文摘
这项研究提出了识别系统的设计,将区分健康人群和帕金森病的人。执行诊断帕金森疾病的使用模糊系统和神经网络的融合。的结构和学习算法,提出了模糊神经系统(fn)。本文描述的方法可以提高设计系统的能力和有效的健康个体的区别。它是通过系统的仿真证明了已经执行,使用的数据来自UCI机器学习库。进行了比较研究,仿真结果表明,该模糊神经系统提高了设计系统的识别率。
1。介绍
在世界上,许多人患有帕金森病(PD)。这种疾病经常出现在60岁(1]。帕金森病是中枢神经系统的编年史混乱导致大脑中神经细胞的死亡。帕金森病是进步的,患有这种疾病的人数预计将上升。这种疾病通常发生缓慢而持续很长一段时间。
帕金森病的症状持续恶化随着时间的推移。PD的基本症状是运动相关的症状。这些震颤、刚性或僵硬的四肢和躯干,动作迟缓或缓慢运动,平衡问题或散步2,3]。地震是一个基本的症状可能影响摇动或颤抖的腿,胳膊,手,下巴,或脸。病人交谈会有困难,散步,或者完成一些简单的任务,因为这些症状更加明显。其他症状相关行为问题,抑郁,想,睡觉,和情绪问题。帕金森症的人可能有麻烦在说话和吞咽和咀嚼问题。尤其是在疾病的晚期nonmotor特性,如痴呆、神经异常,经常发生。诊断和及时治疗是重要的为了管理其症状。诊断是基于神经系统检查和病史的患者。早期疾病的诊断是很困难的(3]。PD的诊断依赖于两个或两个以上的存在上述症状。
声音听起来直言不讳的症状,包括损伤(言语障碍和正常的语音发音的问题构音障碍)在PD的诊断是很重要的4]。研究论文(5)表明,PD是言语障碍的最重要的症状。言语障碍是混乱的声音。Dysphonic症状通常包括减少响度、粗糙度和呼吸声和减少能量较高的地区的谐波频谱和夸张的声音震颤。这些症状的治疗是困难的人有帕金森病。在[4- - - - - -6)结果表明,大约90%的帕金森病患者有言语障碍。言语障碍的声音(包括任何病态或功能问题6]。声音会声音嘶哑,紧张,还是需要努力的。它可能很难理解人们在PD的声音。的方法用于诊断帕金森病(PD)基本上是基于讲话测量一般语音障碍(4,7- - - - - -9]。
专家医生需要很多因素的分析PD的准确诊断。通常情况下,决策是基于评估病人的当前测试结果。问题太困难,如果属性的数量专家想评价很高。最近各种计算工具已经发展为了提高PD的诊断的准确性。这些工具提供了很好的帮助医生和医学专家在决定病人。不同的人工智能(AI)技术、专家系统和决策系统是用于诊断或疾病分类。他们的潜力和良好的支持工具专家/医生。高效的识别系统在医疗诊断的发展变得越来越重要。如今各种人工智能技术,如专家系统、模糊系统和神经网络正在积极申请诊断帕金森疾病使用语音信号。文献[4)引入了一个新的衡量言语障碍的基音周期熵(PPE),健壮的许多无法控制的干扰包括嘈杂声环境和分离健康人在PD的人。非线性动力系统理论(4,10)和统计学习理论,如线性判别分析(LDA)和支持向量机(支持向量机)5,11),是首选的健康人群的分类或PD患者和歧视的基础上健康的人言语障碍的措施。不同的技术,如支持向量机(12),支持向量机与内核(RBF(径向基函数)13),支持向量机与多层感知器(MLP)和径向基函数网络(RBFN) [14),用于PD的诊断。在[15)整合Kohonen自组织映射(表示)和最小二乘支持向量机(二)和(3,16)非线性时间序列分析工具应用PD的诊断。文献[17)使用模糊c均值算法,(18)使用四个独立的分类模式,神经网络,DMneural,回归,和决策树分类的目的,并进行了比较研究。
使用上面的方法以提高PD的分类精度。分类系统可以帮助增加诊断的准确性和可靠性,减少可能的错误,以及提高诊断的时间效率。成功的发现知识取决于能力探索不同类型的具体数据和应用适当的方法以提取主要特征。摘要应用模糊系统和神经网络的融合PD的识别系统的设计。
模糊系统可以处理的不确定性与信息或相关知识库中的数据(19),被广泛用于解决不同的现实问题。模糊系统使用数据和知识的特定的混沌动力学过程和提高系统的性能。在文献中,不同的神经和模糊结构提出了解决各种各样的问题(20.- - - - - -26]。在[22,23聚类算法和梯度下降算法应用于多输入、单输出fn的设计。众所周知简称ANFIS(自适应neurofuzzy推理系统)结构用于解决宫颈癌识别(27),优化冷却负荷(28),区分es(电癫痫持续状态)和正常脑电图(脑电图)信号29日]。使用多个简称ANFIS结构,在27),导致网络的参数的数量的增加。在这些文件系统被设计用于特殊目的和他们中的大多数基本上是基于Mamdani类型规则。表演的这些系统由测量分类率。在本文中,为了提高分类系统的性能,多输入和multioutput模糊神经系统(fn)基于啧啧规则提出了PD的识别。
