張愛英，裴道武

（浙江理工大學(xué)信息學(xué)院，杭州310018）

基于貼近度的疾病診斷模糊專家系統(tǒng)

張愛英，裴道武

（浙江理工大學(xué)信息學(xué)院，杭州310018）

簡述模糊專家系統(tǒng)的模糊推理機制，并采用貼近度推理方法代替常用的Mamdani模糊推理。針對醫(yī)學(xué)中疾病發(fā)生的嚴(yán)重程度，運用Visual C++作為系統(tǒng)的開發(fā)平臺，建立疾病診斷模糊專家系統(tǒng)。結(jié)果表明：構(gòu)建的疾病診斷模糊專家系統(tǒng)能夠?qū)崿F(xiàn)對幾種常見疾病的自動診斷。

模糊推理；Mamdani模糊推理；貼近度；模糊專家系統(tǒng)；疾病診斷

0 引 言

現(xiàn)實世界中大多數(shù)問題不像經(jīng)典數(shù)學(xué)和物理學(xué)等學(xué)科那樣具有嚴(yán)密性和精確性，它們往往是不精確、非完全和模糊的，具有一定程度的不確定性，而專家系統(tǒng)就是讓計算機模仿人類專家去處理這些不確定性問題，它已成為人工智能領(lǐng)域最活躍的研究方向之一。

模糊專家系統(tǒng)是專家系統(tǒng)中的一種，是由輸入輸出模塊、知識庫、模糊推理機和系統(tǒng)解釋模塊組成，其中知識表示和模糊推理是模糊專家系統(tǒng)的重點。本文主要是對模糊推理方法進行研究，使專家系統(tǒng)能夠更接近于人類專家解決問題的思路，以得到更好的結(jié)論。

模糊專家系統(tǒng)廣泛使用了Zadeh提出的合成推理方法（簡稱為CR方法）［1］，隨后很多學(xué)者提出了不同蘊涵算子下的模糊推理，但文獻中報告的模糊專家系統(tǒng)多數(shù)采用了Mamdani蘊涵作為模糊蘊涵算子。因此，CRI方法也叫Mamdani模糊推理［2］。CRI方法存在一些不足，如：合成運算缺乏合理的邏輯含義、不具有還原性、缺乏靈活性和可調(diào)性等。近年來，文獻中提出了一些新的模糊推理方法，如：匹配度最大優(yōu)先法［3］、權(quán)值法［3］、ECRI［4］等。有的學(xué)者從模糊規(guī)則的前提與模糊輸入間的匹配度是否大于事先設(shè)定的閾值來決定是否使用這條規(guī)則來進行推理。這類推理方法主要有語義距離方法，其中使用了Hamming距離或Euclid距離等［5］、相似度方法［6-7］、貼近度方法［8］等。

模糊專家系統(tǒng)應(yīng)用領(lǐng)域非常廣泛，例如，商務(wù)管理［9］、新產(chǎn)品定價［10］等。它們用到的推理方法一般都是Mamdani模糊推理?，F(xiàn)在對推理方法在理論層面的研究已經(jīng)比較成熟，但是用這些新的模糊推理方法構(gòu)建模糊專家系統(tǒng)的文獻卻不多。本文基于貼近度推理方法構(gòu)建模糊專家系統(tǒng)，對疾病癥狀發(fā)生的嚴(yán)重程度進行定量分析，以實現(xiàn)對幾種常見疾病的自動診斷。

1 基礎(chǔ)知識

模糊專家系統(tǒng)是在特定領(lǐng)域中集成該領(lǐng)域?qū)＜业闹R而形成的計算機系統(tǒng)，用于解決原本由人類專家解決的問題。模糊專家系統(tǒng)主要由輸入輸出接口、解釋器、知識庫、推理機組成，如圖1所示。

