Eine Prognoseeinschätzung bei Patienten mit hypoxischer Enzephalopathie (HIE) nach Reanimation wird frühestens 72 Stunden nach Reanimation empfohlen. Bis zu diesem Zeitpunkt besteht eine für Ärzte und Angehörige belastende prognostische Lücke. Und auch nach 72 Stunden bestehen nur ungenaue Angaben zum weiteren Vorgehen, sodass eine fundierte Prognoseeinschätzung aktuell eine deutliche Herausforderung im Alltag klinisch tätiger Ärzte darstellt. Der Nervus opticus ist als Bestandteil des zentralen Nervensystems mit dem Liquorsystem verbunden. Intrazerebrale Druckerhöhungen wirken sich daher unmittelbar auf die ihn ummantelnde Nervenscheide und deren Durchmesser aus, sodass sich die Bestimmung des Optikusnervenscheidendurchmessers (ONSD) mittels transorbitaler Sonographie in der Diagnostik unterschiedlicher intrakranieller Erkrankungen bereits bewährt hat. Das Krankheitsbild der HIE wurde als weiteres mögliches Einsatzgebiet des ONSD jedoch bisher nicht untersucht. 
Ziel dieser Dissertation war es daher, den ONSD grundsätzlich auf seine Verlässlichkeit als Prognoseparameter bei HIE nach Reanimation zu überprüfen. Besonderes Augenmerk lag hierbei auf der Ermöglichung einer frühzeitigen Prognoseeinschätzung innerhalb von 24 Stunden sowie auf der Definition eines prognostischen Cut-Off-Wertes als klare Entscheidungshilfe für weitere therapeutische Strategien. 24, 48 und 72 Stunden nach Reanimation werden signifikant unterschiedliche ONSD unter überlebenden und verstorbenen Patienten nachgewiesen. Letztere weisen dabei im Vergleich sowohl höhere als auch im zeitlichen Verlauf signifikant ansteigende ONSD-Werte auf. Als prognostischer Cut-Off-Wert konnte eine Grenze bei 5,75mm festgelegt werden. Zusammenfassend stellt die sonographische Bestimmung des ONSD eine sinnvolle Zusatzdiagnostik in der Prognoseeinschätzung bei Patienten mit HIE nach Reanimation dar. / Prognostication of neurological outcome in resuscitated patients with hypoxic-ischemic encephalopathy (HIE) is recommended 72 hours after cardiac arrest. Until this time, there is a prognostic gap that is burdensome for physicians and relatives. And even after 72 hours, there is only imprecise information on the further course of action, so that a well-founded prognostication remains challenging in the everyday life of physicians. As a component of the central nervous system, the optic nerve is connected to the cerebrospinal fluid system. Increase in intracerebral pressure therefore directly affects the optic nerve sheath and its diameter, so that measurement of the optic nerve sheath diameter (ONSD) by means of transorbital sonography has already proven its worth in the diagnosis of various intracranial diseases. However, HIE has not yet been investigated as another possible field of application of ONSD. 
Therefore, the aim of this dissertation was to evaluate the reliability of ONSD as a prognostic parameter in HIE after resuscitation. Particular emphasis was placed on enabling early prognostication within 24 hours and on defining a prognostic cut-off-value as a clear decision aid for further therapeutic strategies. Significantly different ONSD are demonstrated among surviving and deceased patients 24, 48, and 72 hours after resuscitation. The latter show both higher ONSD values and significantly increasing ONSD values over time. A prognostic cut-off value of 5.75mm could be established. In conclusion, sonographic measurement of ONSD is a useful additional diagnostic tool for prognostication in patients with HIE after resuscitation.