本文组织如下。部分2描述的结构提出了模糊神经系统用于PD的识别。提出了系统的参数更新规则提出了部分3。部分4描述了仿真结果。结论给出了部分5。
2。基于fn识别
模糊神经系统结合了神经网络的学习能力和语言规则的模糊推理系统的解释。fn的设计包括开发模糊规则的if - then形式。这可以通过的最优的定义模糊if - then规则的前提和结果部分的分类系统通过训练神经网络的能力。中使用的两种基本类型的if - then规则模糊系统Mamdani和Takagi-Sugeno-Kang(啧啧)类型模糊规则。第一类包括规则,利用模糊值的前提和结论部分。第二个使用模糊的模糊规则前提和清晰的部分。在论文中我们使用啧啧类型模糊规则系统设计。第二种类型的模糊系统近似和线性系统和非线性系统具有以下形式: 在哪里和系统的输入和输出信号,分别是输入信号的数量,和是规则的数量。输入模糊集;和系数。
结构的模糊神经网络用于PDs的分类是基于TSK模糊规则类型和图给出1。fn包括六层。在第一层,输入信号分布。第二层包括隶属度函数。这里每个节点对应于一个语言学术语。在这里,对于每一个输入信号进入系统,输入值的隶属度计算属于模糊集。使用高斯隶属函数来描述语言术语: 在哪里和是高斯隶属度函数的中心和宽度,分别和的隶属函数th输入变量届任期。
第三层是一个规则层。这里的节点数等于规定的数量。在这里代表了规则。这一层的输出信号计算使用t-norm min()操作: 其中Π是最小的操作。
这些信号输入信号第五层。第四层是顺向层。它包括线性系统。这里的输出值的规则确定使用线性函数(低频):
在第五层,第三层的输出信号乘以第四层的输出信号。的输出节点是计算。
fn决心的输出信号 在这里的输出信号是fn (),层之间的连接权重系数使用5和6。计算输出信号后,网络的训练就开始了。
3所示。参数更新
3.1。模糊分类
fn的设计(图1)包含的未知参数的确定模糊if - then规则的前提和结论部分(1)。在模糊规则前提部分代表了输入空间的空间划分成一组模糊区域和随之而来的部分描述了系统的行为在这些地区。
正如上面提到的,最近有许多不同的方法设计模糊if - then规则。其中一些是基于聚类(20.- - - - - -24,26),最小二乘方法(LSM) (20.,22,30.),梯度算法(14,20.- - - - - -23,26)、遗传算法(24,25,28)和粒子群优化(PSO) (31日]。
摘要模糊聚类和梯度技术用于fn的设计。起初,模糊聚类用于设计前期(前提)部分,然后梯度算法设计的模糊规则。模糊聚类是一种有效的技术建设前期结构。聚类方法的目的是确定某一组数据从一个大的数据集,这样的简洁表示系统的行为。每个集群中心可以翻译成一个模糊规则识别类。开发不同的聚类算法(32- - - - - -34]。最近模糊c均值(32和减法聚类33,34)模糊系统的算法被开发出来。减去的是无监督聚类33)这是一个山扩展基于网格的聚类(34]。在这里输入数据点的数量的集群是由聚类算法。有时我们需要控制集群在一个输入空间的数量。在这些情况下,监督聚类算法的主要问题。模糊c均值聚类就是其中之一。它可以有效地用于模糊系统(32)用一个简单的结构和足够的精度。摘要模糊c均值(FCM)聚类技术用于构建的前提模糊系统的一部分。
学习fn始于参数的更新的前期if - then规则的一部分,也就是说,fn的第二层的参数。为这个目标应用FCM分类来划分输入空间,构建前期模糊if - then规则的一部分。目标函数是用于FCM算法如下: 在哪里任何真正的数量大于1,的隶属程度在集群中,是th的维测量数据,是维中心的集群,任何规范表达的相似性测量数据和集群中心。
输入数据的模糊分类是通过迭代进行优化的目标函数(6),会员的更新和集群中心。该算法由以下步骤组成:(1)初始化矩阵,。(2)计算中心向量与: (3)更新和: (4)如果然后停止;否则设置并返回到步骤(2)。
在分区集群中心确定的结果。这些集群中心对应于中心的隶属度函数fn的输入层中使用。隶属函数的宽度决定使用聚类中心之间的距离。
