Metod(ksmd5)
.pdf
по выражению
P (Bi / Dmx) 2Li .
2.2.3. Выполнить нормализацию выражению
P(B |
/ Dmx) |
P ( |
|
||
i |
|
k |
|
|
P |
|
|
i 1 |
полученных вероятностей по
B |
/ Dmx) |
|
|
i |
|
|
. |
|
|
|
|
(B |
/ Dmx) |
|
|
|
i |
|
|
3. Для каждого пациента выполнить второй этап информаци-
онно-вероятностной логики. |
|
|
3.1. Задать массив порогов |
Ti |
(на начальном этапе задать |
Ti 0.25 ). |
|
|
3.2. Отсортировать в порядке убывания полученные вероятности P(Bi / Dmx) , сохраняя информацию о номере диагноза, то есть составить список гипотез (заболеваний) с указанием их вероятностей.
3.3. Поставить диагноз с помощью следующих условий:
|
если |
P(Bi / Dmx) Ti , то Bi – диагноз; |
|
если |
для всех диагнозов P(Bi / Dmx) Ti , то отказ от диагно- |
стики.
3.4. Изменить значения порогов таким образом, чтобы для каждого пациента был поставлен только один диагноз:
если для данного пациента определено несколько диагнозов, то значения порогов для этих болезней необходимо увеличить;
если данному пациенту не поставлен диагноз, то значения порогов для всех болезней необходимо уменьшить.
3.5. Выполнять пп. 3.3 и 3.4 до тех пор, пока не будут изменяться
значения порогов
Ti
.
4.Для каждого пациента сравнить полученный диагноз с тем,
который хранится в ТЭД.
5.Сделать выводы по результатам диагностики.
6.Оформить отчет по лабораторной работе.
50
Индивидуальные задания
Исходными данными являются результаты, полученные в ходе выполнения лабораторной работы 3:
медицинская память системы в файле memory_v#.*;
файл с дихотомическими признаками и списком возможных болезней для каждого из пациентов.
Содержание отчета
1.Тема, цель лабораторной работы.
2.Индивидуальное задание.
3.Текст программы.
4.Содержание медицинской памяти системы.
5.Пороги для каждого диагноза.
6.Результаты диагностики.
7.Выводы, сделанные на основании полученных результатов.
Контрольные вопросы
1.В чем заключается фундаментальная задача диагностики?
2.В чем смысл информационного подхода при диагностике?
3.Опишите структуру медицинской памяти.
4.Что такое симптом?
5.Какие симптомы называются положительными?
6.Какие симптомы называются отрицательными?
7.Как определить диагностическую ценность дихотомического признака? Что она показывает?
8.Как определить информационную меру диагноза?
9.Как определить информационную меру системы признаков?
10.Какая система признаков является малоинформативной?
11.В чем смысл информационно-вероятностной логики?
12.В чем заключается первый этап информационновероятностной логики?
51
13. В чем заключается второй этап информационновероятностной логики?
14. Объясните физический смысл порогов Ti .
15.Как определить точность диагностики?
16.В каком случае производится отказ от постановки диагноза?
17.Какие действия необходимо выполнить в случае отказа системы от постановки диагноза?
52
5. СИНТЕЗ ДИАГНОСТИЧЕСКИХ ПРАВИЛ С ПРИМЕНЕНИЕМ ТЕОРИИ РАСПОЗНАВАНИЯ ОБРАЗОВ
Цель работы: изучение основных понятий теории распознавания образов; применение методов распознавания образов в целях постановки диагноза в КСМД.
Основные понятия теории распознавания образов
Образ, класс – классификационная группировка в системе классификации, объединяющая (выделяющая) определенную группу объектов по некоторому признаку.
Образы обладают характерным свойством, проявляющимся в том, что ознакомление с конечным числом явлений из одного и того же множества дает возможность узнавать сколь угодно большое число его представителей.
