یک سیستم خبره فازی

فرمت :WORD                                                     تعداد صفحه :25

A  H y b r i d  F u z z y - N e u r a l  E x p e r t  S y s t e m  f o r  D i a g n o s i s

Christoph S. Herrmann *

Intellektik, Informatik, TH Darmstadt

Alexanderstrafie 10, D-64283 Darmstadt, Germany

[e-mail]

Abstract

Fuzzy Logic, a neural network and an expert system are combined to build a hybrid diagnosis system.  With this system we introduce a new approach to the acquisition of knowledge bases. Our system consists of a fuzzy expert system with a dual source knowledge base. Two sets of rules are acquired, inductively from given examples and deductively formulated by a physician. A fuzzy neural network serves to learn from sample data and allows to extract fuzzy rules for the knowledge base. The diagnosis

of electroencephalograms by interpretation of graphoelements serves as visualization

for our approach. Preliminary results demonstrate the promising possibilities offered by our method.

1 Introduction

Repetitively applied cognitive tasks of recognizing and evaluating certain phenomena, called diagnostic tasks, are among the main applications for Artificial Intelligence

(AI). As there exists a vast variety of such diagnostic tasks in medicine, it has always belonged to the spectrum of potential users of Artificial Intelligence. Most popular among AI methods in medicine are knowledge based systems [Buchanan and Shortliffe, 1985], modeling the diagnostic behaviour of experts. A variety of such expert systems is being used in everyday practice of physicians since Shortliffe introduced MYCIN Shortliffe, 1976], an expert system designed to diagnose

infections of the human blood. One of the greatest difficulties in designing a convenient expert system is acquiring the knowledge base. We introduce a new approach where a dual source knowledge base is generated by deductive

and inductive learning. Neural networks have also made their way into diagnosis.

They are able to learn relationships between data sets by simply having sample data represented to their input and output layers. In the field of pattern recognition in medical data, neural network based approaches have led to quite remarkable results, for exam- *also affiliated with Mainz University Clinic, Department of Neurology, Reisingerweg, D-55101 Mainz, Germany ple in processing MRI pictures [Hall et a/., 1992] or EEG traces [Mamelak et a/., 1991; Jando et a/., 1993]. For the task of  acquiring knowledge bases, which is a part of our hybrid approach, neural networks have been proposed recently [Thrun and Mitchell, 1993]. Fuzzy logic [Zadeh, 1965] also makes its appearance in medicine, dealing with the uncertainty of verbal expressions [Kuncheva, 1991; Nishimura et a/., 199l]. Terms like many, few or probably are hard to model with conventional logic. The linguistic variables offered by fuzzy representations allow pseudo-verbal descriptions close to natural human expressions. All of the above methods bear advantages as well as disadvantages as will be seen in Section 2. Combining these methods not only sums up the advantages

but also avoids some of the disadvantages. Up to now, only few approaches in  medical diagnosis combine multiple methods of Artificial Intelligence, although

good results have been made by these means, modeling a physician's decision process [Kuncheva et a/., 1993; Orsier et a/., 1994]. Here, we will describe a hybrid system consisting of a fuzzy expert system for rule-based reasoning with a fuzzy neural network for acquiring case-based knowledge in addition to the explanation-based knowledge from an expert (Section 3). The automatic acquisition of rules by

the network is implemented in parallel to the classical formulation of expert rules. Two modes of processing result for the hybrid system: A learning mode to feed

the knowledge base and an execution mode diagnosing patient data. All components of the system are based on a fuzzy representation, serving as an interface notation

between the components and making a fuzzification of input data necessary.

