Tóm tắt Luận văn Nghiên cứu và ứng dụng kỹ thuật phân nhóm xây dựng hệ thống dự đoán bệnh tự kỷ ở trẻ em
1
MỞ ĐẦU
1. Lí do chọn đề tài
Theo số liệu thống kê mới nhất từ Khoa phục hồi Chức năng
thuộc Bệnh viện Nhi Trung ương thì số trẻ em mắc bệnh tự kỷ không
ngừng tăng lên và bệnh tự kỷ dường như đang là nỗi lo lắng lớn nhất của
gia đình Việt. Hơn thế nữa, ở Việt Nam có rất ít hệ thống chẩn đoán trẻ
tự kỷ, gần đây có phần mềm A365 để sàng lọc chậm phát triển và can
thiệp sớm cho trẻ tự kỷ tại nhà do nhóm của tiến sĩ Vũ Song Hà phát
triển. Vì vậy cần xây dựng một ứng dụng mang ý nghĩa thực tiễn, giúp
các bậc làm cha/ mẹ có thể tự kiểm tra sơ bộ để phát hiện sớm nhất
các dấu hiệu của bệnh.
Với mong muốn góp phần phát triển phương pháp luận phục
vụ trong việc dự đoán bệnh tự kỷ ở trẻ em, giúp các bậc cha mẹ, thầy
cô giáo, y bác sĩ có thể phát hiện bệnh sớm nhằm nâng cao hiệu quả
trong điều trị bệnh, tôi chọn đề tài “Nghiên cứu và ứng dụng kỹ
thuật phân nhóm xây dựng hệ thống dự đoán bệnh tự kỷ ở trẻ
em” làm đề tài tốt nghiệp.
2. Mục tiêu và nhiệm vụ nghiên cứu
2.1. Mục tiêu nghiên cứu
Nghiên cứu, cải tiến các kỹ thuật phân nhóm để vận dụng
xây dựng hệ thống hỗ trợ trong dự đoán bệnh tự kỷ ở trẻ em.
2.2. Nhiệm vụ nghiên cứu
- Tìm hiểu về các dấu hiệu nhận biết bệnh tự kỷ ở trẻ em;
- Tìm hiểu về các kỹ thuật phân nhóm;
- Xây dựng hệ thống hỗ trợ dự đoán bệnh tự kỷ ở trẻ em.
2
3. Đối tƣợng và phạm vi nghiên cứu
3.1. Đối tƣợng nghiên cứu
Hệ thống chẩn đoán bệnh tiền tự kỷ ở trẻ
Phương pháp phân nhóm dữ liệu
Phương pháp hỗ trợ chẩn đoán
3.2. Phạm vi nghiên cứu
Phương pháp hỗ trợ chẩn đoán tiền tự kỷ ở trẻ trên cơ sở
phương pháp phân nhóm dữ liệu.
Ứng dụng phương pháp để xây dựng hệ thống hỗ trợ chẩn
đoán tiền tự kỷ ở trẻ.
4. Phƣơng pháp nghiên cứu
4.1. Phƣơng pháp lý thuyết
4.2 Phƣơng pháp thực nghiệm
5. Ý nghĩa khoa học và thực tiễn của đề tài
5.1. Ý nghĩa khoa học
Nghiên cứu, tìm hiểu các kĩ thuật phân nhóm dữ liệu để phục
vụ công việc chẩn đoán.
5.2. Ý nghĩa thực tiễn
Xây dựng một ứng dụng mang ý nghĩa nhân văn và thực tiễn
giúp các bậc làm cha/mẹ phát hiện sớm tự kỷ ở trẻ.
6. Bố cục luận văn
Nội dung của luận văn gồm các nội dung chính sau đây:
Chƣơng 1 Trình bày những kiến thức cơ bản về bệnh tự kỷ ở
trẻ em.
Chƣơng 2 Giới thiệu tổng quan về kỷ thuật phân nhóm, ưu
nhược điểm của kỷ thuật phân nhóm .
3
Chƣơng 3 Trình bày quy trình ứng dụng kỷ thuật phân nhóm
trong chẩn đoán bệnh tự kỷ. Tập trung phân tích yêu cầu của hệ thống,
xác định các chức năng chính, xây dựng sơ đồ của các hoạt động chính
của ứng dụng, tiến hành cài đặt ứng dụng.
