Chương 2 đã đề xuất được mô hình hệ chuyên gia mờ dựa trên luật sử dụng tri thức khẳng định trong chẩn đoán rối loạn trầm cảm có tên là PORUL.DEP. PORUL.DEP được phát triển trên cơ sở hệ chuyên gia CADIAG-2. Cơ sở tri thức của PORUL.DEP bao gồm: cơ sở bệnh có 4 loại rối loạn trầm cảm, cơ sở triệu chứng có 13 triệu chứng rối loạn trầm cảm và cơ sở luật có 857 luật khẳng định. Trong 857 luật khẳng định được xây dựng, có 124 luật khẳng định rối loạn trầm cảm nhẹ, 146 luật khẳng định rối loạn trầm cảm vừa, 263 luật khẳng định rối loạn trầm cảm nặng và 324 luật khẳng định rối loạn trầm cảm nặng. Cơ chế suy luận của PORUL.DEP áp dụng theo suy luận Max-Min của hệ chuyên gia CADIAG-2.
Thực nghiệm PORUL.DEP với 264 trường hợp người bệnh rối loạn trầm cảm, trong đó có 48 trường hợp người bệnh rối loạn trầm cảm nhẹ, 60 trường hợp người bệnh rối loạn trầm cảm vừa, 50 trường hợp người bệnh rối loạn trầm cảm nặng, 86 trường hợp người bệnh rối loạn trầm cảm nặng có loạn thần và 20 trường hợp người bệnh không mắc rối loạn trầm cảm. Kết quả chẩn đoán của PORUL.DEP đúng với 46 trường hợp người bệnh rối loạn trầm cảm nhẹ, 19 trường hợp người bệnh không mắc rối loạn trầm cảm; không có trường hợp đúng với người bệnh mắc rối loạn trầm cảm vừa, trường hợp người bệnh mắc rối loạn trầm cảm nặng và trường hợp người bệnh mắc rối loạn trầm cảm nặng có triệu chứng loạn thần.
PORUL.DEP được đánh giá theo độ chính xác chẩn đoán của hệ chuyên gia, bằng cách so sánh kết quả chẩn đoán của PORUL.DEP với kết quả chẩn đoán trong hồ sơ bệnh án. Kết quả, chẩn đoán rối loạn trầm cảm nhẹ và không mắc rối loạn trầm cảm cho kết quả cao, đạt từ 95% trở lên. Trong khi đó, PORUL.DEP không xác định trường hợp chẩn đoán đúng với các trường hợp người bệnh rối loạn trầm cảm vừa, rối loạn trầm cảm nặng và rối loạn trầm cảm nặng có triệu chứng loạn thần. Về nguyên nhân, do các tiêu chí chẩn đoán rối
loạn trầm cảm chồng nhau. Để khắc phục đặc điểm tiêu chuẩn chẩn đoán này, PORUL.DEP cần được cải tiến để phân biệt rõ ranh giới về tiêu chuẩn chẩn đoán giữa các loại rối loạn trầm cảm, khi đó cơ chế suy luận của PORUL.DEP cũng cần phải cải tiến để phù hợp với cơ sở tri thức mới.
CHƯƠNG 3
MÔ HÌNH HỆ CHUYÊN GIA MỜ DỰA TRÊN LUẬT KẾT HỢP TRI THỨC KHẲNG ĐỊNH VÀ TRI THỨC PHỦ ĐỊNH TRONG
CHẨN ĐOÁN RỐI LOẠN TRẦM CẢM
Chương này trình bày các bước xây dựng mô hình hệ chuyên gia mờ dựa trên luật kết hợp tri thức khẳng định và tri thức phủ định trong chẩn đoán rối loạn trầm cảm; thực nghiệm hệ chuyên gia trên 264 trường hợp người bệnh đã được thu thập, thực nghiệm trên PORUL.DEP, đánh giá kết quả thực nghiệm.
Nội dung đề xuất được công bố tại các công trình [CT.1] và [CT.2].
3.1. Cơ sở lý thuyết cho kết quả nghiên cứu
Các nội dung nghiên cứu trình bày trong chương 3 đã sử dụng các khái niệm, tham số, công thức sau.