В целом проблема обучения распознаванию образов (ОРО) состоит из двух частей: обучения и распознавания [10, 11].
Обучение осуществляется путем показа отдельных объектов с указанием их принадлежности тому или другому образу. В результате обучения распознающая система должна приобрести способность реагировать одинаковыми реакциями на все объекты одного образа и различными – на все объекты различных образов. Очень важно, что процесс обучения должен завершиться только путем показов конечного числа объектов без каких-либо других подсказок.
За обучением следует процесс распознавания новых объектов, который характеризует действия уже обученной системы. Автоматизация этих процедур и составляет проблему ОРО.
Выбор исходного описания объектов является одной из центральных задач проблемы ОРО. При удачном выборе исходного описания (пространства признаков) задача распознавания может оказаться тривиальной и, наоборот, – неудачно выбранное исходное описание может привести либо к очень сложной дальнейшей переработке информации, либо вообще к отсутствию решения. Например, если решается
53
задача распознавания объектов, отличающихся по цвету, а в качестве исходного описания выбраны сигналы, получаемые от датчиков веса, то задача распознавания в принципе не может быть решена.
В теории распознавания образов различают два вида обучения:
самообучение;
обучение с учителем.
Процессом самообучения некоторой системы называется такой процесс, в результате которого эта система без подсказки учителя приобретает способность к выработке одинаковых реакций на изображения объектов одного и того же образа и различных реакций на изображения различных образов.
Обучением с учителем обычно называют процесс выработки в некоторой системе той или иной реакции на группы внешних идентичных сигналов путем многократного воздействия на систему внешней корректировки. Такую внешнюю корректировку в обучении принято называть «поощрениями» и «наказаниями». Механизм генерации этой корректировки практически полностью определяет алгоритм обучения. Самообучение отличается от обучения тем, что здесь дополнительная информация о верности реакции системе не сообщается.
Метод сравнения с прототипом (эталоном)
Данный метод чаще всего используется, когда классы k
( k 1, K ) |
образуют компактные множества объектов, имеющие сфе- |
рическую форму в пространстве признаков [1]. В этом случае каждый |
|
из классов k описывается прототипом или эталоном |
kэ |
, в качестве |
|
|
|||
которого выбирается центр геометрической группировки класса. |
|||
Неизвестный объект относится к классу l |
( l 1, M ), расстоя- |
||
ние до прототипа которого будет минимальным: |
|
|
|
R( , lэ ) min R( , kэ ) , |
|
|
|
k 1, K |
|
|
|
где R( , lэ ) – расстояние между объектом и эталоном kэ класса
k ; K – количество классов.
54
Метод Фикса–Ходжеса (метод «ближайших соседей»)
Суть данного метода заключается в нахождении некоторого заданного числа k ближайших (в выбранной метрике) объектов обучающей выборки («ближайших соседей»). Неизвестный объект относится к тому классу, число представителей которого преобладает среди выбранных k «ближайших соседей» [1].
В случае, когда k 1, данный метод отличается от предыдущего тем, что неизвестный объект относится к тому классу l ( l 1, M ),
для которого в обучающей выборке находится «ближайший сосед» l
неизвестного объекта :
R( , |
) min R( , |
) |
|
l |
i 1, N |
i |
|
|
|
|
|
,
где
i
R( , i ) – расстояние между неизвестным объектом и объектом обучающей выборки; N – длина обучающей выборки.
Порядок выполнения лабораторной работы
1.Использовать ТЭД лабораторной работы 1 в качестве ис-
ходных данных.
2.Выполнить преобразование признаков в исходной ТЭД (тип преобразования выбрать в соответствии с индивидуальным заданием).
2.1.Выполнить центрирование и нормировку признаков на «единичную дисперсию» по выражению
~ |
xij x j |
|
xij |
|
|
j |
||
|
, |
i |
1, N
,
где |
~ |
xij |
– нормированное и исходное значения j-го признака; |
x j |
– |
xij , |
среднее значение j-го признака, вычисленное по (1.2); j – средне-
квадратичное отклонение j-го признака, вычисленное по (1.1); N – длина выборки.