In Subsection 3.2, a very effective mapping technique will be introduced,  transforming fuzzy variables into a neural representation. To visualize the processing of real medical data in such a system, we chose the diagnosis of  electroencephalograms (EEGs) for demonstration. This type of medical data,  measured and stored electronically, is very well suited for automatic processing since it need not be converted to an electronic representation any more. Other types of data will also be appropriate for diagnosis in our system. We will describe our sytem apart from the application as far as possible and propose related topics and Mc Clelland, 1986]). Therefore, to represent multiple phenomena eight neurons would be required for each phenomenon. Since the number of features contained in every time-slice varies through the EEG (not every sample is deranged by an  artifact) a representation is needed which is capable of coding multiple phenomena in a constant number of neurons. We have developed a mapping scheme that brings two fuzzy variables into a network suited representation by calculating the cross product, which is described in detail in [Herrmann, 1995a]. The two four-term fuzzy variables result in 16 neurons NfrequencyXamplitude (see figure 2). Each neuron represents the conjunction of two fuzzy terms of each variable, thus overcoming the binding problem. The activation value of a neuron is calculated via the algebraic product of the two represented membership functions:

The sum of activation, resulting from one spectral phenomenon always sums up to 1 for sake of reinterpretability of the rules learned by the network.

3.3 Fuzzy Neural Network

The fuzzy features, presented to the neural network by the two-dimensional mapping method, are then trained to be detected by the net. In order to extract the acquired

knowledge, a fuzzy-neural network, called FuNe [Halgamuge and Glesner, 1993; Halgamuge et a/., 1993], is used in our three layer network. The special multilayer

perceptron architecture is trained with a gradient descent algorithm. There exist three types of neurons in the middle layer grouped together topographically. One group of neurons can perform only the or function of multiple inputs while another group only performs the and function. As there may as well be unary rules, composed of simple one-term-premises, there is a third group of neurons having single inputs and single outputs. The output neuron simply acts as an or function of all middle neurons. In the initial state the fully interconnected network represents all possible logical functions

of or premises, and premises, and the 16 unary premises. During the learning process all connections below a certain threshold are eliminated. This pruning method has

been proposed by Le Cun in 1990 [LeCun et a/., 1990] in order to increase learning speed—but, it is also useful for limiting the number of resulting rules. This is of special interest to us, because we will extract exactly these rules after the training and want to avoid rules with negligible rule strength. A net trained to detect bulbus artifacts is shown in its final state in Figure 2. As an example, the pattern at the input neurons represents a bulbus artifact (ba) in a simplified manner 2. The delta frequency component is high while all other frequency components are low. The artifact is detected in the output neuron, shown by its activation of  1. Some of the inputs no longer contribute to the detection task at all, since their lowweight connections have been pruned.

یک سیستم خبره فازی – عصبی برای تشخیص

چکیده:

منطق فازی،یک شبکه عصبی و سیستم خبره است که برای ایجاد یک سیستم تشخیصی ترکیبی با یکدیگر ترکیب شده اند.با استفاده از چنین سیستمی ما یک روش جدید برای فراگیری مبانی دانش استفاده می کنیم. سیستم ما شامل یک سیستم خبره فازی همراه با یک بیس دانشی با منبع دوگانه است. دو سری قوانین لازم هستند ، که به صورت استنباطی از مثالهای ارائه شده و به صورت استقرایی توسط فیزیک دانان بدست آمده اند. یک شبکه عصبی فازی سعی میکند که از داده های نمونه یاد گرفته و این اجازه را می دهد که قوانین فازی برای دانش پایه را استخراج کنیم.تشخیص electroencephalograms با تفسیر عناصر نموداری بعنوان یک نوع مشاهده در روش ما بکار گرفته می شود. نتایج اولیه نشان دهنده احتمالات مورد نظر با استفاده از روش ما می باشد. 

