Please use this identifier to cite or link to this item: http://hdl.handle.net/10889/9099
Title: Δημιουργία έμπειρων συστημάτων για τη διάγνωση του τύπου της αφασίας
Authors: Κωνσταντινοπούλου, Γεωργία
Keywords: Διάγνωση τύπου αφασίας
Έμπειρα συστήματα
Keywords (translated): Diagnosis of aphasia type
Expert systems
Abstract: Η προσπάθεια προσδιορισμού και ερμηνείας των αφασικών συνδρόμων διέπεται από αρκετές ασάφειες και ασυνέπειες. Κάθε αφασικό σύνδρομο είναι ένα σύνολο συνυπαρχόντων συμπτωμάτων που σχετίζονται με επίκτητες διαταραχές των γλωσσικών δεξιοτήτων: κατανόηση, εκφορά, επανάληψη, κατονομασία, ανάγνωση και γραφή. Σε αυτή την εργασία γίνεται μια προσπάθεια υπολογιστικής προσέγγισης της διαγνωστικής διαδικασίας, που αφορά τέσσερα σύνδρομα (ή τύπους) αφασίας: Broca, Wernicke, Anomic και Conduction, με την δημιουργία Εμπειρων Συστημάτων (ΕΣ) με χρήση διαφορετικών μεθόδων Τεχνητής Νοημοσύνης (ΤΝ). Τα δεδομένα 164 αγγλόφωνων ασθενών με αφασία από την AphasiaBank αποτέλεσαν, αφ’ ενός μεν τη βάση δεδομένων απ’ όπου εξήχθησαν κανόνες για τη διάγνωση των τύπων αφασίας, αφ’ ετέρου δε τη βάση για τον έλεγχο των διαφόρων μεθόδων ΤΝ. Δημιουργήθηκαν πέντε ΕΣ, που είναι ουσιαστικά συστήματα ταξινόμησης, που το καθένα χρησιμοποιεί διαφορετική μέθοδο ΤΝ για την εξαγωγή διαγνώσεων. Για την ανάπτυξη των ΕΣ χρησιμοποιήθηκαν τα εξής εργαλεία:  Το WEKA, ένα εργαλείο μηχανικής μάθησης που περιέχει αλγόριθμους, όπως ο J48, που παράγει δέντρα απόφασης, από τα οποία μπορούν να εξαχθούν κανόνες.  Το CLIPS, ένα κέλυφος ανάπτυξης έμπειρων συστημάτων με κανόνες.  Το FuzzyCLIPS, μια επέκταση του CLIPS, που χρησιμοποιεί ασαφείς μεταβλητές και κανόνες καθώς και συντελεστές βεβαιότητος.  Το ACRES, ένα εργαλείο αυτόματης παραγωγής ΕΣ με συντελεστές βεβαιότητας, που αναπτύχθηκε στο τμήμα Μηχανικών Ηλεκτρονικών Υπολογιστών και Πληροφορικής του Πανεπιστημίου Πατρών.  Η εργαλειοθήκη Τεχνητών Νευρωνικών Δικτύων του MATLAB (R2011a). Υλοποιήθηκε ένα Pattern recognition network, που ανήκει στην κατηγορία των multilayer feedforward networks. Μετά την δημιουργία τους τα ΕΣ εκτιμήθηκαν ως προς την απόδοσή τους με τις γνωστές μετρικές αξιολόγησης: Recall, Precision, F_measure και W_Avg_Rec. Διαπιστώθηκε ότι όλα τα ΕΣ είχαν πολύ καλή απόδοση, με την W_Avg_Rec να ξεπερνά το 0.91. Ιδιαίτερα διακρίνονται τα ΕΣ που δημιουργήθηκαν με το CLIPS, το FuzzyCLIPS και το ACRES, των οποίων η απόδοση είναι ίση περίπου με 1. Στις άλλες μετρικές αξιολόγησης υπερέχει το ACRES με F_measure ίση με 0.9833 και τα CLIPS, FuzzyCLIPS με 0.9167, ενώ τελευταίο σε σειρά βρίσκεται το ΤΝΔ με F_measure ίση με 0.8669. Αυτό που απαίτησε αρκετό χρόνο για την υλοποίησή του ήταν το ΕΣ του FuzzyCLIPS, αντίθετα με αυτό του WEKA που δίνει πολύ καλά αποτελέσματα με μικρό χρόνο ανάπτυξης. Ως προς τις μεταβλητές, παρατηρήθηκε πως χρησιμοποιήθηκαν από τα ΕΣ σε όλες τις υλοποιήσεις, μόνο οι 8 από τις 18 παραμέτρους εισόδου, ενώ στην καλύτερή τους έκδοση χρειάστηκαν ακόμα λιγότερες, σε διάφορους συνδυασμούς. Η διαπίστωση αυτή βρίσκεται σε συμφωνία με συναφείς μελέτες που καταλήγουν πως η χρήση περισσοτέρων εισόδων σε ένα ΕΣ, δεν παράγει κατά ανάγκην καλύτερη ακρίβεια, όσο η επιλογή των κατάλληλων χαρακτηριστικών. Συνεπώς, προσδίδεται σε αυτές τις μεταβλητές ένας πιο καθοριστικός ρόλος σε σχέση με τις υπόλοιπες, για την διάγνωση του τύπου της αφασίας, γεγονός που μάλλον πρέπει να ληφθεί υπόψην στην κλινική διαγνωστική διαδικασία, δεδομένου ότι μειώνει τους παράγοντες που πρέπει να ληφθούν υπ’ όψιν.