3.1.1. Các khái niệm, tham số
Suy luận Max-Min của CADIAG-2: Với mỗi giá trị μDj sao cho 0 < μDj < 1, μDj chỉ ra rằng người bệnh Pq mắc bệnh Dj ở một mức độ nào đó, sử dụng công thức tính: μRPD(Pq, Dj) = max min { μRPS(Pq, Si); μRSD(Si, Dj)}. Toán tử nhóm Abel: X Y = X + Y – X. Y với X , Y 0; X Y = X + Y + X. Y với X , Y 0; X Y = 1 − min ( |X| ,|Y| )X + Y với X x Y < 0.
3.1.2. Các công thức
Giá trị của tổ hợp các triệu chứng khẳng định SC μR
PS(Pq, SC) = minSi∈SC{μR
PS(Pq, Si)}
trị μRPD(Pq, Dj) = max min {μRPS(Pq, Si)μRSD (Si, Dj)} Xác định mức độ khẳng định bệnh Dj đối với luậtt
μRPD luậth(Pq, Dj) = min {μRPS(Pq, Si) μRSDluậth(Si, Dj)}
Xác định mức độ khẳng định bệnh Dj đối với tập luật {luật1, luật2, … luậth ,…, luậtp)
μRPD(Pq, Dj) = max {μRPD luật1(Pq, Dj),..., μRPD luậtp(Pq, Dj)} Giá trị của tổ hợp các triệu chứng phủ định SCe
μRePS((Pq, SCe) = minSi∈SCe{μR
PS(Pq, Si)}
Quan hệ phủ định giữa người bệnh và bệnh được xác định bởi giá trị μRePD(Pq, Dj) = max min {μRePS(Pq, Si)μReSD(Si, Dj) }
Xác định mức độ phủ định bệnh Dj đối với luậtt là μR
PDluậtte
e (Pq, Dj) = min {μRePS(Pq, Si) μR SDluậtte
e (Si, Dj)
Xác định mức độ phủ định bệnh Dj đối với tập luật {luật1e, luật2e, … luậtte ,…, luậtke) : μRePD(Pq, Dj) = max {μR PDluật1e e (Pq, Dj),..., μR PDluậtke e (Pq, Dj)}
Xác định mức độ mắc bệnh Dj của người bệnh Pq khi kết hợp tri thức khẳng định và tri thức phủ định
μRtPD(Pq, Dj) = μRPD(Pq, Dj) (-μRePD(Pq, Dj)) Xác định giá trị μRtPD(Pq, Dj) bằng toán tử nhóm Abel
μRtPD(Pq, Dj) = μRPD(Pq,Dj)+(− μRPDe (Pq,Dj)) 1 −min{|μRPD(Pq,Dj)| ,|μRPDe (Pq,Dj)|}
3.2. Một số hệ suy luận mờ phổ biến
Suy luận mờ [68] là lập luận dựa trên tập mờ và logic mờ mà trong đó kết luận được rút ra từ các sự kiện được biết trước theo kiểu: nếu các tiền đề là đúng thì kết luận phải đúng. Nó đã được ứng dụng thành công trên nhiều lĩnh vực như điều khiển tự động, phân loại dữ liệu, phân tích quyết định, hệ chuyên
gia, dự đoán chuỗi thời gian, người máy và nhận dạng. Cấu trúc cơ bản của một hệ suy luận mờ gồm 3 thành phần chính: cơ sở luật, là nơi chứa một tập luật mờ; cơ sở dữ liệu, trong đó định nghĩa các hàm thành viên sử dụng trong các luật mờ; và một cơ chế lập luận, là nơi thực hiện thủ tục suy luận dựa trên các luật và các dữ kiện đã cho để đưa ra kết quả hoặc kết luận hợp lý.
