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

نوع مقاله : مقاله های پژوهشی

نویسندگان

1 دانشجوی دکتری ریاضی کاربردی، دانشکده‌ی ریاضی، دانشگاه پیام نور، تهران، ایران

2 دانشیار، گروه مهندسی پزشکی، دانشکده‌ی فنی و مهندسی، دانشگاه اصفهان، اصفهان، ایران

3 دانشیار، گروه مغز و اعصاب، دانشکده‌ی پزشکی، دانشگاه علوم پزشکی مشهد، مشهد، ایران

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.

کلیدواژه‌ها

عنوان مقاله [English]

The Recognition of Migraine Headache by Designing Fuzzy Expert System and Using Learning from Examples (LFE) Algorithm

نویسندگان [English]

  • Monireh Khayamnia 1
  • Mohammadreza Yazdchi 2
  • Mohsen Foroughipour 3
1 PhD Candidate of Applied Mathematics, Department of Mathematics, School of Mathematics, Tehran Payame Noor University, Tehran, Iran
2 Associate Professor, Department of Biomedical Engineering, School of Engineering, University of Isfahan, Isfahan, Iran
3 Associate Professor, Department of Neurology, School of Medicine, Mashhad University of Medical Sciences, Mashhad, Iran
چکیده [English]

Background: The migraine headache is a kind of most populated headache which its prevalence rate is so high. The first step for starting the treatment is the recognition stage. In addition, the fuzzy logic has good power for describing enigmatic and imprecise aspects; so, this tool could be used for the system modeling. This research aimed to recognize the migraine via using fuzzy logic and systems.Methods: A fuzzy expert system for diagnosis of migraine via Learning from Examples (LFE) algorithm was presented. Mamdani model was used in fuzzy inference engine using Max-Min as Or-And operators and Centroid method was used as defuzzification technique.Findings: Using the data of 148 patients, the migraine diagnostic system was trained by LFE algorithm and in average, 80 pieces of If-Then rules were produced for fuzzy system. The accuracy, precision, sensitivity, and specificity of the system were 97%, 80%, 70%, and 94%, respectively. Using the migraine diagnostic system by human experts, it was proved that the system had the ability of correct recognition by the rate of 81%.Conclusion: As the linguistic rules may be incomplete when human expert express their knowledge and according to importance of early diagnosis and favorable results, the LFE training algorithm is more effective than human experts system for recognition of migraine headache.

کلیدواژه‌ها [English]

  • Headache
  • Migraine
  • Fuzzy expert system
  • Learning from examples (LFE) algorithm
  • Recognition

مراجع

  1. Sanchez E. Resolution of composite fuzzy relation equations. Inf Control 1976; 30(1): 38-48.
  2. Sanchez E. Truth-qualification and fuzzy relations in natural languages, application to medical diagnosis. Fuzzy Set Syst 1996; 84(2): 155-67.
  3. Sikchi SS, Sikchi S, Ali MS. Fuzzy expert systems (FES) for medical diagnosis. Int J Comput Appl 2013; 63(11): 7-16.
  4. Adlassnig K. Fuzzy set theory in medical diagnosis. IEEE Trans Syst Man Cybern 1986; 16(2): 260-5.
  5. Phuong NH, Kreinovich V. Fuzzy logic and its applications in medicine. Int J Med Inform 2001; 62(2-3): 165-73.
  6. De SK, Biswas R, Roy AR. An application of intuitionistic fuzzy sets in medical diagnosis. Fuzzy Set Syst 2001; 117(2): 209-13.
  7. 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.
  8. Smets P. Medical diagnosis: Fuzzy sets and degrees of belief. Fuzzy Set Syst 1981; 5(3): 259-66.
  9. 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.
  10. 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.
  11. 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.
  12. 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.
  13. 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.
  14. Wang LX, Mendel JM. Generating fuzzy rules by learning from examples. IEEE Trans Syst Man Cybern 2017; 22(6): 1414-27.
  15. Kia SM. Fuzzy logic using MATLAB. Tehran, Iran: Kian Rayane Sabz Publications; 2010. [In Persian].
  16. Siler W, Buckley JJ. Fuzzy expert systems and fuzzy reasoning. Hoboken, NJ: John Wiley and Sons, Inc.; 2005.
مجله دانشکده پزشکی اصفهان
دوره 34، شماره 416 - شماره پیاپی 416
بهمن و اسفند 1395
صفحه 1680-1685

فایل ها

سابقه مقاله

  • تاریخ دریافت: 15 بهمن 1395
  • تاریخ بازنگری: 11 آبان 1403
  • تاریخ پذیرش: 17 فروردین 1401

هم رسانی

ارجاع به این مقاله

آمار