2.2. Выполнить центрирование и нормировку признаков на «единичный куб» по выражению
55
|
|
|
~ |
x |
x |
j |
|
|
|
|
|
|
|
ij |
|
|
i 1, N , |
|
|
||
|
|
|
xij |
|
R |
|
, |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
j |
|
|
|
|
|
где |
~ |
xij |
– нормированное и исходное значения j-го признака; x j – |
|||||||
xij , |
||||||||||
среднее значение j-го признака, вычисленное по (1.2); |
R j |
– разброс j- |
||||||||
го признака, вычисленный по (1.3).
3. Выполнить диагностику для 4 пациентов (в соответствии с индивидуальным заданием). В КСМД в качестве классов рассматриваются диагнозы, а в качестве объектов обучающей выборки – испытуемые (строки) в ТЭД (см. табл. 1.1) .
3.1. Метод сравнения с эталоном.
3.1.1. Отсортировать исходную ТЭД по номеру диагноза.
3.1.2. Вычислить массив значений NBl , l 1, p , где NBl
чество пациентов с диагнозом Bl ; p – количество диагнозов.
– коли-
3.1.3.Полученную ТЭД разделить на части таким образом, чтобы
вкаждой таблице находились данные о пациентах с одинаковым диагнозом.
3.1.4. Вычислить координаты эталонов |
|
lэ |
||||
|
||||||
(по соответствующей части таблицы) |
|
|
|
|
||
|
N1 |
|
|
|
|
|
|
l |
|
|
|
|
|
|
ij |
|
|
|
|
|
|
x |
|
|
|
|
|
lэ |
i 1 |
|
|
|
|
|
, |
j 1, m , |
|
||||
x j |
NB |
|
||||
|
l |
|
|
|
|
|
для каждого диагноза
где
xij – значение j-го признака пациента с диагнозом Bl .
3.1.5. Найти массив значений расстояний Rl от эталона lэ до
вектора признаков
диагностике:
|
|
|
|
|
|
|
|
T |
x (x |
, x |
|
, , x |
|
, , x |
|
) |
|
2 |
j |
m |
|
|||||
1 |
|
|
|
|
|
пациента, подлежащего
|
m |
Rl d (E) ( , lэ ) |
(x j xljэ )2 . |
|
j 1 |
3.1.6. Поставить диагноз пациенту, при этом номер диагноза соответствует индексу минимального значения в массиве Rl .
56
3.2. Метод «k ближайших соседей».
3.2.1.Выбрать параметр k по формуле k 3 NN mod3 , где NN – номер студента по журналу.
3.2.2.Сформировать таблицу Tabl_R_B, содержащую N строк (по количеству пациентов в ТЭД) и два столбца:
1-й столбец – массив |
Ri |
(для хранения расстояний от вектора |
|||||||||
|
|
|
|
|
|
T |
|
|
|
|
|
признаков |
x (x1, x2 , , x j , , xm ) |
пациента, подлежащего диагно- |
|||||||||
|
|||||||||||
стике, до всех объектов |
i ТЭД); |
|
|
|
|
|
|||||
2-й столбец – массив |
Bi |
(для хранения диагнозов объектов |
i |
||||||||
ТЭД). |
|
|
|
|
|
|
|
|
|
|
|
а) Заполнить массив Ri , |
элементы которого рассчитываются по |
||||||||||
выражению |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
m |
|
|
|
|
|
|
Ri d |
(E) |
( , i ) |
|
(x j xij ) |
2 |
, i 1, N . |
|
|||
|
|
|
|
||||||||
|
|
|
|
|
k 1 |
|
|
|
|
||
где x j , xij |
– значения j-го признака, измеренные у объектов и |
i |
|||||||||
соответственно. |
|
|
|
|
|
|
|
|
|
||
б) Переписать в массив Bi из файла с исходными данными значе- |
|||||||||||
ния диагнозов каждого пациента |
i . |
|
|
|
|
||||||
3.2.3. Отсортировать полученную таблицу Tabl_R_B по полю R, не разрывая связь между значением расстояния и номером диагноза.
|
|
|
|
3.2.4. Вычислить массив значений NBl , l 1, p , где NBl |
– коли- |
||
чество пациентов с диагнозом Bl для первых k строк |
таблицы |
||
Tabl_R_B; p – количество диагнозов.
