Hệ tư vấn mờ trực cảm và ứng dụng trong chẩn đoán bệnh

ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC CÔNG NGHỆ NGUYỄN THỌ THÔNG HỆ TƯ VẤN MỜ TRỰC CẢM VÀ ỨNG DỤNG TRONG CHẨN ĐOÁN BỆNH Ngành: Công nghệ thông tin Chuyên ngành: Hệ thống thôn

ĐẠI HỌC QUỐC GIA HÀ NỘI

TRƯỜNG ĐẠI HỌC CÔNG NGHỆ

NGUYỄN THỌ THÔNG

HỆ TƯ VẤN MỜ TRỰC CẢM

VÀ ỨNG DỤNG TRONG CHẨN ĐOÁN BỆNH

LUẬN VĂN THẠC SĨ CÔNG NGHỆ THÔNG TIN

Hà Nội – 2014

ĐẠI HỌC QUỐC GIA HÀ NỘI

TRƯỜNG ĐẠI HỌC CÔNG NGHỆ

NGUYỄN THỌ THÔNG

HỆ TƯ VẤN MỜ TRỰC CẢM

VÀ ỨNG DỤNG TRONG CHẨN ĐOÁN BỆNH

Ngành: Công nghệ thông tin

Chuyên ngành: Hệ thống thông tin

Mã số: 60480104

LUẬN VĂN THẠC SĨ CÔNG NGHỆ THÔNG TIN

NGƯỜI HƯỚNG DẪN KHOA HỌC: TS LÊ HOÀNG SƠN

Mục lục

MỞ ĐẦU Error! Bookmark not defined.

CHƯƠNG 1 TỔNG QUAN VỀ TẬP MỜ TRỰC CẢM, HỆ TƯ VẤN VÀ BÀI

TOÁN CHẨN ĐOÁN BỆNH 6

I Bài toán chẩn đoán bệnh 6

1 Giới thiệu 6

2 Bài toán chẩn đoán bệnh 6

3 Ví dụ bài toán chẩn đoán bệnh 6

II Tổng quan về tập mờ trực cảm 8

1 Tập rõ 8

2 Tập mờ 8

3 Tập mờ trực cảm 10 III Hệ tư vấn Error! Bookmark not defined.

1 Giới thiệu Error! Bookmark not defined.

2 Định nghĩa hệ tư vấn Error! Bookmark not defined.

3 Một số thuật toán trong RS Error! Bookmark not defined.

4 Một số nghiên cứu liên quan Error! Bookmark not defined.

IV Kết luận Error! Bookmark not defined CHƯƠNG 2 HỆ TƯ VẤN MỜ TRỰC CẢM Error! Bookmark not defined.

I Giới thiệu Error! Bookmark not defined.

II Hệ tư vấn mờ trực cảm Error! Bookmark not defined.

1 Hệ tư vấn mờ trực cảm đơn tiêu chí và đa tiêu chí Error! Bookmark not defined.

2 Ma trận mờ trực cảm và ma trận hợp thành mờ trực cảm Error! Bookmark not defined.

3 Ma trận tương đồng mờ trực cảm và độ đo tương tự mờ trực cảm Error! Bookmark not defined.

4 Thuật toán lọc cộng tác mờ trực cảm Error! Bookmark not defined.

5 Kết luận Error! Bookmark not defined CHƯƠNG 3 KẾT QUẢ THỰC NGHIỆM VÀ SO SÁNHError! Bookmark not defined.

I Giới thiệu Error! Bookmark not defined.

1 Môi trường thực nghiệm Error! Bookmark not defined.

2 Dữ liệu Error! Bookmark not defined.

II Kết quả thực nghiệm và so sánh Error! Bookmark not defined.

1 Minh họa IFCF Error! Bookmark not defined.

2 Đánh giá Error! Bookmark not defined KẾT LUẬN Error! Bookmark not defined.

TÀI LIỆU THAM KHẢO 11

Danh mục các bảng

Bảng 1 Quan hệ giữa bệnh nhân và triệu chứng (R ) 7 PS

Bảng 2 Quan hệ giữa triệu chứng và bệnh (R SD) 7 Bảng 3 Quan hệ giữa bệnh nhân và bệnh (R PD) 7 Bảng 4 Bệnh của bệnh nhân 7 Bảng 5 Quan hệ giữa bệnh nhân và bệnh (R PD) trong phương pháp của De, Biswas và Roy

Error! Bookmark not defined.

Bảng 6 Ma trận S PD Error! Bookmark not defined.

