CHƯƠNG III: LUYỆN MẠNG, THẨM ĐỊNH VÀ THỬ NGHIỆM MẠNG
3.3. Kết quả cho trường hợp sử dụng phương pháp gán trọng số cho các thuộc tính đầu vào
3.3.2. Kết quả cho trường hợp gán trọng số cho các thuộc tính đầu vào
Kết quả kiểm tra đánh giá hiệu quả mạng neuron chẩn đoán bệnh rối loạn nhịp tim cho trường hợp gán trọng số thuộc tính được đưa ra trong các trường hợp dưới đây:
- Kết quả trường hợp gán trọng số bằng không đối với thuộc tính đạo trình tăng cường - case 1:
29
GVHD: PGS.TS Huỳnh Lương Nghĩa SVTH: Đinh Văn Quang
Hình 3.2: Kết quả xác thực tốt nhất – case1
D1 D2 D3
Real
D4
D5
disease
D6 D7 D8 D9 D10
Bảng 3.4: Bảng chỉ số tốt nhất của mô hình mạng neuron phân loại bệnh
Bảng 3.5: Tỷ lệ thành công của mô hình phân loại bệnh rối loạn nhịp tim – case 1
30
GVHD: PGS.TS Huỳnh Lương Nghĩa SVTH: Đinh Văn Quang
- Kết quả trường hợp gán trọng số bằng không đối với thuộc tính đạo trình tim - Case 2:
Hình 3.3: Kết quả xác thực tốt nhất – case2
D1 D2 D3
Real
D4
D5
disease
D6 D7 D8 D9 D10
Bảng 3.6: Bảng chỉ số tốt nhất của mô hình mạng neuron phân loại bệnh rối loạn
Bảng 3.7: Tỷ lệ thành công của mô hình phân loại bệnh rối loạn nhịp tim – case 2
31
GVHD: PGS.TS Huỳnh Lương Nghĩa SVTH: Đinh Văn Quang
- Kết quả trường hợp gán trọng số bằng không đối với thuộc tính đạo trình cơ bản - Case 3:
Hình 3.4: Kết quả xác thực tốt nhất – case 3
D1 D2 D3
Real
D4
D5
disease
D6 D7 D8 D9 D10
Bảng 3.8: Bảng chỉ số tốt nhất của mô hình mạng neuron phân loại bệnh rối loạn
Bảng 3.9: Tỷ lệ thành công của mô hình phân loại bệnh rối loạn nhịp tim – case 3
32
GVHD: PGS.TS Huỳnh Lương Nghĩa SVTH: Đinh Văn Quang
- Kết quả trường hợp gán trọng số bằng không đối với thuộc tính DI của đạo trình cơ bản – case 4:
Hình 3.5: Kết quả xác thực tốt nhất – case 4
D1 D2 D3
Real
D4
D5
disease
D6 D7 D8 D9 D10
Bảng 3.10: Bảng chỉ số tốt nhất của mô hình mạng neuron phân loại bệnh rối loạn
Successful rate [%]
Failed rate[%]
Bảng 3.11: Tỷ lệ thành công của mô hình phân loại bệnh rối loạn nhịp tim – case 4
33
GVHD: PGS.TS Huỳnh Lương Nghĩa SVTH: Đinh Văn Quang
- Kết quả trường hợp gán trọng số bằng không đối với thuộc tính DII của
đạo trình cơ bản – case 5:
Hình 3.6: Kết quả xác thực tốt nhất – case 5
D1 D2 D3
Real
D4
D5
disease
D6 D7 D8 D9 D10
Bảng 3.12: Bảng chỉ số tốt nhất của mô hình mạng neuron phân loại
bệnh rối loạn nhịp tim – case 5
Successful rate [%]
Failed rate[%]
Bảng 3.13: Tỷ lệ thành công của mô hình phân loại bệnh rối loạn nhịp tim– case 5
34
GVHD: PGS.TS Huỳnh Lương Nghĩa SVTH: Đinh Văn Quang
- Kết quả trường hợp gán trọng số bằng không đối với thuộc tính DIII của