14Hình 3.1. Sơ đồ khối của một hệ suy luận mờ
Lưu ý rằng hệ suy luận mờ cơ bản có thể có đầu vào mờ hoặc đầu vào rõ nhưng đầu ra hầu như là các tập mờ. Vì vậy, chúng ta cần một phương pháp giải mờ để tìm ra một giá trị rõ đại diện tốt nhất cho một tập mờ. Một hệ suy luận mờ với một đầu ra rõ như hình 3.1, đây là một hệ suy luận mờ cơ bản với đầu ra mờ và bộ giải mờ phục vụ mục đích chuyển đổi một tập mờ đầu ra thành một giá trị đơn rõ.
Với đầu vào và đầu ra rõ, hệ suy luận mờ thực hiện một ánh xạ phi tuyến từ vùng đầu vào của nó tới vùng đầu ra. Ánh xạ này thực hiện bởi một số tập luật if-then mờ, mỗi trong số đó mô tả hành vi của ánh xạ. Cụ thể là tiền đề của một luật định nghĩa một vùng mờ trong không gian vào, trong khi kết luận chỉ định đầu ra trong vùng mờ. Luận án giới thiệu 3 loại hệ suy luận mờ đã được sử dụng rộng rãi trong nhiều ứng dụng.
3.2.1. Mô hình mờ Mamdani
3.2.1.1. Giới thiệu mô hình mờ Mamdani
Hệ suy luận mờ Mamdani [68], [86-87] được đề xuất vào năm 1975 bởi Ebhasim Mamdani. Đầu tiên nó được thiết kế để điều khiển tổ hợp động cơ hơi nước và lò hơi bằng một tập hợp các luật điều khiển ngôn ngữ chứa hoạt động thu được từ những người điều hành có kinh nghiệm. Trong hệ suy luận Mamdani, đầu ra của mỗi luật là một tập mờ. Hình 3.2 là sơ đồ hệ suy diễn mờ Mamdani hai luật, đầu ra tổng thể z; đầu vào rõ x và y.
15Hình 3.2. Hệ suy luận mờ Mamdani sử dụng phép min và max cho toán tử T-norm và T-conorm
Nếu phép Max và Product là sự lựa chọn cho toán tử T-norm và T- conorm và sử dụng tổ hợp max-product thay thế tổ hợp max-min truyền thống, thì kết quả suy luận mờ được hiển thị trong hình 3.3, trong đó đầu ra suy luận của mỗi luật là một tập mờ.
Trong các ứng dụng của Mamdani, hai hệ suy diễn mờ đã được sử dụng như hai bộ điều khiển để tạo ra nhiệt đầu vào cho lò hơi và mở van tiết lưu của xi lanh động cơ tương ứng để điều chỉnh lượng hơi có sẵn trong lò hơi và tốc độ của động cơ.
16Hình 3.3. Hệ suy luận mờ Mamdani sử dụng phép product và max cho toán tử T-norm và T-conorm
3.2.1.2. Giải mờ của mô hình mờ Mamdani
Giải mờ đề cập đến phương pháp một giá trị rõ được trích xuất từ một tập mờ, làm giá trị đại diện cho tập mờ. Có năm phương pháp để giải mờ một tập mờ A của vũ trụ ngôn ngữ Z, như Hình 3.4 (ở đây, tập mờ A thường được biểu diễn bằng một đầu ra tổng hợp MF, chẳng hạn như C' trong Hình 3.2 và 3.3 ).
17Hình 3.4. Một số phương pháp giải mờ
trong đó μA (z) là đầu ra tổng hợp MF. Đây là chiến lược giải mờ được áp dụng
rộng rãi nhất, nó gợi nhớ đến việc tính toán các giá trị kỳ vọng của phân phối xác suất.
Phương pháp đường phân giác của vùng zBOA: zBOA thỏa mãn
trong đó α = min {z | z ∈ Z} và β = max {z | z ∈ Z}. Tức là, đường thẳng đứng z = zBOA phân vùng giữa z = α, z = β, y = 0 và y = μA (z) thành hai vùng có
cùng diện tích.