輸入輸出模塊是用于接收用戶輸入信息，向用戶提出或回答問題，輸出系統(tǒng)的結(jié)果及對系統(tǒng)的運行做出解釋。模糊事實庫是用于存儲知識和經(jīng)驗的，它里面的知識和經(jīng)驗是通過專家獲得的，它主要是把專家的知識和經(jīng)驗用知識表示的方法表述并存儲到這個事實庫中。模糊規(guī)則庫主要是存放一些已知的IF-THEN規(guī)則。模糊推理機主要是對模糊事實庫進行各種的推理和搜索，根據(jù)用戶輸入的信息，應(yīng)用某種模糊推理來搜索模糊規(guī)則庫中的規(guī)則，得出需要的結(jié)論。系統(tǒng)維護模塊用于保證系統(tǒng)能夠正常運行。解釋模塊用于告訴用戶系統(tǒng)的推理過程，即由輸入信息怎樣得到輸出信息的解釋與說明。

圖1 模糊專家系統(tǒng)結(jié)構(gòu)圖

在模糊推理機中常用的是Mamdani模糊推理。Mamdani模糊推理采用的是max-min合成算法，它主要用于解決FMP問題。

定義1［11］：設(shè)U為論域，U上的一個模糊集合A可以表示為函數(shù)

對于u∈U，函數(shù)值A(chǔ)（u）稱為u對A的隸屬度，而函數(shù)A也稱為隸屬函數(shù)。

下面介紹一下模糊推理的基本形式FMP，即模糊前向推理，其形式如下：

（FMP）已知A→B，且給定A*，求B*。

其中A，A*與B，B*分別是論域X與Y上的模糊集。

在實際的應(yīng)用中，往往遇到的是FMP問題的更一般的表現(xiàn)形式，已知條件中含有多條規(guī)則，每個規(guī)則中包含多個前提，它的一般形式如下：

（MRMP）已知Ai1，…，Ain→Bi，i=1，…，m，且給定，…，求B*.

但是對模糊推理的研究大多數(shù)限于理論層面，模糊專家系統(tǒng)中用的模糊推理卻還是經(jīng)典的Mamdani推理。模糊推理方法中有一種是基于貼近度的模糊推理。

定義2［11］：考慮論域U的全體模糊集F（U）上的二元函數(shù)

σ：F（U）×F（U）→［0，1］，（A，B）σ（A，B）.

若σ滿足下列公理：

a）σ（A，A）=1，σ（U，?）=0；

b）σ（A，B）=σ（B，A）；

c）A?B?C?σ（A，C）≤σ（A，B）∧σ（B，C），則稱σ為F（U）的貼近度函數(shù)，σ（A，B）稱為A與B的貼近度。

常見的貼近度有以下幾種：Hamming貼近度、Euclid貼近度、最大最小貼近度和算術(shù)平均貼近度等。

文獻［8］提出了一種新的貼近度：

而兩個模糊集向量K=｛k1，…km｝，L=｛l1，…lm｝的貼近度定義為：

張化光等提出的貼近度計算的是它們間的差值，這樣計算的結(jié)果會更精確，而且這種方法結(jié)合了模糊推理和去模糊化，在求解過程中簡潔。所以本文用到的貼近度為式（1）和式（2）給出的貼近度。

2 基于貼近度的疾病診斷模糊專家系統(tǒng)

專家系統(tǒng)現(xiàn)已應(yīng)用到很多的領(lǐng)域之中，如：農(nóng)業(yè)、醫(yī)學(xué)、電子化工等，模糊專家系統(tǒng)是專家系統(tǒng)中的一種，也可以應(yīng)用到這些領(lǐng)域當(dāng)中。在現(xiàn)存的醫(yī)學(xué)領(lǐng)域的專家系統(tǒng)中，大多數(shù)都是應(yīng)用了Mamdani推理，本文主要是應(yīng)用張化光等［8］提出的貼近度進行推理，并考慮疾病出現(xiàn)的程度。

在構(gòu)建疾病診斷模糊專家系統(tǒng)時，首先確定輸入的變量是人體出現(xiàn)不適時的癥狀，如頭疼、發(fā)燒、腹瀉、惡心等，輸出變量是某種疾病的名稱，如暑濕型感冒、急性腸炎、慢性腸炎等。

