Xem mẫu
- Tuyển tập Hội nghị Khoa học thường niên năm 2019. ISBN: 978-604-82-2981-8
XÂY DỰNG MÔ HÌNH HỖ TRỢ CHẨN ĐOÁN BỆNH
DỰA TRÊN HỆ SUY DIỄN MỜ PHỨC MAMDANI
Lương Thị Hồng Lan1, Nguyễn Khánh Tùng2
1
Trường Đại học Thủy lợi, email: lanlhbk@tlu.edu.vn
2
Trường Đại học Điện lực
1. GIỚI THIỆU CHUNG những chẩn đoán chính xác về bệnh thần kinh
ngoại. Frolova và cộng sự đã sử dụng hệ suy
Chẩn đoán y tế là dự báo khả năng mắc
bệnh của bệnh nhân dựa vào những thông tin, diễn mờ để xác định suy tim cấp tính.
triệu chứng mà bệnh nhân gặp phải. Nó đóng Gayathri và Sumathi lại hỗ trợ trong việc xác
vai trò quan trọng trong quy trình điều trị của định khối u ung thư bằng suy luận mờ
bệnh nhân và cũng là trung tâm trong y học Mamdani.
lâm sàng. Do đó, việc đảm bảo và nâng cao Thakur và cộng sự [10] đã sử dụng hệ suy
chất lượng chẩn đoán là vấn đề đang được diễn mờ MAMDANI để chẩn đoán bệnh
quan tâm hàng đầu tại Việt Nam cũng như Thalassemia. Sardesai và cộng sự lại nghiên
trên thế giới. cứu giảm thiểu sự phức tạp của bệnh phụ
Zadel đã phát triển lý thuyết lập luận mờ khoa bằng hệ suy diễn mờ Mamdani. Gần
nhằm đưa ra một cách biểu diễn và lập luận đây, Nazaria và cộng sự đã đưa ra cách tiếp
với những thông tin ngôn ngữ không chính cận mới dựa trên hệ suy diễn mờ để chẩn
đoán khả năng phát triển bệnh tim ở
xác. Đó là xây dựng hệ cơ sở tri thức (dựa
bệnh nhân.
trên các luật If... then) và xây dựng các lập
Từ những kết quả nghiên cứu về hệ mờ đã
luận tương ứng với cơ sở tri thức đó (dựa trên
có, tôi nghiên cứu hệ mờ phức và áp dụng để
giá trị của biến ngôn ngữ đã được xây dựng
xây dựng hệ suy diễn Mamdani dựa trên tập
trên nền tảng mờ).
mờ phức.
Các hướng nghiên cứu ứng dụng mờ trong
chẩn đoán y tế chủ yếu dựa trên hai hướng 2. HỆ SUY DIỄN MỜ PHỨC
chính là các hệ thống học mờ được xây dựng
2.1. Tập mờ phức
từ việc kết hợp hệ suy diễn với các phương
pháp mờ như các phương pháp dựa trên luật Khái niệm về tập mờ phức (Complex
mờ, hệ chuyên gia mờ, suy diễn mờ... và các Fuzzy Set - CFS) và logic mờ phức
hệ thống học mờ được xây dựng dựa trên mô (Complex Fuzzy Logic - CFL) đã được đề
hình mạng noron. Bài báo này tập trung vào xuất bởi Ramot và các cộng sự như là một
phần mở rộng của lý thuyết tập mờ và logic
ứng dụng hệ suy diễn mờ trong chẩn đoán y tế. mờ. Một tập mờ phức được đặc trưng bởi
Một vài ví dụ về ứng dụng của hệ suy diễn một hàm thuộc giá trị phức μs(x) mà phạm vi
mờ trong y tế bao gồm nhóm tác giả Adeli và giá trị của nó là đường tròn đơn vị trong
Neshat đã thiết kế một hệ mờ chuyên gia để không gian phức, và được biểu diễn có dạng:
chẩn đoán bệnh tim. Lee và Wang đã cung
cấp một hệ chuyên gia mờ cho một ứng dụng μ S ( x ) = rS ( x ).e( jωS ( x ) , j = −1
hỗ trợ ra quyết định bệnh tiểu đường. Trong đó: rs(s) là biên độ và ωs(x) pha, và
Kunhimangalam và cộng sự áp dụng kĩ cả 2 đều là các hàm có giá trị thực với điều
thuật suy luận mờ Mamdani để hỗ trợ đưa ra kiện rs(s) ∈ [0,1]. Pha bổ sung thêm một số
216
- Tuyển tập Hội nghị Khoa học thường niên năm 2019. ISBN: 978-604-82-2981-8