3.2.5. Поставить диагноз пациенту, при этом номер диагноза соответствует индексу максимального значения в массиве NBl .
4.Для каждого пациента сравнить полученный диагноз с тем,
который хранится в ТЭД.
5.Сделать выводы по результатам диагностики.
6.Оформить отчет по лабораторной работе.
57
Индивидуальные задания
По 2-й цифре номера в журнале выбрать индивидуальное задание (табл. 5.1).
Таблица 5.1 – Индивидуальные задания
2-я цифра номера |
0 |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
|
в журнале |
|||||||||||
|
|
|
|
|
|
|
|
|
|
||
|
|
|
|
|
|
|
|
|
|
|
|
Имя файла |
1 |
2 |
1 |
2 |
1 |
2 |
1 |
2 |
1 |
2 |
|
ksmd_v#.xls |
|||||||||||
|
|
|
|
|
|
|
|
|
|
||
|
|
|
|
|
|
|
|
|
|
|
|
Преобразование |
2.1 |
2.1 |
2.2 |
2.2 |
2.1 |
2.1 |
2.2 |
2.2 |
2.1 |
2.2 |
|
признаков |
|||||||||||
|
|
|
|
|
|
|
|
|
|
||
|
|
|
|
|
|
|
|
|
|
|
|
Метод распозна- |
3.1 |
3.2 |
3.1 |
3.2 |
3.1 |
3.2 |
3.1 |
3.2 |
3.1 |
3.2 |
|
вания |
|||||||||||
|
|
|
|
|
|
|
|
|
|
||
|
|
|
|
|
|
|
|
|
|
|
|
1-й пациент |
2 |
5 |
3 |
34 |
5 |
52 |
6 |
59 |
24 |
73 |
|
|
|
|
|
|
|
|
|
|
|
|
|
2-й пациент |
57 |
51 |
61 |
53 |
64 |
55 |
72 |
57 |
78 |
58 |
|
|
|
|
|
|
|
|
|
|
|
|
|
3-й пациент |
10 |
8 |
11 |
14 |
12 |
15 |
14 |
36 |
18 |
86 |
|
|
|
|
|
|
|
|
|
|
|
|
|
4-й пациент |
7 |
4 |
21 |
11 |
25 |
18 |
58 |
24 |
70 |
25 |
|
|
|
|
|
|
|
|
|
|
|
|
Примечание: в индивидуальном задании указан № п/п пациента в файле ksmd_v#.xls.
Содержание отчета
1.Тема, цель лабораторной работы.
2.Индивидуальное задание.
3.Текст программы.
4.Результаты диагностики.
5.Выводы, сделанные на основании полученных результатов.
Контрольные вопросы
1.Что такое образ или класс?
2.В чем состоит проблема обучения распознаванию образов?
3.Какие виды обучения вы знаете?
58
4.В чем основное отличие между обучением и распознаванием?
5.Какие методы распознавания образов вы знаете?
6.В чем основная идея метода сравнения с прототипом?
7.Что такое прототип или эталон?
8.Как определить значения признаков эталона?
9.В чем основная идея метода «ближайших соседей»?
10.Какой критерий близости объектов используется в методе сравнения с прототипом и методе «ближайших соседей»?
11.Почему при использовании расстояния Эвклида в качестве критерия близости объектов необходимо выполнить нормировку признаков?
12.Какие виды нормировки признаков вы знаете?
59