Đang tải... (xem toàn văn)
Tối ưu tham số hệ mờ bằng thuật toán gen. Có kiến thức về giải thuật gen, về logic mờ. Áp dụng đồng thời 2 kĩ thuật Logic mờ + giải thuật di truyền. Áp dụng giải thuật di truyền để tối ưu tham số hệ mờ trong phân loại dữ liệu điện tim
ỨNG DỤNG GIẢI THUẬT DI TRUYỀN (GA) ĐỂ TỐI ƯU THAM SỐ HỆ MỜ TRONG PHÂN LỚP TÍN HIỆU ĐIỆN TIM APPLICATION GA OPTIMISATION OF PARAMETERS FUZZY LOGIC SYSTEM FOR ECG CLASSIfiCATION Hoàng Thị Ngọc Diệp Tóm Tắt Bài báo nghiên cứu khả hệ mờ không đơn trị (NSFLS) giải thuật di truyền (GA) để xử lý nhiễu toán phân loại mẫu Hiệu hệ thống đơn trị không đơn trị so sánh với toán phân lớp điện tim Các kết NSFLS làm việc với nhiễu hiệu hơn, cho phép phân loại dựa đặc trưng trích chọn Từ khóa: Hệ mờ không đơn trị (NSFLS); Giải thuật di truyền (GA); Phân loại mẫu; Phân lớp tín hiệu điện tim (ECG) Abstract This paper studies the ability of a non-singleton fuzzy logic system (NSFLS) that is evolved using Genetic Algorithm (GA) to handle the uncertainties in pattern classification problems The performance of non-singleton and singleton systems for cardiac arrhythmias classification is compared Results show that NSFLS can deal with uncertainty within its framework more efficiently, thereby enabling classification to be performed using features that are easier to extract Keywords: non-singleton Fuzzy Logic System (NSFLS); Genetic Algorithm (GA); Pattern classification; Electrocardiogram (ECG) GIỚI THIỆU Lĩnh vực phân loại mẫu bao trùm nhiều toán xử lý thông tin có ý nghĩa thực tế, từ toán phân loại chữ viết tay đến toán phát lỗi phân tích máy móc y tế Có nhiều vấn đề người xử lý đơn giản Trái lại, nhiều trường hợp, phương án sử dụng máy tính mức độ khó vấn đề Tuy gặp nhiều khó khăn việc sử dụng máy tính toán nhận dạng mẫu ngày trở nên phổ biến Mục đích việc phân loại mẫu tự động trợ giúp người phân tích khối lượng liệu cực lớn từ trích chọn tri thức hữu ích Mặc dù có nhiều phương thức phân loại, chẳng hạn ANN, SVM, HMM and FLS, chúng có chung cấu trúc tảng bước thiết kế Các thành phần phân loại trình tự thiết kế phân loại hình gian định định nghĩa tập lớp (xác định) Một phân loại, hay thuật toán, sinh phân hoạch không gian đặc trưng miền định Sau thiết kế phân loại với hiệu mong muốn, ta sử dụng để phân loại đối tượng Điều có nghĩa phân loại gán véc tơ đặc trưng không gian đặc trưng với lớp không gian định Trong toán phân loại mẫu, trích chọn đặc trưng nhiệm vụ khó khăn nhất, định đến độ xác thuật toán Những đặc trưng thừa hay không thích hợp ảnh hưởng đến hiệu hầu hết thuật toán học máy hay phân loại mẫu Việc lựa chọn tập đặc trưng hữu ích từ tập khổng lồ đặc trưng giúp ích việc tìm thuật toán học hiệu cho toán phân loại mẫu toán học máy nhằm hiểu