在祖先的设计部分通过模糊聚类,参数更新规则推导培训结果的参数模糊规则的部分。在本文中,我们应用梯度学习和自适应学习速率。自适应学习速率保证收敛性和提高网络的学习速度。
3.2。学习使用梯度下降法
起初,fn的参数是随机生成的。生成一个适当的fn模型,训练参数进行了。对于一般性,我们给了fn的学习过程的参数使用梯度下降算法。语言值的隶属函数的参数是网络的第二层和第四和第五层的参数。设计中fn交叉验证技术用于分离的数据为训练和测试组,培训包括参数值的调整。本文应用梯度学习自适应学习速率参数的更新。自适应学习速率保证收敛性和提高网络的学习速度。此外,动量是用来加快学习过程。
网络的输出计算上的错误 在这里网络的输出信号的数量,想要和当前网络的输出值(),分别。的参数()的网络的一部分,隶属度函数的参数()调整fn的前提部分使用以下公式: 在这里是学习速率,是动力,是输入信号的数量的网络(输入神经元)和是模糊规则的数目(隐藏神经元),然后呢是输出神经元的数量。
衍生品(10使用以下公式计算:
衍生品(11)是由以下公式: 在这里考虑
使用方程(12)- (14),衍生品(10)和(11)计算和fn的修正参数。
收敛fn模型的学习是非常重要的问题。使用梯度下降学习算法的收敛性依赖于初始值的选择的学习速率。通常,学习速率的初始值选择的时间间隔。学习速率的一个较大的值会导致不稳定的学习;小值的学习速率导致了学习速度慢。本文的自适应方法应用更新这些参数。fn的学习参数从一个小的学习速率值。在学习期间,如果改变错误的价值增加是积极和减少消极。这种策略可以确保一个稳定的fn的学习。除了一个动量项是用来加速学习过程。学习速率的最优值为每一次实例可以使用李雅普诺夫函数(22,23]。收敛性的推导给出了(22,23]。
4所示。模拟研究
fn,上面所描述的那样,是申请帕金森这本分类。人们分为两类:正常和PD。对于这个目的,数据库是来自加利福尼亚大学欧文分校(UCI)机器学习库。数据集从医院捐赠,它已被许多研究人员研究。数据集包括生物医学的声音测量31人;23日被诊断为帕金森病。每一行包含23个语音参数的值。每一列包含195项为每个参数的数据。数据的主要目的是为了区分从PD患者健康的人。用于PD的识别的参数表1。这些都是语音信号的参数记录直接在电脑上使用电脑语音实验室。在造型上的预处理已经完成输入数据和输入数据规范化的间隔。扩展操作系统的帮助,使培训过程简单。正常化后,这些数据进入fn作为输入信号。
设计分类模型fn结构23输入和两个输出神经元生成。如果我们用传统neurofuzzy结构(例如,20.]或[26)23输入和2集群中心,战俘(23)= 8383608应该生成规则。的规则是使用所有可能的组合构造输入和集群中心。这是非常大的数字。本文选择的规则数量根据聚类结果,等于集群中心。
在fn的设计,应用模糊分类来划分输入空间,选择前提的参数部分,即高斯隶属度函数的参数中使用fn的第二层。FCM聚类用于输入空间对每个输入16个集群。16个模糊规则构造这些集群的使用不同的组合22输入。集群后输入空间梯度的算法用于学习的模糊规则,也就是说,fn的第4层的参数。学习是使用交叉验证实现。交叉验证概括两个独立的数据集:训练和测试。它应用于找到准确的分类器的模型。摘要10倍交叉验证用于分离的数据为训练和测试组和分类精度评价。应该有组实验以达到所需精度在fn的输出。执行模拟使用不同的隐层的神经元数量。 The design steps of FNS for the diagnosing PD are given below:(1)读PD数据集。选择输入和输出(目标)从统计数据信号。应用归一化。(2)进入学习速率和动量的值。设置集群的数量。生成网络参数。设置一个最大数量的学习的时代。(3)分类算法应用到输入信号,并确定集群中心。(4)使用集群中心来确定隶属度函数的中心层2。(5)使用中心的隶属函数来确定隶属度函数的宽度。(6)使用输入统计数据定义一个随机分区10倍交叉验证。(7)初始化当前的学习时期为1。(8)使用PD数据集和交叉验证和确定培训和测试数据集。(9)确定的数量排在训练和测试数据集。(10)初始化迭代次数为1。(11)根据迭代次数从训练数据集,选择输入数据送到fn的输入。(12)计算网络输出。(13)确定错误使用网络输出的价值观和目标输出信号。使用这些错误值来计算平方误差的总和(SSE)。