đạo trình cơ bản – case 6:
Hình 3.7: Kết quả xác thực tốt nhất – case 6
D1 D2 D3
Real
D4
D5
disease
D6 D7 D8 D9 D10
Bảng 3.14: Bảng chỉ số tốt nhất của mô hình mạng neuron phân loại bệnh rối loạn
nhịp tim – case 6
Successful rate [%]
Failed rate[%]
Bảng 3.15: Tỷ lệ thành công của mô hình phân loại bệnh rối loạn nhịp tim – case 6
35
GVHD: PGS.TS Huỳnh Lương Nghĩa SVTH: Đinh Văn Quang
- Kết quả trường hợp gán trọng số bằng không đối với thuộc tính DIII của đạo trình cơ bản và thuộc tính đạo trình tăng cường – case 7:
Hình 3.8: Kết quả xác thực tốt nhất – case 7
D1 D2 D3
Real
D4
D5
disease
D6 D7 D8 D9 D10
Bảng 3.16: Bảng chỉ số tốt nhất của mô hình mạng neuron phân loại bệnh rối loạn
Successful rate [%]
Failed rate[%]
Bảng 3.17: Tỷ lệ thành công của mô hình phân loại bệnh rối loạn nhịp tim – case 7
36
GVHD: PGS.TS Huỳnh Lương Nghĩa SVTH: Đinh Văn Quang
Căn cứ vào các kết quả nhận được cho trường hợp gán trọng số bằng 0 có thể thấy mức độ quan trọng của các nhóm thuộc tính trong cấu trúc cấp cơ quan chức năng là:
Thuộc tính đạo trình cơ bản > Thuộc tính đạo trình tăng cường> Thuộc tính đạo trình tim
Theo tinh thần của phương pháp gán trọng số thì ta có thể thấy được mức độ quan trọng của thuộc tính càng lớn thì giá trị chẩn đoán tương ứng của chúng càng có
ýnghĩa, hay trọng số của chúng càng lớn. Từ đó ta phân bố trọng số các nhóm lần lƣợt nhƣ sau:
- Gán trọng số 0.8; 0.4; 0.2 lần lƣợt với các thuộc tính: Đạo trình cơ bản; Đạo trình tăng cường; Đạo trình tim – case 8:
IP=[IP([1:15],:);IP([16:51],:).*0.8;IP([52:87],:).*0.4;IP([88:159],:).*0.2;IP([1 60:189],:).*0.8;IP([190:219],:).*0.4;IP([220:279],:).*0.2];
IP9=IP;
IP9([20,68,70,84,132,133,140,142,144,146,152,157,158,165,205,265,275],:)=[];
- Gán trọng số 0.9; 0.5; 0.1 lần lƣợt với các thuộc tính: Đạo trình cơ bản; Đạo trình tăng cường; Đạo trình tim – case 9
IP=[IP([1:15],:);IP([16:51],:).*0.9;IP([52:87],:).*0.5;IP([88:159],:).*0.1;IP([1 60:189],:).*0.9;IP([190:219],:).*0.5;IP([220:279],:).*0.1];
IP10=IP;
IP10([20,68,70,84,132,133,140,142,144,146,152,157,158,165,205,265,275],:)=[]
Khi tiến hành luyện, xác thực và thử nghiệm mạng theo ma trân đầu vào đƣợc gán trọng số phấn bố lần lƣợt nhƣ trên ta đều thu đƣợc một kết quả giống với kết quả trường hợp không gán trong số (case 0) như sau:
- Kết quả case 8:
37
GVHD: PGS.TS Huỳnh Lương Nghĩa SVTH: Đinh Văn Quang
Hình 3.9: Kết quả xác thực tốt nhất - case 8
D1 D2 D3 D4
Real D5
D6
disease D7
D8 D9 D10
Bảng 3.18: Bảng chỉ số tốt nhất của mô hình mạng neuron cho bệnh
rối loạn nhịp tim - case 8