Abstract (translated): Attempting to determine and interpret aphasic syndromes is ruled by several ambiguities and inconsistencies. Every aphasic syndrome is a set of co-occuring symptoms related to acquired linguistic skill disorders: understanding, articulation, repetition, naming, reading and writing. This thesis attempts to computationally approach the diagnostic procedure concerning four aphasic syndromes/types: Broca, Wernicke, Anomic and Conduction, by creating Expert Systems (ESs) based on different Artificial Intelliigence (AI) methods. Data about 164 aphasic english-speaking patients from AphasiaBank was, on the one hand, the data set from where diagnostic rules have been extracted and, on the other hand, the base for the evaluation of the different AI methods. Five ESs were created, which are actually classification systems, each using a different AI method for diagnoses deduction. For the development of the ESs, the following tools were used:  WEKA, a machine learning tool containing algorithms, such as J48, which produce decision trees, from which rules can be extracted.  CLIPS, an expert system development shell for rule-based ESs.  FuzzyCLIPS, a CLIPS extension that uses fuzzy variables and rules as well as certainty factors.  ACRES, a tool for automatic generation of ESs with certainty, which was developed at the Department of Computer Engineering & Informatics of the University of Patras.  Artificial Neural Networks toolkit of Matlab tool (R2001a). A pattern recognition network that belongs to the multi-layer feedforward networks category has been implemented. Once the ESs were created, they were assessed as to their performance based on the well known evaluation metrics: Recall, Precision, F_measure και W_Avg_Rec. All ESs performed quite well, producing results with W_Avg_Rec surpassing 0.91. Notably distinguished the ESs created with CLIPS, FuzzyCLIPS and ACRES, whose performance has been approximately equal to 1. As to the rest of the metrics, ACRES with F_measure 0.9833, FuzzyCLIPS and CLIPS with 0.9167 excel, while ANN with F_measure 0.8669 stands last in line. What demanded considerable time to implement was FuzzyCLIPS based ES, in contrary to WEKA decision tree based ES implemented in CLIPS, which while produces very good results it demands very short development time. As far as the variables are concerned, it was observed that in all cases only 8 out of 18 input parameters were used by the ESs, whilst at their best editions they achievd equivalent results using even less parameters in various combinations. This conclusion is in accordance to relevant studies, which conclude that the use of more inputs to an ES does not necessarily produce better results than an appropriate selection of characteristics does. Consequently, those parameters are playing a more decisive role than the rest on the diagnosis of the aphasia type, fact that should probably be considered in the clinical diagnostic procedure, given that it reduces the number of the required parameters.
Appears in Collections:Τμήμα Ιατρικής (ΜΔΕ)

Files in This Item:
File Description SizeFormat 
diplomatikh GK.pdf2.77 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.