Генерация базы правил нечеткого классификатора для диагностики болезни Паркинсона по рукописным данным

Обложка

Цитировать

Полный текст

Аннотация

Болезнь Паркинсона является нейродегенеративным неврологическим заболеванием, прогрессирование которого можно замедлить благодаря своевременной диагностике. В связи с чем актуальна разработка простых и доступных скрининговых методов, одним из которых является анализ рукописного письма и рисунка. В статье описывается такой метод, основанный на применении нечеткого классификатора. Предложен алгоритм формирования баз нечетких правил, в котором горная кластеризация применяется после настройки параметров на конкретных данных. Для поиска параметров выбран алгоритм оптимизации Пауэлла. В качестве целевой функции используется сбалансированная точность и отношение количества правил к числу обучающих образцов. Эффективность предложенного алгоритма сравнивается с классическим алгоритмом кластеризации k-средних и алгоритмом экстремальных значений признаков классов.

Об авторах

Марина Борисовна Бардамова

Томский государственный университет систем управления и радиоэлектроники

Автор, ответственный за переписку.
Email: 722bmb@gmail.com

кандидат технических наук, старший научный сотрудник

Россия, Томск

Илья Александрович Ходашинский

Томский государственный университет систем управления и радиоэлектроники

Email: hodashn@rambler.ru

доктор технических наук, профессор, заведующий лабораторией

Россия, Томск

Юрий Алексеевич Шурыгин

Томский государственный университет систем управления и радиоэлектроники

Email: yuriy.shurygin@tusur.ru

доктор технических наук, профессор, директор департамента управления и стратегического развития, заведующий кафедрой; научный руководитель Научно-исследовательского института автоматики и электромеханики (НИИ АЭМ)