rõ liệu khai phá tri thức Do có nhiều cách lựa chọn thuật toán nên độ khó trích chọn đặc trưng đa dạng Chi phí tính toán giảm cách sử dụng đặc trưng dễ trích chọn Tuy nhiên, đặc trưng lại ẩn chứa nhiều thông tin không cần thiết Bước trích chọn đặc trưng biến đổi liệu đầu vào (trong không gian quan sát) thành véc tơ đặc trưng (trong không gian đặc trưng) Không gian đặc trưng có số chiều nhiều so với không gian quan sát Bước biến đổi từ không gian đặc trưng sang không dẫn tới việc phân loại sai Hơn nữa, ứng dụng ta phải đối mặt với nhiễu Nguyên nhân chúng nhiễu điện thiết bị trích chọn thao tác thiết bị không Bắt đầu Dữ liệu vào Thu thập liệu Cảm biến Lựa chọn đặc trưng Tiền xử lý Lựa chọn lớp Trích chọn đặc trưng Huấn luyện phân loại Phân lớp Đánh giá hiệu suất Quyết định Kết thúc a) b) Hình Các thành phần trình tự thiết kế phân loại sử dụng GA Với mô hình mờ sử dụng logic mờ loại Đầu ra: Trong toán loại nhịp tim phân khoảng đơn trị khả làm việc với nhiễu làm ba lớp: NRS (nhịp tim bình thường), VF hiệu chưa cao Do đó, hệ mờ không đơn trị (chứng rung tâm thất) VT (chứng tim đập chọn thích hợp hệ mờ đơn trị nhanh) làm việc với nhiễu Giải thuật di truyền Tín hiệu điện tim đầu vào dùng để tối ưu hóa đồng thời hàm thuộc sở luật Bài báo trình bày khả hệ mờ không đơn trị giải thuật di truyền để xử Xử lý trích rút đặc trưng tín hiệu lý nhiễu toán phân loại mẫu Hiệu hệ thống đơn trị không đơn trị so sánh với toán phân lớp điện tim Các kết giải thuật di Phân lớp tín hiệu truyền tốt hệ mờ đơn trị có nhiễu đặc trưng trích chọn Điều hữu ích tránh khỏi nhập Loại nhịp tim nhằng liệu đầu vào [8] Hình Sơ đồ toán ECG GIẢI THUẬT DI TRUYỀN ÁP DỤNG VÀO BÀI TOÁN ECG 2.1 Bài toán ECG Bài toán phân lớp điện tim mô tả theo sơ đồ hình sau, đó: Đầu vào: gồm đặc trưng: độ rộng xung (PW), chu kỳ xung (T) 2.2 Giải thuật di truyền ứng dụng vào toán ECG Đầu vào Khi thiết kế hệ mờ cách sử dụng giải thuật di truyền, điều quan trọng xem xét chiến lược trình bày, làm để mã hóa hệ mờ vào nhiễm sắc thể Trong thiết kế [8] có hai đầu vào đầu vào gồm biến (x1 x2) phân chia thành ba hàm, đó, có 12 tham số Giả sử không tính tổng quát độ lệch tiêu chuẩn hàm tham l gia mxi Tiền xử lý Mờ hóa xl 2, Ngoài có luật (3x3) quy tắc sở, thêm kết phụ tham số, rn n = 1, 2, , Do vậy, tổng cộng 21 tham số (3 chức thành viên × tham số × biến đầu vào + quy tắc) cần thiết để giải thuật di truyền điều chỉnh Mỗi tham số hàm mã hóa (kiểu gen đại diện) chuỗi nhị phân 8-bit, tham số luật mã hóa thành chuỗi nhị phân 2-bit Kết chiều dài chuỗi nhị phân 114bit Các minh họa tương ứng cấu trúc NST thể hình Bộ định Phân lớp Hình Cấu trúc hệ phân loại mờ sử dụng GA 3.1 Khái niệm hệ mờ không đơn trị Kaufman Gupta [7] định nghĩa phép mờ hóa không đơn trị sau: Một mờ hóa không đơn trị có dạng Aq N 1 i diện chuỗi gen N-bit, G q G i xa dần xi' 3.2 Khối tiền xử lý Xét phân loại, giả sử có số loại nhiễu Đầu tiên, đầu vào phân loại bị hỏng Các tín hiệu điện tim ghi (đặc biệt tín hiệu điện tim đo bề mặt) nhạy cảm với việc di chuyển cáp điện hoạt động Ngoài ra, nhiễu từ mạng điện sai lệch trình ghi nhận tín hiệu Do đó, tín hiệu cần tiền xử lý để thu thông tin từ tín hiệu xác (1) Trong đó, gp biểu thị giá trị thực tế th tham số q , Aq biểu diễn số nguyên đại max q x ( xi' ) 1(i 1, , p) X ( xi ) giảm dần từ xi Hình Cấu trúc Nhiễm sắc thể Tuy nhiên, tất tham số phải giải mã (kiểu hình đại diện) trình thẩm định thích hợp Các tham số luật giải mã thành dãy số nguyên 0-4 Mặt khác tham số hàm giải mã thành số thực cách sử dụng phương trình lập đồ tuyến tính [3]: g p G qmin (G qmax G qmin ) Cơ sở luật Hệ suy diễn , Trong i = 1, and l = 1, i Việc trích rút hai đặc trưng độ rộng xung, chu kỳ xung tín hiệu thực hai bước Tín hiệu điện tim sau lọc biến đổi thành chuỗi nhị phân để làm tăng khả trích chọn đặc trưng Thuật toán biến đổi sử dụng báo cải tiến từ thuật toán [9] Bài báo sử dụng thuật toán biến đổi hai bước thay thuật toán biến đổi bước Zhang Tín hiệu điện tim biến đổi phần thành chuỗi nhị phân thay biến đổi toàn Điều làm giảm việc biểu thị cho người dùng xác định giới hạn gen tương ứng CẤU TRÚC CỦA MÔ HÌNH PHÂN LỚP MỜ SỬ DỤNG GA ĐỂ TỐI ƯU THAM SỐ Về bản, kiến trúc chung mô hình GA giống với mô hình phân lớp loại hai khoảng Tuy nhiên cấu trúc có thêm khối tiền xử lý giảm bớt khối giảm loại khử mờ phát sai đỉnh tích cực cách khử tín hiệu có biên độ nhỏ Sau bước bước biến đổi hoàn toàn chuỗi nhị phân nhằm xác định ngưỡng để cực đại hóa khác biệt lớp NSR lớp VF/VT Sau đó, ta tính toán độ rộng xung, chu kỳ xung trung bình tín hiệu dựa vào chuỗi nhị phân Các bước trình bày sau: xung mẫu 4s tín hiệu tính trung bình độ rộng tất xung khoảng tín hiệu Độ rộng xung mẫu tín hiệu độ dài chuỗi số liên tiếp chuỗi nhị phân tương ứng N PW Thuật toán: - Bước 1: Chuyển mẫu tín hiệu (4s tín hiệu) ban đầu thành chuỗi nhị phân Chọn 4s liệu từ ghi Do tín hiệu VFDB rời rạc tần số 250Hz nên có tất 1000 điểm liệu cửa sổ dài 4s ta có n =1000 mẫu có giá trị Xi: {x[i] | i = 1,2…, n} W i N (ms ) (2) N 1 T T i N 1 (ms) Trong đó: W i độ rộng xung thứ i Ti khoảng cách xung thứ (i) xung thứ (i+1) Tính giá trị trung bình x[m] mảng {Xi} Sau tạo mảng X’ cách lấy giá trị phần từ trừ Xm: X’i = {xi – xm} N tổng số xung đoạn tín hiệu Như vậy, sau bước với tín hiệu ta thu giá trị độ rộng xung (PW) chu kỳ xung (T) Giá trị hai đặc trưng đầu vào cho mô hình phân lớp dựa luật mờ bước sau Tính giá trị âm nhỏ Vn giá trị dương lớn Vp mảng X’ Tạo phần chuỗi nhị phân: Các phần tử X’ có giá trị khoảng (0