thông tin mở rộng liên quan tới chu kì không Bước 1: Mô tả triệu chứng bệnh
gian và thời gian trong tập mờ đã được xác S = (S1,..., Sm) đầu vào thành các tập mờ
định bởi biên độ. phức ( Biên độ là các giá trị thuộc tính; Pha
là mối liên hệ giữa các thuộc tính bệnh)
2.2. Xây dựng hệ suy diễn mamdani trên
Ở đây, tôi sử dụng hàm mờ phức Gaussian
tập mờ phức (MCFIS)
[7]
Hệ suy diễn mờ phức chủ yếu gồm 4 thành cGaussian ( x,m,σ ,λ ) = rS ( x,m,σ ) exp ( jωs ( x,m,σ ,λ ) )
phần: Các luật mờ phức, một bộ mờ hóa với và là biên độ và pha của hàm thuộc
phức, một cơ chế suy diễn phức và một bộ mờ phức và được định nghiã như sau
giải mờ phức. Quá trình suy diễn này bao
⎡ ⎛ x−m⎞ ⎤
2
gồm 4 bước: rS ( x,m,σ ) = Gaussian ( x,m,σ ) = exp ⎢−0.5 ⎜ ⎟ ⎥
Bước 1: Xây dựng các vùng mờ phức. ⎣⎢ ⎝ σ ⎠ ⎦⎥
Trong bước này tôi sẽ xây dựng các vùng ⎡ ⎛ x−m⎞ ⎤ ⎛ x−m⎞
2
mờ phức bằng cách chia thành từng khoảng ωs ( x,m,σ ,λ ) = − exp ⎢ −0.5 ⎜ ⎟ ⎥ x⎜ 2 ⎟ x λ
⎣⎢ ⎝ σ ⎠ ⎦⎥ ⎝ σ ⎠
miền và mỗi miền sẽ chứa lớp giá trị mờ
phức của hàm thuộc đối với đầu vào hoặc với {m, σ, λ}là trung bình, dải của hàm
đầu ra. Gaussian và yếu tố tần số pha của hàm thuộc
Bước 2. Sinh các luật mờ phức. mờ phức, x là một thành phần thuộc không
Trong bước này, tôi sẽ tạo ra các luật mờ gian nền U
phức từ các dạng dữ liệu số để xác định độ Bước 2: Xây dựng hệ luật mờ phức
thuộc giá trị phức từ mỗi cặp dữ và tạo ra luật - Khởi tạo bộ luật mờ phức
đầu vào- đầu ra. - Xây dựng bộ luật mờ tối ưu bằng cách
Bước 3. Tối ưu hoá bộ luật mờ phức. Khi loại bỏ các luật dư thừa, luật yếu
snh được tập các luật từ dữ liệu ban đầu, ta Trong quá trình xây dựng bộ luật mờ phức,
thực hiện giản lược kích thước của cơ sở luật chúng tôi sử dụng phép kéo theo của
phức này và loại bỏ các xung đột. Mỗi một Mamdani trên tập mờ phức.
luật phức được gán một mức độ giá trị phức ⎛ ω ( x) ω ( y) ⎞
j 2π ⎜ A . B ⎟
dựa trên tích hợp tối đa của các tập dữ liệu μ A→ B ( x, y ) = ( rA ( x ) .rB ( y ) ) .e ⎝ 2π 2π ⎠
đầu vào và các tập dữ liệu đầu ra riêng biệt. Bước 3. Thực hiện quá trình suy diễn dựa
Bước 4. Ánh xạ đầu ra thông qua giải mờ trên bộ luật mờ tối ưu đã xây dựng ở bước 2
phức. Trong giai đoạn cuối cùng này tôi thực Bước 4. Giải mờ phức để tính toán kết quả
hiện đưa ra ánh xạ giữa đầu vào và đầu ra cho giá trị đầu ra có bệnh/ không có bệnh
bằng cách giải mờ phức của các dữ liệu đầu Mô hình hỗ trợ chẩn đoán bệnh bao gồm 2
vào. phần chính: phần thứ nhất dành cho chuyên
2.3. Xây dựng mô hình hỗ trợ chẩn đoán gia để thực hiện quá trình tạo ra hệ thống cơ
bệnh dựa trên MCFIS sở luật phức ban đầu, phần thứ hai được dùng
để suy luận ứng với giá trị các triệu chứng
Trong mô hình bài toán hệ hỗ trợ quyết bệnh đầu vào. Quá trình suy luận chẩn đoán
định dựa trên tập mờ phức có đầu vào là n bệnh được thực hiện thông qua hệ suy diễn
bệnh nhân với các triệu chứng bệnh của mỗi mờ phức để từ đó có thể có được giá trị
bệnh nhân, ta cần nội suy ra yếu tố đầu ra tức đầu ra.
chẩn đoán bệnh nhân có bệnh hay không?