眾所周知，人體出現(xiàn)不適情況的嚴(yán)重程度不一樣，疾病就不一樣。疾病嚴(yán)重程度的隸屬函數(shù)采用正態(tài)分布，見表1，其中給出了8種模糊量詞以及對應(yīng)的隸屬函數(shù)。為了便于計算機處理，將區(qū)間［0，1］劃分為6個相等間隔的離散點，表1中模糊量詞的隸屬函數(shù)經(jīng)離散化后的結(jié)果見表2。

表1 疾病嚴(yán)重程度的隸屬函數(shù)

表2 離散化隸屬函數(shù)

構(gòu)建系統(tǒng)的步驟如下。

第一步：建立知識庫，即為規(guī)則庫。因為規(guī)則的形式是IF-THEN形式，所以在建立規(guī)則庫時，對規(guī)則的前提部分和結(jié)論部分分別進行存儲，這里的存儲形式是數(shù)組。結(jié)論部分的元素用char*rule_result［3］｛｝進行存儲，同理事實庫也是。

第二步：運用一種模糊化的方法，把輸入變量的隸屬度模糊化后放在如圖2數(shù)組bing［］［］中已備使用，這里引用文獻［3］中的方法，在下面的表1［3］和表2［3］中將給出詳細(xì)的說明。

圖2 隸屬度存儲

第三步：利用第二節(jié)提到的推理方法，即：公式（1）進行模糊推理。

第四步：用戶輸入癥狀后推理的結(jié)果和預(yù)先設(shè)定的閾值進行比較。若所得結(jié)果大于給定閾值，則規(guī)則被激發(fā)同時放入臨時存儲器，以備使用，反之與下條規(guī)則進行推理。最后對所有的結(jié)果進行析取運算，輸出對應(yīng)結(jié)果的規(guī)則的結(jié)論部分。系統(tǒng)的流程如圖3所示。

圖3 推理流程

第五步：搭建人機界面，利用軟件中resource選項卡中的Dialog選項建立所需人機界面，如圖4。在ClassView選項卡中把構(gòu)建的知識庫，推理機制的代碼加載到相應(yīng)函數(shù)中。

構(gòu)建的模糊專家系統(tǒng)的初始界面如圖5所示。

通過這個模糊專家系統(tǒng)，用戶可以根據(jù)自己的實際情況選擇信息，單擊分析按鈕時，系統(tǒng)就會根據(jù)模糊推理與規(guī)則庫中的每條規(guī)則進行比較，得出的結(jié)果進行析取運算，得出最大的那條規(guī)則。因為在建立規(guī)則庫時定義每條規(guī)則的閾值大于0.6時，規(guī)則被激發(fā)。所以當(dāng)規(guī)則被激發(fā)且分析出當(dāng)結(jié)果最大值時，系統(tǒng)就會輸出這條規(guī)則的結(jié)論部分，也就是所得的疾病，如圖6所示。當(dāng)規(guī)則不被激發(fā)，系統(tǒng)會自動彈出一個界面告訴用戶，系統(tǒng)不能診斷其所得的疾病，如圖7所示。

圖4 人機界面

圖5 初始界面

圖6 正確診斷界面

日常生活中，人們會患不同的疾病，例如假期中，有位同學(xué)突然出現(xiàn)發(fā)燒、嘔吐和腹瀉的情況，根據(jù)詢問他出現(xiàn)癥狀的不同程度，用構(gòu)建的系統(tǒng)進行診斷。他出現(xiàn)癥狀的情況依次為比較嚴(yán)重、嚴(yán)重和很嚴(yán)重，根據(jù)系統(tǒng)的診斷為急性腸炎如圖8所示。

通過他出現(xiàn)的癥狀查閱醫(yī)書，可以得知他得急性腸炎的概率很大，后來，他到醫(yī)院就診，醫(yī)生詢問之后得出，由于吃的食物不干凈得了急性腸炎。

經(jīng)過實際病例的實際診斷可以看出，這個系統(tǒng)可以得到令人滿意的診斷結(jié)論。由于系統(tǒng)中疾病規(guī)則還不完善，系統(tǒng)實用性的驗證還不是很完善，隨著規(guī)則庫的完善，這將得到更好的證明。