CHƢƠNG 1
TỔNG QUAN VỀ HỘI CHỨNG TỰ KỶ Ở TRẺ EM
Nội dung chương này giới thiệu những kiến thức cơ bản về
bệnh tự kỷ ở trẻ em, nguyên nhân gây bệnh, triệu chứng bệnh, dấu
hiệu nhận biết và tác hại của bệnh tự kỷ.
1.1. KHÁI NIỆM VỀ BỆNH TỰ KỶ
1.1.1. Giới thiệu về bệnh tự kỷ
Ngay từ đầu thế kỷ 19 đã có những báo cáo về trường hợp đơn
lẻ của những trẻ rất bé mắc các bệnh rối loạn tâm trí nặng có liên
quan đến một biến dạng rõ của quá trình phát triển và Maudsley (năm
1876) đã là nhà tâm bệnh học đầu tiên chú ý đến những nghiên cứu
về những trạng thái này.
Năm 1978, Hiệp hội Quốc gia về Bệnh tự kỷ ở Hoa Kỳ đưa ra
định nghĩa: Tự kỷ là một hội chứng các hành vi biểu hiện trước 30
tháng tuổi.
Còn trong DSM III (1980) và DSM III-R (1987) của Hội tâm
thần học Hoa Kỳ, tự kỷ trẻ em là một loại rối loạn phát triển lan tỏa
(PDD – Pervasive Developmental Disorders).
1.1.2. Khái niệm bệnh tự kỷ
Tự kỷ là một loại khuyết tật phát triển suốt đời được thể hiện
4
trong vòng ba năm đầu đời. Tự kỷ là do rối loạn của hệ thần kinh gây
ảnh hưởng đến hoạt động của não bộ. Tự kỷ có thể xảy ra ở bất kỳ cá
nhân nào, không phân biệt giới tính, chủng tộc, giàu nghèo và địa vị
xã hội. Tự kỷ được biểu hiện ra ngoài bằng những khiếm khuyết về
tương tác xã hội; khó khăn về giao tiếp ngôn ngữ và phi ngôn ngữ;
khiếm khuyết về hành vi, sở thích và hoạt động mang tính hạn hẹp và
lặp đi lặp lại1.
Bệnh tự kỷ ở trẻ em thường khó phát hiện, khi phát hiện thì
bệnh đã nặng và khó chữa.
1.2. NGUYÊN NHÂN CỦA BỆNH TỰ KỶ
1.2.1. Yếu tố môi trƣờng
1.2.2. Yếu tố di truyền
1.2.3. Yếu tố tâm lý thần kinh
1.2.4. Yếu tố hoá chất
1.3. TRIỆU CHỨNG ĐẶC TRƢNG CỦA BỆNH TỰ KỶ
1.3.1. Tự kỷ và trầm cảm
Tự kỷ và trầm cảm là hai bệnh phổ biến hiện nay và nhiều
người vẫn đang nhầm lẫn giữa hai bệnh này với nhau.
Tự kỷ và trầm cảm đều là chứng bệnh sợ hãi quá độ, ảnh
hưởng đến hành vi, suy nghĩ và giao tiếp của con người. Bệnh nhân
mắc chứng bệnh này thường ngại giao tiếp, ngại tụ tập những nơi
đông người, có xu hướng thích một mình.
- Bệnh tự kỷ:
- Bệnh trầm cảm:
1
5
1.3.2. Triệu chứng lâm sàng
Mỗi trẻ tự kỷ sẽ có những biểu hiện khác nhau, không có hai
trẻ tự kỷ nào hoàn toàn giống nhau về các triệu chứng hay mức độ
nặng nhẹ của bệnh. Những dấu hiệu dưới đây là những vấn đề và
hành vi thường gặp ở trẻ tự kỷ.
a. Dấu hiệu cảnh báo dưới 1 tuổi
- Giai đoạn từ 0 – 6 tháng tuổi: Trẻ bị tự kỷ trong giai đoạn
này thường có các biểu hiện: Không hoặc ít phản ứng với âm thanh
như tiếng gọi của mẹ, tiếng xúc sắc của trò chơi. Không tập trung ánh
mắt vào người nói chuyện, không có tương tác khi hỏi chuyện. Bé có
những biểu hiện tăng động như quấy khóc nhiều, khó dỗ dành hoặc
bé quá “hiền”, thờ ơ yên lặng, không đòi được chăm sóc.