Successful rate [%]
Failed rate (%)
Bảng 3.19: Tỷ lệ thành công của mô hình phân loại bệnh rối loạn nhịp tim - case 8
- Kết quả case 9:
38
GVHD: PGS.TS Huỳnh Lương Nghĩa SVTH: Đinh Văn Quang
Hình 3.10: Kết quả xác thực tốt nhất - case 9
D1 D2 D3 D4
Real D5
D6
disease D7
D8 D9 D10
Bảng 3.20: Bảng chỉ số tốt nhất của mô hình mạng neuron cho bệnh
rối loạn nhịp tim - case 9
Successful rate [%]
Failed rate (%)
Bảng 3.21: Tỷ lệ thành công của mô hình phân loại bệnh rối loạn nhịp tim - case
9 3.4. Kết quả thử nghiệm, kiểm chứng trên mô hình bài báo[3]
Để kiểm chứng kết quả luyện mô hình mạng MLP chẩn đoán bệnh rối loạn nhịp tim đã thiết kế trong đồ án ta dùng kết quả luyện mô hình mạng MLP đã thiết kế trong bài báo“Application of neuron network in medical diagnostics” của tác giả S. Kajan, D.
39
GVHD: PGS.TS Huỳnh Lương Nghĩa SVTH: Đinh Văn Quang
Pernecký, J. Goga [3]. Họ cũng đã ứng dụng mạng neuron vào cơ sở dữ liệu rối loạn nhịp tim đƣợc chia thành các dữ liệu đào tạo (60%) và thử nghiệm (40%). Các bộ dữ liệu thử nghiệm được chia theo tỷ lệ tương đương với phần kiểm tra và phần xác thực [3].Một lớp ẩn đã đƣợc chọn trong cấu trúc mạng. Số lƣợng tế bào thần kinh trong lớp
ẩn đã đƣợc điều chỉnh thành 25 neuron, đƣợc cố định cho tất cả các tập dữ liệu và họ thu kết quả tốt nhất cho mô hình thần kinh với thuật toán lan truyền ngƣợc nhƣ sau:
Hình 3.11: Kết quả xác thực tốt nhất theo bài báo[3]
D1 D2 D3
Real
D4
D5
disease
D6 D7 D8 D9 D10
Bảng 3.22: Bảng chỉ số tốt nhất của mô hình mạng neuron phân loại
bệnh rối loạn nhịp tim theo bài báo[3]
40
GVHD: PGS.TS Huỳnh Lương Nghĩa SVTH: Đinh Văn Quang
Successful rate [%]
Bảng 3.23: Tỷ lệ thành công của mô hình phân loại bệnh rối loạn nhịp tim theo bài
báo[3]
Vì phiên bản phần mềm luyện mạng của đồ án và bài báo là khác nhau nên để thuận tiện cho việc đánh giá ta đã thưc hiện mô phỏng lại mô hình mạng, phương pháp luyện mạng giống bài báo trên phần mền luyện mạng của đồ án và thu đƣợc kết quả nhƣ sau:
Hình 3.12: Mạng neuron chẩn đoán hai lớp MLP mô phỏng lại bài báo[3]
Hình 3.13: Kết quả xác thực tốt nhất luyện mạng theo thiết kế mô phỏng lại bài báo[3]
- case 0
41
GVHD: PGS.TS Huỳnh Lương Nghĩa
D1 D2 D3
Real
D4
D5
disease
D6 D7 D8 D9 D10
Bảng 3.24: Bảng chỉ số tốt nhất của mô hình mạng neuron phân loại bệnh rối loạn
nhịp tim luyện mạng theo thiết kế mô phỏng lại bài báo[3] - case 0
Successful rate [%]
Failed rate[%]
Bảng 3.25: Tỷ lệ thành công của mô hình phân loại bệnh rối loạn nhịp tim luyện mạng
theo thiết kế mô phỏng lại bài báo[3]- case 0