(14)使用误差值更新网络参数(网络)的学习。(15)应用自适应策略更新学习速率使用目前上交所的和之前的值。(16)在每个迭代计算的和SSE获得并保存训练误差。重复步骤(11)-(16)为其他剩余的训练数据集。如果当前的迭代次数小于在训练集的行数(11)然后去一步,否则转到步骤(17)。(17)选择测试数据集。(18)设置迭代次数为1。(19)根据迭代次数从测试数据集,选择输入数据送到fn的输入。(20)计算fn的输出。(21)确定错误使用网络输出的价值观和目标输出信号。计算SSE网络上的输出。(22)计算的和SSE获得循环的每次迭代和保存测试错误。重复步骤(19)-(22)为其他剩余的测试数据集。(23)检查测试误差的值测试的值错误在之前的时代。如果当前的误差值小于前一个然后去一步(24),否则转到步骤(25)。(24)节省网络的参数。保存培训和测试错误的值。(25)使用SSE找到的和均方误差(RMSE)。打印测试和培训的值错误;增加这个时代的数字。(26)检查当前的时代延续的学习过程。如果这个数字小于最大数量的时代那么重复步骤(8)- (26)。否则转到步骤(27)。(27)打印培训和测试错误的值在步骤(24)中获得的。(28)停止训练。
的输入/输出数据训练分类系统将是一个结构的第一个组件是twenty-three-dimension输入向量和第二组件是二维输出集群。表2描绘了片段从PD的fn结构生成的数据集。23日输入和两个输出神经元。又一代模糊c均值聚类和梯度下降算法申请培训fn的参数。在第一步中,使用模糊聚类,确定集群中心使用输入数据。这些聚类中心的隶属度函数用于组织的前期投入每个模糊规则的一部分。规则层是第二层。随之而来的模糊规则的部分被组织使用线性函数。线性函数确定在第四层。在集群和设计前期部分顺向的学习参数的部分开始。参数的初始值和顺向部分选择线性函数的区间。学习速率和动量的初始值被选为0.02和0.625,相应。在学习期间的参数和规则的更新。在构造学习模糊规则的结果。集群获得分类操作将高斯隶属度函数的中心用于前期部分模糊规则。随之而来的部分构造的基础上学习参数的线性函数。
fn的仿真结果与其他模型的模拟结果用于PD的分类。模型的结果评价的均方根误差(RMSE): 在这里期望的输出值和吗是系统输出的实际值。
估计fn集群系统的性能,识别速度和RMSE值集群之间的误差和电流输出信号。RMSE使用上面给出的公式计算。正确识别率计算物品的数量分类除以总数量的项目: fn培训期间,所有的输入数据都按比例缩小的间隔。然后模糊c均值聚类应用于输入数据。聚类的结果是用于设置参数先成模糊规则的一部分,也就是说,fn的第二层结构的参数。的参数的模糊规则的一部分是由应用梯度学习。2000时代的学习已经完成。fn的综合分类系统使用不同数量的模糊规则执行。培训已经完成使用不同数量的规则:2、5、8、12、16。培训执行使用10倍交叉验证。在培训fn的参数确定的结果。图2描绘了RMSE值在训练获得的。一旦fn训练然后用于测试。RMSE值获得培训、评估和测试阶段为fn 16隐藏神经元是0.232154,0.291636,和0.283590,相应。培训已经完成0.01学习速率和动量率0.825。表3描述fn模型的训练和测试结果获得使用不同数量的规则:2、5、8、12、16。平均十多个模拟仿真结果。
从表3,这是显示的规则数量的增加(或隐藏神经元)的数量减少的RMSE值训练和测试用例,提高识别率。使用集群和梯度技术学习允许快速获取低RMSE值和允许提高性能的fn训练和测试阶段。在第二分类的仿真比较分析PD已经执行。fn分类模型的仿真的结果是与不同的分类模型的模拟结果相比,支持向量机(SVM)等神经网络(NN),回归模型,基于决策树和FCM特征权重。估计神经网络的性能,支持向量机和fn集群系统,错误的识别速度和RMSE值之间的集群和电流输出信号进行了比较。在表4,模拟不同的模型的比较结果。如表所示fn分类系统的性能优于其他模型的性能。
5。结论
介绍了使用模糊神经结构帕金森疾病的诊断。并给出了fn的结构和学习算法。应用模糊聚类和梯度下降学习算法fn的发展。学习执行使用10倍交叉验证数据集。分类系统的设计进行了使用不同数量的模糊规则用于fn。分类识别率得到100%和16个隐藏的神经元。比较分析,仿真执行PD使用不同的模型。结果表明fn的性能优于其他模型用于PD的分类。
利益冲突
作者宣称没有利益冲突有关的出版。