Assessment of machine health and prediction of future failures are critical for maintenance decisions. Many of the existing methods use unsupervised techniques to construct health indicators by measuring the disparity between the current state and either the healthy or the faulty states of the system. This approach can work well, but if the resulting health indicators are insufficient there is no easy way to steer the algorithm towards better ones. In this thesis a new method for health indicator construction is investigated that aims to solve this issue. It is based on measuring distance after transforming the sensor data into a new space using a feed-forward neural network. The feed-forward neural network is trained using a multi-objective optimization algorithm, NSGA-II, to optimize criteria that are desired in a health indicator. Thereafter the constructed health indicator is passed into a gated recurrent unit for remaining useful life prediction. The approach is compared to benchmarks on the NASA Turbofan Engine Degradation Simulation dataset and in regard to the size of the neural networks, the model performs relatively well, but does not outperform the results reported by a few of the more recent methods. The method is also investigated on a simulated dataset based on elevator weights with two independent failures. The method is able to construct a single health indicator with a desirable shape for both failures, although the latter estimates of time until failure are overestimated for the more rare failure type. On both datasets the health indicator construction method is compared with a baseline without transformation function and does in both cases outperform it in terms of the resulting remaining useful life prediction error using the gated recurrent unit. Overall, the method is shown to be flexible in generating health indicators with different characteristics and because of its properties it is adaptive to different remaining useful life prediction methods. / Estimering av maskinhälsa och prognos av framtida fel är kritiska steg för underhållsbeslut. Många av de befintliga metoderna använder icke-väglett (unsupervised) lärande för att konstruera hälsoindikatorer som beskriver maskinens tillstånd över tid. Detta sker genom att mäta olikheter mellan det nuvarande tillståndet och antingen de friska eller fallerande tillstånden i systemet. Det här tillvägagångssättet kan fungera väl, men om de resulterande hälsoindikatorerna är otillräckliga så finns det inget enkelt sätt att styra algoritmen mot bättre. I det här examensarbetet undersöks en ny metod för konstruktion av hälsoindikatorer som försöker lösa det här problemet. Den är baserad på avståndsmätning efter att ha transformerat indatat till ett nytt vektorrum genom ett feed-forward neuralt nätverk. Nätverket är tränat genom en multi-objektiv optimeringsalgoritm, NSGA-II, för att optimera kriterier som är önskvärda hos en hälsoindikator. Därefter används den konstruerade hälsoindikatorn som indata till en gated recurrent unit (ett neuralt nätverk som hanterar sekventiell data) för att förutspå återstående livslängd hos systemet i fråga. Metoden jämförs med andra metoder på ett dataset från NASA som simulerar degradering hos turbofan-motorer. Med avseende på storleken på de använda neurala nätverken så är resultatet relativt bra, men överträffar inte resultaten rapporterade från några av de senaste metoderna. Metoden testas även på ett simulerat dataset baserat på elevatorer som fraktar säd med två oberoende fel. Metoden lyckas skapa en hälsoindikator som har en önskvärd form för båda felen. Dock så överskattar den senare modellen, som använde hälsoindikatorn, återstående livslängd vid estimering av det mer ovanliga felet. På båda dataseten jämförs metoden för hälsoindikatorkonstruktion med en basmetod utan transformering, d.v.s. avståndet mäts direkt från grund-datat. I båda fallen överträffar den föreslagna metoden basmetoden i termer av förutsägelsefel av återstående livslängd genom gated recurrent unit- nätverket. På det stora hela så visar sig metoden vara flexibel i skapandet av hälsoindikatorer med olika attribut och p.g.a. metodens egenskaper är den adaptiv för olika typer av metoder som förutspår återstående livslängd.

The growing demand for sustainable technology has led to an increased application of power electronics. As these devices are often exposed to harsh conditions, their reliability is a primary concern for both manufacturers and users. Addressing these reliability challenges involves a set of activities known as Prognostics and Health Management (PHM). In PHM, predicting the Remaining Useful Life (RUL) is crucial. This prediction relies on identifying failure precursors, which signify the presence of degradation. These precursors are then used to construct a degradation model that enables the prediction of the remaining time that the device can work before failure. The project focuses on examining a MOSFET aging dataset from the NASA PCoE dataset depository and a diode aging dataset from Fraunhofer ENAS. The prediction of the remaining useful life of devices using failure precursors has been done by applying recurrent neural network (RNN) methods. However, the prediction results from a single feature is significantly deviated from the actual values. To improve the prediction, the age of the device was proposed as an additional feature. RNNs with a similar number of weights and RNNs with the same hyperparameters are implemented and their performance is evaluated by the accuracy of prediction. The results show that all the RNN models implemented manage to capture the characteristics of the aging data. Despite its simpler structure, the vanilla RNN manages to produce a comparable result with the GRU and LSTM by simpler mechanism and less number of weights. The results also reveal that the characteristics of the data have a significant impact on the final results. / Den växande efterfrågan på hållbar teknik har lett till en ökad tillämpning av kraftelektronik. Eftersom dessa enheter ofta utsätts för tuffa förhållanden är deras tillförlitlighet ett primärt bekymmer för både tillverkare och användare. Att ta itu med dessa tillförlitlighetsutmaningar innebär en uppsättning aktiviteter som kallas Prognostics and Health Management (PHM). I PHM är det avgörande att förutsäga det återstående användbara livet (RUL). Denna förutsägelse bygger på identifiering av felprekursorer, som anger förekomsten av nedbrytning. Dessa prekursorer används sedan för att konstruera en nedbrytningsmodell som möjliggör förutsägelse av den återstående tiden som enheten kan fungera innan fel. Projektet fokuserar på att undersöka en MOSFET-åldringsdataset från NASA PCoE-datauppsättningen och en diodåldringsdataset från Fraunhofer ENAS. Förutsägelsen av den återstående livslängden för enheter som använder felprekursorer har gjorts genom att använda metoder för återkommande neurala nätverk (RNN). Förutsägelseresultatet från en enskild funktion avviker dock avsevärt från de faktiska värdena. För att förbättra förutsägelsen föreslogs enhetens ålder som en extra funktion. RNN med ett liknande antal vikter och RNN med samma hyperparametrar implementeras och deras prestanda utvärderas av förutsägelsens noggrannhet. Resultaten visar att alla implementerade RNN-modeller lyckas fånga egenskaperna hos åldrande data. Trots sin enklare struktur lyckas vanilj RNN producera ett jämförbart resultat med GRU och LSTM genom enklare mekanism och färre antal vikter. Resultaten visar också att uppgifternas egenskaper har en betydande inverkan på de slutliga resultaten.