圖7 不能正確診斷界面

圖8 急性腸炎

3 結(jié) 語

隨著技術(shù)的不斷進步，專家系統(tǒng)和模糊專家系統(tǒng)已經(jīng)得到了快速的發(fā)展。本文對其發(fā)展進行了簡要的概述，對模糊專家系統(tǒng)中已存在的模糊推理進行了替換，即：用基于貼近度的模糊推理替代原有的Mamdani模糊推理，構(gòu)建了相應(yīng)的模糊專家系統(tǒng)。

值得指出的是，本文構(gòu)建的模糊專家系統(tǒng)適用于人們?nèi)粘Ｉ钪谐霈F(xiàn)的集中常見疾病的診斷。用這個系統(tǒng)進行診斷時，用戶只需要按自己出現(xiàn)狀況做出相應(yīng)的選擇即可。需要強調(diào)的是，本文構(gòu)建的模糊專家系統(tǒng)只是疾病自動診斷模糊專家系統(tǒng)的雛形，其中所含的疾病種類與臨床癥狀的數(shù)據(jù)均不夠全，尚不能滿足實際疾病自動診斷的需要。另外，這個系統(tǒng)診斷的結(jié)果可以通過修正函數(shù)（例如：模糊強度增加、模糊強度降低等）對其進行修改使結(jié)果更貼近實際，也沒有與其他診斷方法得到的結(jié)果進行比較。針對這些問題還需展開深入研究，以期完善這個診斷系統(tǒng)。

［1］王國俊.非經(jīng)典數(shù)理邏輯與近似推理［M］.北京：科學(xué)出版社，2008：82-107.

［2］Yen V C.Rule selections in fuzzy expert systems［J］.Expert Systems with Applications，1999，16（1）：79-84.

［3］楊 蓓，緱西梅，艾 艷.專家系統(tǒng)中的模糊知識表示及推理研究［J］.鄭州大學(xué)學(xué)報：理學(xué)版，2004，36（2）：31-33.

［4］汪德寧，孫即祥，毛 玲，等.一種新的模糊推理方法：ECRI［J］.模糊系統(tǒng)與數(shù)學(xué)，2005，19（3）：19-23.

［5］權(quán)雙燕.模糊集之間的距離測度［J］.計算機工程與應(yīng)用.2008，44（26）：65-67.

［6］Yeng D S，Tsang E C C.A comparative study on similarity-based fuzzy reasoning methods［J］.IEEE Transactions on Systems Man and Cybernetics，1997，27（2）：216-227.

［7］Turksen IB，Zhao Z.An approximate analogical reasoning approach based on similarity measure［J］.IEEE Transactions on Systems Man and Cybernetics，1988，18（6）：1049-1056.

［8］張化光，陳米久.考慮兩種不確定性的模糊決策方法［J］.中國科學(xué)：A輯，1991，21（7）：776-784.

［9］Arias-Aranda D，Casrro J L，Nararro M，et al.A fuzzy expert system for business management［J］.Expert Systems with Applications，2010，37：7570-7580.

［10］Haji A，Assadi M.Fuzzy expert systems and challenge of new product pricing［J］.Computer&Industrial Engineering，2009，56：616-630.

［11］陳水利，李敬功，王向公.模糊集理論及其應(yīng)用［M］.北京：科學(xué)出版社，2005：161-170.

Disease Diagnosis Fuzzy Expert System Based on CIose Degree

ZHANGAi-ying，PEI Dao-wu
（The School of Information Science and Technology，Zhejiang Sci-Tech University，Hangzhou 310018，China）

This paper briefly describes fuzzy inference mechanism of fuzzy expert system and replaces common Mamdani fuzzy inference with close degree inference method.Aiming at the severity degree of the disease，this paper applies Visual C++as the development platform of the system to establish disease diagnosis fuzzy expert system.The results show that：the disease diagnosis fuzzy expert system can automatically diagnose several common diseases.

fuzzy inference；Mamdani fuzzy inference；close degree；fuzzy expert system；disease diagnosis

TP182；R44

A

（責(zé)任編輯：陳和榜）

1673-3851（2014）02-0206-05

2013-05-24

國家自然科學(xué)基金項目（11171308）

張愛英（1988-），女，山東臨沂人，碩士研究生，主要從事計算機視覺與模式識方面的研究。