Từ trên ta có bảng đánh giá mô hình MLP đã thiết kế trong đồ án và trong bài báo[3] nhƣ sau:
STT
Trường hợp luyện mạng
1 theo thiết kế của đồ án Kết quả luyện mạng của
2 bài báo[3]
Trường hợp luyện mạng
3 theo thiết kế mô phỏng lại bài báo[3]
Bảng 3.26: Đánh giá mô hình MLP đã thiết kế trong đồ án và trong bài báo[3]
42
GVHD: PGS.TS Huỳnh Lương Nghĩa SVTH: Đinh Văn Quang
Từ bảng 3.26 trên ta thấy :
- Tỉ lê thành công của cả 3 trường hợp là tương đương nhau
- Kết quả xác thực tốt nhất của trường hợp 2,3 tốt hơn trường hợp 1 điều này là
do càng nhiều nút ẩn trong mạng, thì càng nhiều đặc tính của dữ liệu huấn luyện sẽ được mạng nắm bắt nên nhận được kết quả tốt hơn là đương nhiên nhưng điều này đổi lại thời gian hội tụ sẽ lâu hơn
Ngoài ra ta cũng thực hiện thêm việc gán trọng số cho các thuộc tính đầu vào đối với thiết kế mạng mô phỏng lại bài báo[3] mà thu đƣợc kết quả sau:
- Kết quả trường hợp gán trọng số bằng không đối với thuộc tính đạo trình tăng cường - case 1:
Hình 3.14: Kết quả xác thực tốt nhất luyện mạng theo thiết kế mô phỏng lại bài
báo[3] – case 1
43
GVHD: PGS.TS Huỳnh Lương Nghĩa
D1 D2 D3
Real
D4
D5
disease
D6 D7 D8 D9 D10
Bảng 3.27: Bảng chỉ số tốt nhất của mô hình mạng neuron phân loại bệnh rối loạn
nhịp tim luyện mạng theo thiết kế mô phỏng lại bài báo[3] – case 1
Successful rate [%]
Failed rate[%]
Bảng 3.28: Tỷ lệ thành công của mô hình phân loại bệnh rối loạn nhịp tim luyện mạng
theo thiết kế mô phỏng lại bài báo[3] – case 1
- Kết quả trường hợp gán trọng số bằng không đối với thuộc tính đạo trình tim - Case 2:
Hình 3.15: Kết quả xác thực tốt nhất luyện mạng theo thiết kế mô phỏng lại bài báo[3] –
case 2
44
D1 D2 D3
Real
D4
D5
disease
D6 D7 D8 D9 D10
Bảng 3.29: Bảng chỉ số tốt nhất của mô hình mạng neuron phân loại bệnh rối loạn
nhịp tim luyện mạng theo thiết kế mô phỏng lại bài báo[3] – case 2
Bảng 3.30: Tỷ lệ thành công của mô hình phân loại bệnh rối loạn nhịp tim luyện mạng
theo thiết kế mô phỏng lại bài báo[3] – case 2
- Kết quả trường hợp gán trọng số bằng không đối với thuộc tính đạo trình cơ bản - Case 3:
Hình 3.16: Kết quả xác thực tốt nhất luyện mạng theo thiết kế mô phỏng lại bài báo[3]
– case 3
45
GVHD: PGS.TS Huỳnh Lương Nghĩa
D1 D2 D3 D4
Real D5
D6
disease D7
D8 D9 D10
Bảng 3.31: Bảng chỉ số tốt nhất của mô hình mạng neuron phân loại bệnh rối loạn nhịp tim luyện mạng theo thiết kế mô phỏng lại bài
báo[3] – case 3
Successful rate [%]
Failed rate[%]
Bảng 3.32: Tỷ lệ thành công của mô hình phân loại bệnh rối loạn nhịp tim luyện mạng theo thiết kế mô phỏng lại bài báo[3] – case 3