Bảng 7 Ma trận W PD Error! Bookmark not defined Bảng 8 Ma trận giảm thiểu Error! Bookmark not defined Bảng 9 Quan hệ giữa bệnh nhân và bệnh khi sử dụng hàm Hamming Error! Bookmark not defined.

Bảng 10 Quan hệ giữa bệnh nhân và bệnh khi sử dụng hàm Euclidean Error! Bookmark not defined.

Bảng 11 Tập dữ liệu huấn luyện với các giá trị * cần được dự báo Error! Bookmark not defined.

Bảng 12 Tập dữ liệu huấn luyện thô với các giá trị * cần được dự báo Error! Bookmark not defined.

Bảng 13 Tập dữ liệu đầy đủ được xác định bởi phương pháp của Hassan và Syed, các giá trị

in đậm thể hiện bệnh của bệnh nhân Error! Bookmark not defined.

Bảng 14 Tập dữ liệu đầy đủ được xác định bởi phương pháp của Davis và cộng sự [9], các

giá trị in đậm thể hiện bệnh có thể mắc phải nhất Error! Bookmark not defined Bảng 15 MC-IFRS cho chẩn đoán bệnh với các giá trị * cần được dự báo Error! Bookmark not defined.

Bảng 16 Miêu tả về tập dữ liệu thực nghiệm Error! Bookmark not defined Bảng 17 Tập dữ liệu huấn luyện với các giá trị * cần được dự báo Error! Bookmark not defined.

Bảng 18 Tập dữ liệu SC-IFRS được trích xuất với các giá trị * cần được dự báo Error! Bookmark not defined.

Bảng 19 Bệnh được khuyến nghị, bệnh với khả năng mắc cao nhất được in đậm Error! Bookmark not defined.

Bảng 20 Kết quả của thực nghiệm ngẫu nhiên trên bộ dữ liệu HEART Error! Bookmark not defined.

Bảng 21 Kết quả của thực nghiệm k-fold trên bộ dữ liệu HEART Error! Bookmark not defined.

Bảng 22 Kết quả của thực nghiệm ngẫu nhiên trên bộ dữ liệu RHC Error! Bookmark not defined.

Bảng 23 Kết quả của thực nghiệm k-fold trên bộ dữ liệu RHC Error! Bookmark not defined.

Danh mục các hình vẽ, đồ thị

Hình 1 Tập rõ và biểu diễn tập rõ 8 Hình 2 Ví dụ tập mờ 9

Hình 3 Thuật toán IFCF Error! Bookmark not defined Hình 4 Phân bố 2 chiều của HEART Error! Bookmark not defined Hình 5 Phân bố 2 chiều của RHC Error! Bookmark not defined Hình 6 Kết quả MAE của thực nghiệm ngẫu nhiên trên bộ dữ liệu HEART Error! Bookmark not defined.

Hình 7 Kết quả MAE của thực nghiệm k-fold trên bộ dữ liệu HEART Error! Bookmark not defined.

Hình 8 Kết quả MAE của thực nghiệm ngẫu nhiên trên bộ dữ liệu RHC Error! Bookmark not defined.

Hình 9 Kết quả MAE của thực nghiệm k-fold trên bộ dữ liệu RHC Error! Bookmark not defined.

CHƯƠNG 1 TỔNG QUAN VỀ TẬP MỜ TRỰC CẢM, HỆ TƯ

VẤN VÀ BÀI TOÁN CHẨN ĐOÁN BỆNH

I Bài toán chẩn đoán bệnh

1 Giới thiệu

Bài toán chẩn đoán bệnh là bài toán rất phổ biến trong y học Nó là một khâu rất quan trọng trong quy trình điều trị của bệnh nhân Bernegger và cộng sự [5] cho rằng chẩn đoán là khâu trung tâm trong y học lâm sàng và việc chẩn đoán chính xác là một yêu cầu quan trọng trong các quyết định điều trị đúng Chẩn đoán bệnh là dự báo khả năng mắc bệnh cho bệnh nhân dựa vào những thông tin triệu chứng mà bệnh nhân gặp phải Với mức độ quan trọng của chẩn đoán trong điều trị bệnh nhân nên vấn đề nâng cao chất lượng chẩn đoán là vấn đề đang được quan tâm hàng đầu

2 Bài toán chẩn đoán bệnh

Định nghĩa 1 [46]: Cho PP1, ,P n là tập bệnh nhân, S S1, ,S m là tập triệu chứng, DD1, ,D k là tập bệnh Mối quan hệ giữa bệnh nhân và triệu chứng được thể hiện bởi tập R PS R PSP i,S j|i1,n;j1,m Ở đây  i j

