Δημιουργία έμπειρων συστημάτων για τη διάγνωση του τύπου της αφασίας

• Κύριος συγγραφέας: Κωνσταντινοπούλου, Γεωργία
• Άλλοι συγγραφείς: Χατζηλυγερούδης, Ιωάννης
• Μορφή: Thesis
• Γλώσσα: Greek
• Έκδοση: 2016
• Θέματα: Διάγνωση τύπου αφασίας; Έμπειρα συστήματα; Diagnosis of aphasia type; Expert systems; 616.855 207 5

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.