Россия, Томск

Константин Сергеевич Сарин

Томский государственный университет систем управления и радиоэлектроники

Email: sarin.konstantin@mail.ru

кандидат технических наук, доцент, старший научный сотрудник

Россия, Томск

Михаил Олегович Светлаков

Томский государственный университет систем управления и радиоэлектроники

Email: svetlakov.m4@gmail.com

ассистент, младший научный сотрудник

Россия, Томск

Список литературы

  1. Петровский А.Б., Проничкин С.В., Шепелёв Г.И. Информационно-логическая модель научно-технологического потенциала превентивной и персонализированной медицины // Искусственный интеллект и принятие решений. 2022. № 3. С. 21-35.
  2. Fuzzy classification methods-based diagnosis of Parkinson’s disease from speech test cases / N. K. Dastjerd [et al.] // Current Aging Science. 2019. Vol. 12. No. 2. P. 100-120.
  3. ВОЗ. Болезнь Паркинсона // Электронный ресурс. URL: https://www.who.int/ru/news-room/fact-sheets/detail/parkinson-disease (доступ 11.08.2022).
  4. Biometric data and machine learning methods in the diagnosis and monitoring of neurodegenerative diseases: a review / I.A. Hodashinsky [et al.] // Computer Optics. 2022. Vol. 46. No. 6. P. 988-1019.
  5. A survey of visual and procedural handwriting analysis for neuropsychological assessment / M. Moetesum [et al.] // Neural Computing and Applications. 2022. Vol. 34. P. 9561-9578.
  6. Wang L.-X., Mendel J.M. Generating fuzzy rules by learning from examples // IEEE Transactions on Systems, Man, and Cybernetics. 1992. Vol. 22. No. 6. P. 1414-1427.
  7. D’Andrea E., Lazzerini B. A hierarchical approach to multi-class fuzzy classifiers // Expert Systems with Applications. 2013. Vol. 40. No. 9. P. 3828-3840.
  8. Ходашинский И.А., Сарин К.С. Отбор классифицирующих признаков с помощью популяционного случайного поиска с памятью // Автоматика и телемеханика. 2019. № 2. С. 161-172.
  9. Isenkul M.E., Sakar B.E., Kursun O. Improved spiral test using digitized graphics tablet for monitoring Parkinson's disease // The 2nd International Conference on e-Health and Telemedicine. Istanbul. 2014. P. 171-175.
  10. Evaluation of handwriting kinematics and pressure for differential diagnosis of Parkinson’s disease / Drotar P. [et al.] // Artificial Intelligence in Medicine. 2016. Vol. 67. P. 39-46.
  11. Deep learning-aided parkinson’s disease diagnosis from handwritten dynamics / C.R. Pereira [et al.] // Proceedings of the 29th SIBGRAPI Conference on Graphics, Patterns and Images. Sao Paulo: IEEE. 2016. P. 340-346.
  12. Muthukaruppana S., Er M.J. A hybrid particle swarm optimization based fuzzy expert system for the diagnosis of coronary artery disease // Expert Systems with Applications. 2012. Vol. 39. No. 14. P. 11657-11665.
  13. Abonyi J., Roubos J.A., Szeifert F. Data-driven generation of compact, accurate, and linguistically-sound fuzzy classifiers based on a decision-tree initialization // International Journal of Approximate Reasoning. 2003. Vol. 32. P. 1-21.
  14. Pulkkinen P., Koivisto H. Fuzzy classifier identification using decision tree and multiobjective evolutionary algorithms // International Journal of Approximate Reasoning. 2008. Vol. 48. P. 526-543.
  15. Ходашинский И.А., Мех М.А. Построение нечеткого классификатора на основе методов гармонического поиска // Программирование. 2017. № 1. С. 54-65.
  16. Wang D., Zeng X.-J., Keane J.A. A structure evolving learning method for fuzzy systems // Evolving Systems. 2010. Vol. 1. P. 83–95.
  17. Wang D., Zeng X.-J., Keane J.A. A simplified structure evolving method for Mamdani fuzzy system identification and its application to high-dimensional problems // Information Sciences. 2013. Vol. 220. P. 110-123.
  18. Ye Q., Xia Y., Yao Z. Classification of gait patterns in patients with neurodegenerative disease using adaptive neurofuzzy inference system // Computational and Mathematical Methods in Medicine. Vol. 2018. Article ID 9831252.
  19. Salimi-Badr A., Hashemi M., Saffari H. A type-2 neurofuzzy system with a novel learning method for Parkinson’s disease diagnosis // Applied Intelligence. 2022.
  20. Chiu S. Fuzzy model identification based on cluster estimation // Journal of Intelligent and Fuzzy Systems. 1994. Vol. 2. No. 3. P. 267-278.
  21. Powell M.J.D. An efficient method for finding the minimum of a function of several variables without calculating derivatives // The Computer Journal. 1964. Vol. 7. No. 2. P. 155-162.
  22. Computational analysis of open loop handwriting movements in Parkinson's disease: a rapid method to detect dopamimetic effects / T.E. Eichhorn [et al.] // Movement Disorders. 1996. Vol. 11. No. 3. P. 289-297.
  23. Cartesian genetic programming for diagnosis of Parkinson disease through handwriting analysis: Performance vs. interpretability issues / А. Parziale [et al.] // Artificial intelligence in medicine. 2021. Vol. 111. P. 101984.
  24. Koryshev N., Hodashinsky I., Shelupanov A. Building a fuzzy classifier based on whale optimization algorithm to detect network intrusions // Symmetry. 2021. Vol. 13. No. 7. P. 1211.
  25. Bardamova M., Hodashinsky I. Formation of fuzzy classifier structure by a combination of the class extremum algorithm and the shuffled frog leaping algorithm for imbalanced data with two classes // Optoelectronics Instrumentation and Data Processing. 2021. Vol. 57. No. 4. P. 378-387.
  26. Results of generating the structure of a fuzzy classifier for the diagnosis of Parkinson's disease // Electronic resource. URL: https://www.researchgate.net/publication/367561819_Results_of_generating_the_structure_of_a_fuzzy_classifier_for_the_diagnosis_of_Parkinson's_disease (accessed 31.01.2023).
  27. Robnik-Sikonja M., Kononenko I. Theoretical and empirical analysis of ReliefF and RReliefF // Machine Learning, 2003. Vol. 53. No. 1-2. P. 23-69.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».