenen Signale, die üblicherweise zur Parametrisierung notwendig sind, müssen nicht bekannt sein. Dadurch wird die Hürde zur Anwendung verringert. Diese Dissertation bietet eine Lösung für ein offenes Problem aus dem Gebiet der Segmentierung von Signalen. Durch die Arbeit an diesem Problem sind neue offenen Fragen entstanden. Eine der wichtigsten ist, ob ein komplexeres Signalmodell die Güte tatsächlich erhöht und ob durch diese Erhöhung der Komplexität die Robustheit von SEMUG beeinträchtigt wird. Beides werden wichtige Fragen für weiterführende Forschungsprojekte sein.    «

Das Beobachten ist eine wichtige Tätigkeit eines Wissenschaftlers. Quantifiziert man die Beobachtungen und schreibt sie über die Zeit auf, so erhält man Signale, die die zeitliche Veränderung des beobachteten Systems beschreiben und die für Aussagen über das System genutzt werden können. Diese empirische Herangehensweise wird seit der Renaissance in der Wissenschaft genutzt und durchdringt heutzutage alle Realwissenschaften. In dieser Dissertation wird eine Methode für die computergestützte Anal...    »