1- مقدمه:

روشهای تکراری شناسایی و ارزیابی پدیده خاص را کار تشخیصی می نامند ،که یکی از کاربردهای اصلی برای هوش مصنوعی (AI) می باشد. با توجه به اینکه رنج وسیعی از چنین کاربرهای تشخیصی وجود دارد . اگرچه رنج وسیعی از چنین کاربردهای تشخیصی در پزشکی وجود دارد ولی این بخش مورد توجه استفاده کنندگام از هوش مصنوعی قرار دارد. عمومی ترین روشهای AI در بخش پزشکی مبتنی بر دانش و مدلسازی رفتار تشخیصی متخصصان است .  انواع مختلفی از چنین سیستمهای خبره ای از زمانی که SHRTLIFFE روش SHRTLIFFE MYCIN   را بعنوان یک سیستم خبره برای تشخیص آسیبهای خونی انسان طراحی و معرفی کرد ، بوسیله پزشکان مورد استفاده قرار گرفته است. یکی از بزرگترین مشکلات بر سر راه طراحی یک سیستم خبره مناسب ، گردآوری و دانش پایه آن است. ما روش جدیدی را معرفی میکنیم که در آن دانش پایه با منبع دوگانه بوسیله یادگیری قیاسی واستقرایی ایجاد می شود. شیکه های عصبی نیز از این راه برای تشخیص استفاده میکنند . آنها قادرند رابطه بین مجموعه داده ها را با داشتن اطلاعات نمونه که نشاندهنده لایه های ورودی و خروجی آنها است ،یاد بگیرند. در حوزه تشخیص الگو در داده های پزشکی ، شبکه های عصبی زیر بنای روشهایی است که باعث دستیابی به نتایج قابل توجهی شده اند. برای انجام وظیفه چمع آوری دانش پایه که بخشی از روش ترکیبی ما است ، شبکه های عصبی جدیدی معرفی شده اند. منطق فازی که در علوم پزشکی نیز ظاهر شده اند ، با توضیحات شفاهی مبهم سروکار دارند. واژه هایی همانند کم ، زیاد یا احتمالاً برای مدلسازی با استفاده از روشهای منطقی مرسوم ،دشوار هستند. متغیرهای زبانی معرفی شده بوسیله توضیحات فازی ، توضیحات شبه گفتاری نزدیک به گفتارهای یک شخص طیبعی است. تمامی روشهای بالا دارای مزایا و معایبی هستند که در بخش 2 توضیح داده خواهند شد. ترکیب این روشها نه تنها باعث افزایش مزیتها آن می شود بلکه باعث حذف برخی از نقاط ضعف آنها نیز میشود. تاکنون فقط چند روش در تشخیص پزشکی ، روشهای چندگانه هوش مصنوعی را با هم ترکیب کرده اند، که البته با مدلسازی یک پروسه تشریحی پزشکی به نتایج خوبی هم رسیده اند.

اگر چه رنج وسیعی از چنین کاربردهای تشخیصی در پزشکی وجود دارد این بخش جزواستفاده کنندگان بلقوه هوش مصنوعی هستند .عمومی ترین روشهای AI در بخش پزشکی سیستمهای مبتنی بر دانش ومدل سازی رفتار تشخیص متخصصین است .انواع مختلفی از چنین سیستمهای خبره ای از زمانی که Shortliffe روش MYCIN  Shortliffe را بعنوان یک سیستم خبره برای تشخیص آسیبهای خونی انسان طراحی ومعرفی کرد ،بوسیله پزشکان مورد استفاده قرار گرفته است .یکی از بزرگترین مشکلات بر سر راه طراحی یک سیستم خبره مناسب گردآوری ودانش پایه آن است .ما روش جدیدی را معرفی می کنیم که در آن یک دانش پایه با منبع دوگانه بوسیله یادگیری استنتاجی واستقرایی ایجاد میشود .شبکه های عصبی نیز از این راه برای تشخیص استفاده می کنند. آنها قادرند روابط بین مجموعه داده هارا با داشتن اطلاعات نمونه که نشاندهنده لایه های ورودی وخروجی آنها است ،یاد بگیرند.

جهت دانلود محصول اینجا کلیک نمایید