Phương pháp giá trị trung bình của cực đạizMOM : zMOM là giá trị trung bình của z cực đại mà tại đó đầu ra tổng hợp MF đạt cực đại μ*.
trong đó Z' = {z | μA (z) = μ*}. Đặc biệt, nếu μA (z) có một cực đại duy nhất tại z = z*, thì zMOM = z*. Hơn nữa, nếu μA (z) đạt cực đại bất cứ khi nào z ∈ [z trái , z phải] (đây là trường hợp trong Hình 3.4), thì zMOM = (ztrái + zphải)/2. Giá trị trung bình tối đa là chiến lược giải mờ được sử dụng trong các bộ điều khiển logic mờ của Mamdani FIS.
Phương pháp nhỏ nhất của cực đại zSOM: zSOM là cực tiểu (về độ lớn) của z cực đại.
Phương pháp lớn nhất của cực đại zLOM : zLOM là cực đại (về độ lớn) của z cực đại. Do độ lệch rõ ràng của chúng, zSOM và zLOM không được sử dụng thường xuyên như ba phương pháp giải mờ còn lại.
Việc tính toán cần thiết để thực hiện bất kỳ hoạt động nào trong số năm hoạt động giải mờ này đều tốn thời gian trừ khi có hỗ trợ phần cứng đặc biệt. Hơn
(3.1)
(3.2)
nữa, các hoạt động giải mờ này không dễ dàng bị phân tích toán học nghiêm ngặt, vì vậy hầu hết các nghiên cứu đều dựa trên kết quả thực nghiệm. Chính vì vậy, các loại hệ suy luận mờ khác hoàn toàn không cần giải mã; hai trong số đó là hệ suy luận mờ Sugeno và hệ suy luận mờ Tsukamoto.
3.2.2. Mô hình mờ Sugeno
Hệ suy luận mờ Takagi-Sugeno [68] [118] được đề xuất bởi Takagi, Sugeno và Kang vào năm 1985, để phát triển một cách tiếp cận có hệ thống, tạo ra các luật mờ từ một tập dữ liệu đầu vào - đầu ra nhất định. Luật mờ điển hình trong mô hình mờ Sugeno bậc nhất có dạng:
Nếu x là A và y là B thì z = f (x, y) (3.4)
Trong đó, A và B là các tập mờ trong <tiền đề>; z = f (x, y) là một hàm rõ trong <kết luận>. Thông thường f (x, y) là một đa thức của các biến đầu vào x và y hoặc cũng có thể là một hàm mô tả đầu ra được xác định bởi tiền đề của luật. Khi f (x, y) là một đa thức bậc nhất, hệ suy luận mờ được gọi là mô hình mờ Sugeno bậc một. Khi f là một hằng số, thì chúng ta có một mô hình mờ Sugeno bậc 0, nó có thể được xem như một trường hợp đặc biệt của hệ suy luận mờ Mamdani, trong đó kết luận của mỗi luật được xác định bởi một đơn phân mờ, hoặc một trường hợp đặc biệt của mô hình mờ Tsukamoto, trong đó kết luận của mỗi luật được xác định bởi một MF tại hằng số xác định.
Hình 3.5 mô tả quy trình suy luận mờ trong mô hình mờ Sugeno bậc nhất. Mỗi luật có một đầu ra rõ, đầu ra tổng thể z thu được thông qua giá trị trung bình các trọng số, do đó tránh được quá trình khử mờ, nó làm mất thời gian như trong mô hình Mamdani. Trong thực tế, phép trung bình các trọng số đôi khi được thay thế bằng phép tổng các trọng số (nghĩa là z = w1z1 + w2z 2 trong hình 3.5) nhằm giảm bớt các phép tính toán. Tuy nhiên, sự đơn giản hóa này có thể dẫn đến mất đi các ý nghĩa ngôn ngữ của MF. Phần mờ duy nhất của mô hình Sugeno là ở tiền đề, nên có thể dễ dàng phân biệt giữa tập các luật mờ và các luật không mờ.