In recent years, extensive research efforts have been dedicated to the field of prognostics and age-related degradation, with major focus on higher complexity devices. However, relatively little attention has been given to power devices, such as Insulated Bipolar Gate Transistors (IGBTs), despite their critical role in high power electronic applications. These device find their application in various domains, including power grids, where their capability of operating over a broad spectrum of current and voltage levels is a necessity. Because of their central role, their condition can heavily effect the entire system, and the lack of comprehensive understanding and accurate aging prediction for IGBTs poses a significant challenge in ensuring their optimal performance, the deployment of intelligent equipment maintenance and in minimizing the risk of failure. To overcome this research and knowledge gap, the present study focuses on the development and implementation of a Convolutional-Long Short-Term Memory Neural Network, for predicting the value of the component temperature, as the main precursor for its premature aging. Moreover, an incremental learning approach is employed to address the challenges of online learning in real-world scenarios. To evaluate the proposed methodology, a comparative analysis is conducted against a base Long Short-Term Memory (LSTM) model, using an IGBT data set from the NASA Ames Laboratory. The empirical experiments yield promising results, demonstrating that the proposed model outperforms the base LSTM model in terms of accuracy and predictive capabilities. Moreover, the incremental approach appears to be suitable to extend the Convolutional-LSTM model to online learning settings. The findings of this research provide valuable insight into prognostics of power devices and contribute to broaden the field of predictive maintenance, especially in the context of power devices. / Under de senaste åren har omfattande forskningsinsatser ägnats åt prognostik och åldersrelaterad degradering, med fokus på mer komplexa enheter. Kraftelektronik, t.ex. IGBT-transistorer (Insulated Bipolar Gate Transistors), har dock ägnats relativt lite uppmärksamhet, trots deras kritiska roll i elektroniska applikationer med hög effekt. Dessa enheter används inom olika områden, bland annat kraftnät, där deras förmåga att arbeta över ett brett spektrum av ström- och spänningsnivåer är en nödvändighet. På grund av deras centrala roll kan deras tillstånd kraftigt påverka hela systemet, och bristen på omfattande förståelse och exakta åldringsprognoser för IGBT utgör en betydande utmaning för att säkerställa optimal prestanda, implementering av intelligent underhåll av utrustning och för att minimera risken för fel. För att överbrygga denna forsknings- och kunskapslucka fokuserar den här studien på utveckling och implementering av ett neuralt nätverk med faltning och långt korttidsminne för att förutsäga värdet på komponenttemperaturen, som den viktigaste föregångaren till dess för tidiga åldrande. Dessutom används en inkrementell inlärningsmetod för att hantera utmaningarna med online-inlärning i verkliga scenarier. För att utvärdera den föreslagna metoden genomförs en jämförande analys mot en basmodell för Long Short-Term Memory (LSTM), med hjälp av en IGBT-datauppsättning från NASA Ames Laboratory. De empiriska experimenten ger lovande resultat och visar att den föreslagna modellen överträffar den grundläggande LSTM-modellen när det gäller noggrannhet och prediktiva förmågor. Dessutom verkar det inkrementella tillvägagångssättet vara lämpligt för att utvidga Convolutional-LSTM-modellen till onlineinlärningsinställningar. Resultaten av denna forskning ger värdefull insikt i prognostik av kraftaggregat och bidrar till att bredda området för prediktivt underhåll, särskilt i samband med kraftaggregat.