PS S P

R , thể hiện cấp độ bệnh nhân P i có triệu chứng S j và được biểu diễn bằng giá trị số hay giá trị mờ, mờ trực cảm Tương tự, quan hệ giữa triệu chứng và bệnh nhân được thể hiện bởi tập

R S D i m j k

R SD SD i, j | 1, ; 1, Ở đây  i j

SD D S

R , phản ánh khả năng triệu chứng

i

S sẽ dẫn đến bệnh D j Bài toán chẩn đoán bệnh nhằm xác định mối quan hệ giữa bệnh nhân và bệnh được thể hiện bởi tập R PD R PDP i,D j|i1,n;j1,k Ở đây

 i j

PD

D

P

R , nhận giá trị 0 hoặc 1 tương ứng với bệnh nhân P i có bị bệnh D j hay không Bài toán chẩn đoán bệnh có thể thể hiện ngắn gọn bởi ánh xạ: R PS,R SDR PD

3 Ví dụ bài toán chẩn đoán bệnh

Ví dụ 1: Xem xét tập dữ liệu của Samuel và Balamurugan [35] bao gồm bốn

bệnh nhân P = {Ram, Mari, Sugu, Somu}, năm triệu chứng S = {Temperature, Headache, Stomach-pain, Cough, Chest-pain} và năm bệnh D = {Viral-Fever, Malaria, Typhoid, Stomach, Heart} Quan hệ giữa bệnh nhân – triệu chứng và triệu chứng – bệnh được cho trong Bảng 1 và 2

P Temperature Headache Stomach_pain Cough Chest_pain

Ram (0.8, 0.1) (0.6, 0.1) (0.2, 0.8) (0.6, 0.1) (0.1, 0.6) Mari (0, 0.8) (0.4, 0.4) (0.6, 0.1) (0.1, 0.7) (0.1, 0.8) Sugu (0.8, 0.1) (0.8, 0.1) (0, 0.6) (0.2, 0.7) (0, 0.5) Somu (0.6, 0.1) (0.5, 0.4) (0.3, 0.4) (0.7, 0.2) (0.3, 0.4)

Bảng 1 Quan hệ giữa bệnh nhân và triệu chứng (R PS)

S Viral-Fever Malaria Typhoid Stomach Heart

Temperature (0.4, 0) (0.7, 0) (0.3, 0.3) (0.1, 0.7) (0.1, 0.8) Headache (0.3, 0.5) (0.2, 0.6) (0.6, 0.1) (0.2, 0.4) (0, 0.8) Stomach_pain (0.1, 0.7) (0, 0.9) (0.2, 0.7) (0.8, 0) (0.2, 0.8) Cough (0.4, 0.3) (0.7, 0) (0.2, 0.6) (0.2, 0.7) (0.2, 0.8) Chest_pain (0.1, 0.7) (0.1, 0.8) (0.1, 0.9) (0.2, 0.7) (0.8, 0.1)

Bảng 2 Quan hệ giữa triệu chứng và bệnh (R SD)

Quan hệ giữa bệnh nhân và bệnh được cho bởi các giá trị mờ trực cảm (IFV) được thể hiện trong Bảng 3

P Viral_Fever Malaria Typhoid Stomach Heart

Ram (0.4, 0.1) (0.7, 0.1) (0.6, 0.1) (0.2, 0.4) (0.2, 0.6) Mari (0.3, 0.5) (0.2, 0.6) (0.4, 0.4) (0.6, 0.1) (0.1, 0.7) Sugu (0.4, 0.1) (0.7, 0.1) (0.6, 0.1) (0.2, 0.4) (0.2, 0.5) Somu (0.4, 0.1) (0.7, 0.1) (0.5, 0.3) (0.3, 0.4) (0.3, 0.4)

Bảng 3 Quan hệ giữa bệnh nhân và bệnh (R PD)

Bệnh mà bệnh nhân có khả năng mắc phải nhất được cho trong Bảng 4 Nó được xác định từ Bảng 3 bằng việc sử dụng một phương pháp giải mờ đơn giản, đó là cực đại độ thuộc của các bệnh

P Viral_Fever Malaria Typhoid Stomach Heart

Bảng 4 Bệnh của bệnh nhân

II Tổng quan về tập mờ trực cảm

1 Tập rõ

Định nghĩa 2 [6]: Cho tập nền X và x là phần tử của tập X Một tập C trên tập X

là một tập hợp rõ, với x là phần tử của tập hợp C, chỉ có thể có xC hoặc xC Có thể sử dụng hàm  x để mô tả khái niệm thuộc về Hàm  x được gọi là hàm thuộc hay hàm đặc trưng của tập hợp C