18Hình 3.5.Mô hình suy luận Sugeno
Không giống như mô hình mờ Mamdani, mô hình mờ Sugeno không thể tuân theo quy luật suy luận tổng hợp một cách chặt chẽ trong cơ chế suy luận mờ. Điều này gây ra một số khó khăn khi đầu vào mờ. Cụ thể, chúng ta vẫn có thể sử dụng sự so khớp của các tập mờ, như phần tiền đề của hình 3.5, để tìm giá trị của mỗi luật. Tuy nhiên, kết quả đầu ra tổng hợp thông qua phép trung bình hoặc phép tổng luôn là số rõ; điều này ngược với một mô hình mờ có thể truyền độ mờ từ đầu vào đến đầu ra theo cách thích hợp.
Không tốn thời gian và thao tác giải mờ phức tạp về mặt toán học, mô hình mờ Sugeno là ứng cử viên phổ biến nhất cho mô hình mờ dựa trên dữ liệu mẫu.
3.2.3. Mô hình mờ Tsukamoto
Mô hình mờ Tsukamoto do Tsukamoto [68] đề xuất vào năm 1979. Trong mô hình mờ Tsukamoto, kết luận của mỗi luật mờ if-then được biểu diễn bằng một tập mờ với hàm liên thuộc đơn, như trong hình 3.6. Đầu ra của mỗi luật được định nghĩa là một giá trị rõ. Kết quả đầu ra tổng thể là trung bình các trọng số đầu ra của mỗi luật. Hình 3.6 mô tả quy trình lập luận của hệ suy luận Tsukamoto cho hệ luật hai đầu vào. Cơ chế suy luận của mô hình mờ Tsukamoto không tuân thủ nghiêm ngặt các luật tổ hợp của suy luận nên đầu ra luôn rõ ngay cả khi đầu vào mờ.
19Hình 3.6. Mô hình mờ Tsukamoto
Vì mỗi luật tạo ra một đầu ra rõ, tổng hợp đầu ra bằng phương pháp trung bình sẽ tránh được quá trình giải mờ mất thời gian. Tuy nhiên, mô hình mờ Tsukamoto không được sử dụng rộng rãi vì nó không trong suốt như mô hình mờ Mamdani hoặc Sugeno.
3.3. Phát triển mô hình hệ chuyên gia mờ dựa trên luật kết hợp tri thức khẳng định và tri thức phủ định trong chẩn đoán rối loạn trầm cảm thức khẳng định và tri thức phủ định trong chẩn đoán rối loạn trầm cảm
Các rối loạn trầm cảm là một trong những bệnh lây lan rộng rãi trên thế giới, chiếm khoảng 3-5% dân số trên thế giới. Tại Việt Nam, số lượng bệnh nhân rối loạn tâm thần chiếm khoảng 5-7% dân số Việt Nam. Một bác sĩ khi chẩn đoán rối loạn trầm cảm phải đối mặt với vấn đề là làm thế nào để nhận biết đúng loại rối loạn trầm cảm và kê đơn thuốc phù hợp cho người bệnh.
Trên thực tế, có mối liên hệ giữa các triệu chứng và bệnh, các tổ hợp triệu chứng và bệnh. Có những triệu chứng khi xuất hiện bao giờ cũng kéo theo sự xuất hiện của một vài triệu chứng khác hoặc phủ định sự xuất hiện của các triệu chứng đối nghịch. Có các triệu chứng xuất hiện thì phủ định người bệnh mắc một bệnh nào đó. Ví dụ: với các loại rối loạn trầm cảm, khi người bệnh mắc triệu chứng “tự sát” thì khả năng người bệnh mắc rối loạn trầm cảm nhẹ,
rối loạn trầm cảm vừa là rất thấp, triệu chứng “tự sát” lúc này được gọi là triệu chứng phủ định rối loạn trầm cảm nhẹ, rối loạn trầm cảm vừa. Hay khi xuất hiện triệu chứng “ảo giác” thì khả năng người bệnh mắc rối loạn trầm cảm nhẹ, rối loạn trầm cảm vừa, rối loạn trầm cảm nặng là rất thấp. Triệu chứng “tự sát” được gọi là triệu chứng phủ định của rối loạn trầm cảm nhẹ, rối loạn trầm cảm vừa. Triệu chứng “ảo giác” được gọi là triệu chứng phủ định của rối loạn trầm