- Kết quả trường hợp gán trọng số bằng không đối với thuộc tính DI của đạo trình cơ bản – case 4:
Hình 3.17: Kết quả xác thực tốt nhất luyện mạng theo thiết kế mô phỏng lại bài báo[3] –
case 4
46
GVHD: PGS.TS Huỳnh Lương Nghĩa
D1 D2 D3 D4
Real D5
D6
disease
D7 D8 D9 D10
Bảng 3.33: Bảng chỉ số tốt nhất của mô hình mạng neuron phân loại bệnh rối loạn nhịp
tim luyện mạng theo thiết kế mô phỏng lại bài báo[3] – case 4
Successful rate [%]
Failed rate[%]
Bảng 3.34: Tỷ lệ thành công của mô hình phân loại bệnh rối loạn nhịp tim luyện mạng
theo thiết kế mô phỏng lại bài báo[3] –
- Kết quả trường hợp gán trọng số bằng không đối với thuộc tính DII của đạo trình cơ bản – case 5:
Hình 3.18: Kết quả xác thực tốt nhất luyện mạng theo thiết kế mô phỏng lại bài báo[3] –
case 5
47
GVHD: PGS.TS Huỳnh Lương Nghĩa
D1 D2 D3 D4
Real D5
D6
disease D7
D8 D9 D10
Bảng 3.35: Bảng chỉ số tốt nhất của mô hình mạng neuron phân loại bệnh rối loạn nhịp tim luyện mạng theo thiết kế mô phỏng lại bài
báo[3] – case 5
Successful rate [%]
Failed rate[%]
Bảng 3.36: Tỷ lệ thành công của mô hình phân loại bệnh rối loạn nhịp tim luyện mạng
theo thiết kế mô phỏng lại bài báo[3] –
- Kết quả trường hợp gán trọng số bằng không đối với thuộc tính DIII của
đạo trình cơ bản – case 6:
Hình 3.19: Kết quả xác thực tốt nhất luyện mạng theo thiết kế mô phỏng lại bài báo[3] –
case 6
48
GVHD: PGS.TS Huỳnh Lương Nghĩa
D1 D2 D3 D4
Real D5
D6
disease D7
D8 D9 D10
Bảng 3.37: Bảng chỉ số tốt nhất của mô hình mạng neuron phân loại bệnh rối loạn
nhịp tim luyện mạng theo thiết kế mô phỏng lại bài báo[3] – case 6
Successful rate [%]
Failed rate[%]
Bảng 3.38: Tỷ lệ thành công của mô hình phân loại bệnh rối loạn nhịp tim luyện mạng theo thiết kế mô phỏng lại bài báo[3] – case 6
- Kết quả trường hợp gán trọng số bằng không đối với thuộc tính DIII của đạo trình cơ bản và thuộc tính đạo trình tăng cường – case 7:
Hình 3.20: Kết quả xác thực tốt nhất luyện mạng theo thiết kế mô phỏng lại bài báo[3] –
case 7
49
GVHD: PGS.TS Huỳnh Lương Nghĩa
D1 D2 D3 D4
Real D5
D6
disease D7
D8 D9 D10
Bảng 3.39: Bảng chỉ số tốt nhất của mô hình mạng neuron phân loại bệnh rối loạn nhịp tim luyện mạng theo thiết kế mô phỏng lại bài
báo[3] – case 7
Successful rate [%]
Failed rate[%]
Bảng 3.40: Tỷ lệ thành công của mô hình phân loại bệnh rối loạn nhịp tim luyện mạng theo thiết kế mô phỏng lại bài báo[3] – case 7
Căn cứ vào các kết quả nhận được cho trường hợp gán trọng số bằng 0 có thể thấy mức độ quan trọng của các nhóm thuộc tính trong cấu trúc cấp cơ quan chức năng là:
Thuộc tính đạo trình cơ bản > Thuộc tính đạo trình tim > Thuộc tính đạo trình tăng cường