 













C x if 0

C x if 1

x

Ví dụ 2: X X1,X2,X3,X4

0 ) (

; 1 ) (

; 1 ) (

;

1

)

(x1   x2   x3   x4 

Hình 1 Tập rõ và biểu diễn tập rõ

2 Tập mờ

Lý thuyết mờ được biết đến lần đầu tiên trong nghiên cứu về tập mờ của Lotfi

A Zadeh, Dieter Klaua (1965) và nhanh chóng được ứng dụng rộng rãi trong hầu hết các lĩnh vực khoa học kỹ thuật như kinh tế, nông nghiệp, dịch vụ, y tế, v.v

Trong thực tế khi định nghĩa một tập các số lớn hơn 100 và ký hiệu là A, ta định nghĩa như sau

 | 100

 x x A

Khi đó rất dễ xác định được các phần tử chắc chắn thuộc và không thuộc khái niệm A Tuy nhiên, nếu đưa ra khái niệm về tập nhà giàu (với những người có thu nhập hơn hay bằng 10 triệu một tháng) và ký hiệu là B

 | 10000000

 tn tn B

Khi đó ta bảo một người có thu nhập là 10 triệu/tháng là thuộc nhà giàu, tuy nhiên bằng trực giác bình thường nó sẽ không hợp lý nếu gọi người có thu nhập 9999999/tháng không phải là nhà giàu

Vì vậy, khái niệm tập mờ xuất hiện để giải quyết các tập không có ranh giới rõ ràng hay những dữ liệu không chắc chắn

2.1 Định nghĩa tập mờ

Xét tập X khác rỗng Ta sẽ gọi X là không gian nền

Định nghĩa 3 [54]: A là tập mờ trên không gian nền X nếu A được xác định bởi hàm

 0,1 :X 

A

A

 là hàm thuộc (membership function) còn A x là độ thuộc của x vào tập mờ A

Ví dụ 3:

Hình 2 Ví dụ tập mờ

Ví dụ 4: A1  một vài quả cam

Ví dụ 5: A2  “số thực gần 10” có hàm thuộc    2

10 1

1







x

x A



Ta sẽ ký hiệu F  x  A tập mờ trên X

2.2 Các phép toán đại số trên tập mờ

Các phép toán trên tập mờ được định nghĩa thông qua các hàm thuộc của chúng

và được xây dựng tương tự như các phép toán trong tập mờ kinh điển

a) Phép hợp

Cho A, B là hai tập mờ trên khôn gian nền X, có hàm thuộc A,B khi đó phép hợp AB là tập mờ trên X với hàm thuộc cho bởi

 x  A   x B xx X B

b) Phép giao

Cho A, B là hai tập mờ trên khôn gian nền X, có hàm thuộc A,B khi đó phép hợp AB là tập mờ trên X với hàm thuộc cho bởi

 x  A   x B xx X B

c) Phép lấy phần bù

Cho A là một tập mờ trên khôn gian nền X , có hàm thuộc A,B khi đó phần

bù C

A là tập mờ trên X với hàm thuộc cho bởi

 x A x x X

d) Phép chứa và phép bằng nhau

Cho A,BF x Ta nói

B

A nếu A x B x với mọi xX B

A nếu A x B x với mọi xX

(6)

Do đó

B

A nếu A x B x với mọi xX (7)

2.3 Một số tính chất

Cho A,B,CF x

a) Giao hoán

A B B

b) Kết hợp

B C A B C

A     ;ABC  ABC (9)

c) Lũy đẳng

A A

d) Phân phối

B C A B A C

A      ;ABC  AB  AC (11)

e) Đồng nhất



f) Hấp thu

A B A

g) Luật De Morgan

 C C C

B A B

B A B

h) Cuộn

i) Dạng tương đương

A C B  AB C  A C B CAB (16)

3 Tập mờ trực cảm

Lý thuyết tập mờ thông thường (tập mờ loại một) gặp phải vấn đề đó là để phát triển một hệ logic mờ phải xây dựng hàm thuộc cho các tập mờ sử dụng trong hệ, hay

TÀI LIỆU THAM KHẢO

[1] Agarwal, M., Hanmandlu, M., Biswas, K K (2011) Generalized intuitionistic fuzzy soft set and its application in practical medical diagnosis problem