Input: P = (P1,..., Pn) là danh sách các 3. THỰC NGHIỆM
bệnh nhân, S = (S1,..., Sm) là triệu chứng
Output: Nhãn bệnh (có bệnh/ không Tập dữ liệu thực nghiệm
có bệnh) Hệ hỗ trợ chẩn đoán bệnh được thực hiện
Việc xác định chẩn đoán bệnh được thực trên 5 bộ dữ liệu bệnh: Trong đó 3 bộ dữ liệu
hiện dựa trên tập mờ phức theo các bước sau: ILPD (Indian Liver Patient Dataset), LD
217
- Tuyển tập Hội nghị Khoa học thường niên năm 2019. ISBN: 978-604-82-2981-8
(Liver-Disorders) và PIDD (Pima Indians 5. TÀI LIỆU THAM KHẢO
Diabetes Dataset) được lấy từ kho dữ liệu [1] Adeli, A., Neshat, M. (2010). A fuzzy
UCI Machine Learning Repository; còn 2 bộ expert system for heart disease diagnosis.
dữ liệu Benchmark dataset Diebetes và Lecture Notes in Engineering and Computer
Benmark dataset Heart thì được lấy từ Đại Science. Hong Kong. March.
học Vanderbit. [2] Frolova, N., Bakal, J. A., McAlister, F. A,
Thực nghiệm Rowe, Kaul, P., (2015). Assessing the use
of international classification of diseases-
Ngôn ngữ cài đặt thực nghiệm là Matlab
10th revision codes from the emergency
2014. Độ đo Accuracy (Acc) được dùng để department for the identification of acute
đánh giá và so sánh hiệu năng của các thuật heart failure, 3(5), 386-91.
toán được cài đặt trong bài báo này. Các [3] Gayathri, B. M., & Sumathi, C. P. (2015).
phương pháp để so sánh chẩn đoán bệnh gan Mamdani fuzzy inference system for breast
gồm có: suy diễn mờ Mamdani (MFIS), cancer risk detection, 2015 IEEE
Sugeno (SFIS), hệ suy diễn dựa trên tập mờ International Conference on (pp. 1-6). IEEE
[4] Kunhimangalam, R., Ovallath, S., &
trực cảm (IFIS) và hệ suy diễn Mamdani trên
Joseph, P. K. (2014). A clinical decision
tập mờ phức (Mamdani-CFIS). support system with an integrated EMR for
diagnosis of peripheral neuropathy. Journal
of medical systems, 38(4), 38.
[5] Lee, C. S., Wang, M. H. (2011). A fuzzy
expert system for diabetes decision support
application. IEEE Transactions on Systems,
Man, and Cybernetics, 41(1), 139-153
[6] Nazari, S., Fallah, M., Kazemipoor, H., &
Salehipour, A. (2018). A fuzzy inference-
fuzzy analytic hierarchy process-based
clinical decision support system for
diagnosis of heart diseases. Expert Systems
with Applications, 95, 261-271.
Hình 3.1. So sánh độ chính xác các thuật [7] Ramot, D., Friedman, M., (2003). Complex
toán Mamdani, Sugeno, IFS, Mamdani-CFIS fuzzy logic. IEEE Transactions on Fuzzy
Systems, 11(4), 450-461.
Kết quả chạy thực nghiệm cho thấy độ [8] Sardesai, A., Kharat, V., Sambarey, P., &
chính xác của hệ suy diễn dựa trên tập mờ Deshpande, A. (2016). Fuzzy Logic-Based
phức cao hơn các hệ suy diễn so sánh tuy Formalisms for Gynecology Disease
nhiên thời gian chạy vẫn còn khá cao. Diagnosis. Journal of Intelligent
Systems, 25(2), 283-295.
4. KẾT LUẬN [9] Sun, C., Wang, G., Liu, C., Jin, S., Hu, Y.,
& Wu, L. (2017). Research on the
Trong bài báo này tôi đã phát triển hệ suy Application of Reading Recommendation
diễn Mamdani dựa trên tập mờ phức để hỗ System in High Medical College Library
trợ trong bài toán chẩn đoán bệnh. Bài báo có Based on the Local Data. DEStech
Transactions on Social Science, Education
một số đóng góp chính như sau: (i) đã xây
and Human Science.
dựng mô hình hệ suy diễn Mamdani dựa trên [10] Thakur, Raw, S. N., Sharma, (2016).
tập mờ phức; (ii) đã cài đặt thực nghiệm hệ Design of a Fuzzy Model for Thalassemia
suy diễn mờ phức Mamdani trên các bộ dữ Disease Diagnosis: Using Mamdani Type
liệu chuẩn nhằm hiện thực các bước xây Fuzzy Inference System. International
dựng hệ hỗ trợ chẩn đoán bệnh; (iii) Kết quả Journal of Pharmacy and Pharmaceutical
thực nghiệm trên 5 bộ dữ liệu đã khẳng định Sciences, 8(4), 356-361.
[11] Zadeh, L. A. (1972). A fuzzy-set-theoretic
hiệu quả của phương pháp đề xuất so với các
interpretation of linguistic hedges.
hệ suy diễn đã có.
218
nguon tai.lieu . vn
