دوره 34، شماره 416: هفته چهارم اسفند ماه 1395:1680-1685

تشخیص سردرد میگرنی با طراحی یک سیستم خبره‌ی فازی و به‌ کارگیری الگوریتم یادگیری Learning from Examples (LFE)

منیره خیام‌نیا, محمدرضا یزدچی, محسن فروغی‌پور

چکیده


مقدمه: سردرد میگرنی یکی از انواع سردردها به شمار می‌رود که از شیوع به نسبت بالایی برخوردار است. اولین قدم برای شروع فرایند درمان، تشخیص آن می‌باشد. از آن‌جایی که منطق فازی توانایی بسیار بالایی در توصیف مفاهیم غیر دقیق و مبهم دارد، از این ابزار جهت ‌مدل‌‌سازی ‌استفاده می‌شود. هدف از انجام پژوهش حاضر، تشخیص سردرد میگرنی با استفاده از منطق و سیستم‌های فازی بود.

روش‌ها: با استفاده از منطق فازی و الگوریتم Learning from Examples (LFE)، سیستم خبره‌ای جهت تشخیص میگرن ارایه شد که در آن از موتور استنتاج فازی، مدل استنتاج Mamdani با مشخصه‌های Max-Min به عنوان عملگرهای AND-OR و روش مرکز جرم (Centroid) برای غیر ‌فازی سازی استفاده شد.

یافته‌ها: با استفاده از اطلاعات 148 بیمار، سیستم تشخیص میگرن با الگوریتم LFE آموزش داده شد و به‌ طور متوسط 80 قاعده اگر- آنگاه فازی برای سیستم به‌ دست آمد. صحت سیستم آموزش دیده، 97 درصد و دقت، حساسیت و ویژگی سیستم به ‌ترتیب 80، 70 و 94 درصد گزارش شد. در ارزیابی سیستم تشخیص میگرن با‌ کمک شخص خبره مشخص گردید که سیستم تا ۸۱ درصد توانایی تشخیص درست را دارد.

نتیجه‌گیری: با توجه به این که قواعد زبانی گرفته شده از شخص خبره ممکن است کامل نباشد و با توجه به اهمیت تشخیص به موقع و همچنین، نتایج مطلوب حاصل از به کارگیری الگوریتم یادگیری LFE و ارزیابی سیستم خبره‌ی پیشنهاد شده، این سیستم می‌تواند در تشخیص سردردهای میگرنی بسیار مفید عمل نماید.


واژگان کلیدی


سردرد؛ میگرن؛ سیستم استنتاج فازی؛ الگوریتم Learning from Examples (LFE)؛ تشخیص

تمام متن:

PDF

مراجع


Sanchez E. Resolution of composite fuzzy relation equations. Inf Control 1976; 30(1): 38-48.

Sanchez E. Truth-qualification and fuzzy relations in natural languages, application to medical diagnosis. Fuzzy Set Syst 1996; 84(2): 155-67.

Sikchi SS, Sikchi S, Ali MS. Fuzzy expert systems (FES) for medical diagnosis. Int J Comput Appl 2013; 63(11): 7-16.

Adlassnig K. Fuzzy set theory in medical diagnosis. IEEE Trans Syst Man Cybern 1986; 16(2): 260-5.

Phuong NH, Kreinovich V. Fuzzy logic and its applications in medicine. Int J Med Inform 2001; 62(2-3): 165-73.

De SK, Biswas R, Roy AR. An application of intuitionistic fuzzy sets in medical diagnosis. Fuzzy Set Syst 2001; 117(2): 209-13.

Yao JF-F, Yao JS. Fuzzy decision making for medical diagnosis based on fuzzy number and compositional rule of inference. Fuzzy Set Syst 2001; 120(2): 351-66.

Smets P. Medical diagnosis: Fuzzy sets and degrees of belief. Fuzzy Set Syst 1981; 5(3): 259-66.

Kim YH, Kim SK, Oh SY, Ahn JY. A fuzzy differential diagnosis of headache. J Korean Data Inf Sci Soc 2007; 18(2): 429-38.

Ahn JY, Kim YH, Kim SK. A Fuzzy differential diagnosis of headache applying linear regression method and fuzzy classification. IEICE T Inf Syst 2003; E86-D(12): 2790-3.

Ahn JY, MUN KS, Kim YH, Oh SY, HAN BS. A Fuzzy Method for Medical Diagnosis of Headache. IEICE T Inf Syst 2008; E91-D(4): 1215-7.

Burkhardt DG, Bonissone PP. Automated fuzzy knowledge base generation and tuning. Proceedings of 1st IEEE International Conference on Fuzzy Systems; 1992 Mar 8-12; San Diego, CA, USA. p. 179-88.

Nomura H, Hayashi I, Wakami N. A learning method of fuzzy inference rules by descent method. Proceedings of 1st IEEE International Conference on Fuzzy Systems; 1992 Mar 8-12; San Diego, CA, USA. p. 203-10.

Wang LX, Mendel JM. Generating fuzzy rules by learning from examples. IEEE Trans Syst Man Cybern 2017; 22(6): 1414-27.

Kia SM. Fuzzy logic using MATLAB. Tehran, Iran: Kian Rayane Sabz Publications; 2010. [In Persian].

Siler W, Buckley JJ. Fuzzy expert systems and fuzzy reasoning. Hoboken, NJ: John Wiley and Sons, Inc.; 2005.




Creative Commons Attribution-NonCommercial 4.0

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 Unported License which allows users to read, copy, distribute and make derivative works for non-commercial purposes from the material, as long as the author of the original work is cited properly.