Proceeding of IEEE International Conference on Fuzzy Systems (FUZZ 2011),

2972-2978

[2] Ahn, J Y., Han, K S., Oh, S Y., Lee, C D (2011) An application of

interval-valued intuitionistic fuzzy sets for medical diagnosis of headache International

Journal of Innovative Computing, Information and Control, 7(5), 2755 – 2762

[3] Albeanu, G., Popentiu-Vladicescu, F.L (2010) Intuitionistic fuzzy methods in

software reliability modelling Journal of Sustainable Energy, 1(1), 30 - 34 [4] Atanassov, K T (1986) Intuitionistic fuzzy sets Fuzzy sets and Systems, 20(1),

87-96

[5] Bernegger, G., Musalek, M., Rehmann-Sutter, C (2012) An alternative view on

the task of prognosis Critical reviews in oncology/hematology, 84, S17-S24

[6] Cantor, Georg (1874), “Ueber eine Eigenschaft des Inbegriffes aller reellen algebraischen Zahlen”, Journal für die reine und angewandte Mathematik 77: 258–262

[7] Connors, A.F., et al (1996) The effectiveness of right heart catheterization in the

initial care of critically III patients Jama, 276(11), 889-897

[8] Cuong, B C., Son, L H., Chau, H T M (2010) Some context fuzzy clustering

methods for classification problems Proceedings of the 2010 ACM Symposium

on Information and Communication Technology (pp 34-40)

[9] Davis, D A., Chawla, N V., Blumm, N., Christakis, N., Barabási, A L (2008)

Predicting individual disease risk based on medical history Proceedings of the

17th ACM conference on Information and knowledge management, 769-778

[10] De, S K., Biswas, R., Roy, A R (2001) An application of intuitionistic fuzzy

sets in medical diagnosis Fuzzy Sets and Systems, 117(2), 209-213

[11] Duan, L., Street, W N., Xu, E (2011) Healthcare information systems: data

mining methods in the creation of a clinical recommender system Enterprise

Information Systems, 5(2), 169-181

[12] Feng, F., Li, C., Davvaz, B., Ali, M I (2010) Soft sets combined with fuzzy sets

and rough sets: a tentative approach Soft Computing, 14(9), 899-911

[13] Feng, F., Liu, X., Leoreanu-Fotea, V., Jun, Y B (2011) Soft sets and soft rough

sets Information Sciences, 181(6), 1125-1137

[14] Hassan, S., Syed, Z (2010) From netflix to heart attacks: collaborative filtering

in medical datasets Proceedings of the 1st ACM International Health Informatics

Symposium, 128-134

[15] Hosseini, R., Ellis, T., Mazinani, M., Dehmeshki, J (2011) A genetic fuzzy approach for rule extraction for rule-based classification with application to

medical diagnosis Proceeding of European Conference on Machine Learning

and Principles and Practice of Knowledge Discovery in Databases (ECML PKDD), 5-9

[16] Hung, W L., Yang, M S (2008) On similarity measures between intuitionistic

fuzzy sets International Journal of Intelligent Systems, 23(3), 364-383

[17] Irfan Ali, M (2011) A note on soft sets, rough soft sets and fuzzy soft sets

Applied Soft Computing, 11(4), 3329-3332

[18] Jafarian, E., Rezvani, M A (2013) A valuation-based method for ranking the

intuitionistic fuzzy numbers Journal of Intelligent and Fuzzy Systems, 24(1),

133-144

[19] Kala, R., Janghel, R R., Tiwari, R., Shukla, A (2011) Diagnosis of breast cancer

by modular evolutionary neural networks International Journal of Biomedical

Engineering and Technology, 7(2), 194-211

[20] Khatibi, V., Montazer, G A (2009) Intuitionistic fuzzy set vs fuzzy set

application in medical pattern recognition Artificial Intelligence in Medicine,

47(1), 43-52

[21] Kononenko, I (2001) Machine learning for medical diagnosis: history, state of

the art and perspective Artificial Intelligence in medicine, 23(1), 89-109

[22] Littlestone, N., & Warmuth, M K (1994) The weighted majority algorithm.Information and computation, 108(2), 212-261

[23] Meenakshi, A R., Kaliraja, M (2011) An application of interval valued fuzzy

matrices in medical diagnosis Int J Math Anal, 5(36), 1791-1802

[24] Meisamshabanpoor, Mahdavi, M (2012) Implementation of a Recommender

System on Medical Recognition and Treatment International Journal of

e-Education, e-Business, e-Management and e-Learning, 2(4), 315 – 318