- Gán trọng số 0.8; 0.2; 0.4 lần lƣợt với các thuộc tính: Đạo trình cơ bản; Đạo trình tăng cường; Đạo trình tim – case 8:
IP=[IP([1:15],:);IP([16:51],:).*0.8;IP([52:87],:).*0.2;IP([88:159],:).*0.4;IP([1 60:189],:).*0.8;IP([190:219],:).*0.2;IP([220:279],:).*0.4];
IP11=IP;
IP11([20,68,70,84,132,133,140,142,144,146,152,157,158,165,205,265,275],:)=[]
- Gán trọng số 0.9; 0.1; 0.5 lần lƣợt với các thuộc tính: Đạo trình cơ bản; Đạo trình tăng cường; Đạo trình tim – case 9:
IP=[IP([1:15],:);IP([16:51],:).*0.9;IP([52:87],:).*0.1;IP([88:159],:).*0.5;IP([1 60:189],:).*0.9;IP([190:219],:).*0.1;IP([220:279],:).*0.5];
IP12=IP;
IP12([20,68,70,84,132,133,140,142,144,146,152,157,158,165,205,265,275],:)=[]
50
GVHD: PGS.TS Huỳnh Lương Nghĩa SVTH: Đinh Văn Quang
Tiến hành luyện, xác thực và thử nghiệm mạng theo ma trân đầu vào đƣợc gán trọng số phấn bố lần lƣợt nhƣ trên ta đều thu đƣợc một kết quả giống với kết quả trường hợp không gán trong số (case 0) như sau:
- Kết quả case 8:
Hình 3.21: Kết quả xác thực tốt nhất luyện mạng theo thiết kế mô phỏng lại bài báo[3] -
case 8
D1 D2 D3
Real
D4
D5
disease
D6 D7 D8 D9 D10
Bảng 3.41: Bảng chỉ số tốt nhất của mô hình mạng neuron phân loại bệnh rối loạn nhịp tim luyện mạng theo thiết kế mô phỏng lại bài
báo[3] - case 8
51
GVHD: PGS.TS Huỳnh Lương Nghĩa
Successful rate [%]
Failed rate[%]
Bảng 3.42: Tỷ lệ thành công của mô hình phân loại bệnh rối loạn nhịp tim luyện mạng theo thiết kế mô phỏng lại bài báo[3] - case 8
- Kết quả case 9 :
Hình 3.22: Kết quả xác thực tốt nhất luyện mạng theo thiết kế mô phỏng lại bài báo[3] -
case 9
D1 D2 D3
Real
D4
D5
disease
D6 D7 D8 D9 D10
Bảng 3.43: Bảng chỉ số tốt nhất của mô hình mạng neuron phân loại bệnh rối loạn nhịp tim luyện mạng theo thiết kế mô phỏng lại bài
báo[3] - case 9
52
GVHD: PGS.TS Huỳnh Lương Nghĩa
Successful rate [%]
Failed rate[%]
Bảng 3.44: Tỷ lệ thành công của mô hình phân loại bệnh rối loạn nhịp tim luyện mạng
theo thiết kế mô phỏng lại bài báo[3] - case 9
Kết luận chương III
Trong chương này chúng ta không chỉ đã tiến hành luyện, xác thực và thử nghiệm mạng neuron nhân tạo vào việc hỗ trợ chẩn đoán bệnh rối loạn nhịp tim trong hai trường hợp gán trọng số cho các thuộc tính đầu vào và không gán trọng số cho các thuộc tính đầu vào mà còn đƣa ra các kết quả thử nghiệm, kiểm chứng đối với mô hình mạng đã sử dụng trước đây trong bài báo[3] .Thuật toán học của mạng neuron đƣợc sử dụng ở đây là sự kết hợp giữa mạng neuron truyền thẳng đa lớp và thuật toán lan truyền ngược đã đề cập trong chương II.
53