- Giai đoạn từ 6 – 12 tháng tuổi: Không chú ý đến những hoạt
động và người xung quanh, trẻ bình thường lúc này đã biết theo mẹ,
giữ mẹ và thích có bạn chơi cùng; phát âm rất ít hoặc không phát âm;
chơi một mình, sử dụng đồ vật một cách bất thường như gãi, cào hay
cọ xát, chơi với các ngón tay và tay ở trước mặt; không vẫy tay chào,
tạm biệt, chỉ tay hay các biểu hiện hành động tương tự.
b. Dấu hiệu cảnh báo trên 1 tuổi
- Khiếm khuyết về quan hệ xã hội:
- Khiếm khuyết về khả năng bắt chước
- Khiếm khuyết về khả năng đáp ứng tình cảm:
- Khiếm khuyết về các động tác cơ thể
- Khiếm khuyết về sử dụng đồ vật:
- Khiếm khuyết về khả năng thích nghi với sự thay đổi:
- Khiếm khuyết về phản ứng thị giác:
6
- Khiếm khuyết về phản ứng thính giác:
- Khiếm khuyết về phản ứng vị giác, khứu giác, xúc giác:
- Khiếm khuyết về cảm giác sợ hãi và hồi hộp:
- Khiếm khuyết về giao tiếp bằng lời:
- Khiếm khuyết về giao tiếp không lời:
- Khiếm khuyết về mức độ hoạt động:
- Khiếm khuyết về đáp ứng trí tuệ:
1.4. KẾT CHƢƠNG
CHƢƠNG 2
CÁC KỸ THUẬT PHÂN NHÓM DỮ LIỆU
2.1. TỔNG QUAN VỀ KỸ THUẬT PHÂN NHÓM
2.1.1. Phân lớp dữ liệu
Phân lớp và dự đoán là hai dạng của phân tích dữ liệu nhằm
trích rút ra một mô hình mô tả các lớp dữ liệu quan trọng hay dự
đoán xu hướng dữ liệu tương lai. Quá trình phân lớp dữ liệu gồm hai
bước :
Bƣớc 1: Học (giai đoạn huấn luyện)
Bƣớc 2: Phân lớp
Phân lớp dữ liệu/đối tượng mới nếu độ chính xác của bộ phân
lớp được đánh giá là có thể chấp nhận được. Cần sử dụng một tập dữ
liệu kiểm tra độc lập với tập dữ liệu đào tạo.
Dưới đây là các kỹ thuật phân lớp đã được sử dụng:
- Phân lớp với cây quyết định
- Phân lớp với mạng Bayesian
7
- Phân lớp với mạng Neural
- Phân lớp với k phần tử gần nhất (k-nearest neighbor)
- Phân lớp dựa trên tình huống (case-based reasoning)
- Phân lớp dựa trên tiến hoá gen (genetic algorithms)
- Phân lớp với lý thuyết tập thô (rough sets)
- Phân lớp với lý thuyết tập mờ (fuzzy sets) …
2.1.2. Các vấn đề liên quan đến phân lớp dữ liệu
- Chuẩn bị dữ liệu cho việc phân lớp
- Đánh giá các mô hình phân lớp
2.1.3. Các phƣơng pháp đánh giá độ chính xác của mô hình phân
lớp
Có 2 phương pháp đánh giá phổ biến là holdout và k-fold
cross-validation. Cả 2 kỹ thuật này đều dựa trên các phân hoạch ngẫu
nhiên tập dữ liệu ban đầu.
2.2. THUẬT TOÁN ID3
Thuật toán ID3 (Iterative Dichotomiser 3) là thuật toán dùng
để xây dựng cây quyết định được trình bày bởi John Ross Quinlan.
2.2.1. Tiêu chí chọn thuộc tính
Thuật toán dùng độ đo độ lợi thông tin IG để xác định điểm
chia.
Xét bảng quyết định DT = (U, C {d}), số giá trị (nhãn lớp)
có thể của d là k. Khi đó Entropy của tập các đối tượng trong DT
được định nghĩa bởi:
k
(2.1)
Entropy(U) p log p
i
2
i
i1
Trong đó pi là tỉ lệ các đối tượng trong DT mang nhãn lớp i.
8
Độ lợi thông tin IG là lượng Entropy còn lại khi tập các đối
tượng trong DT được phân hoạch theo một thuộc tính điều kiện c. IG
xác định theo công thức sau:
|Uv |
(2.2)
IG(U,c) Entropy(U)
Entropy(Uv )
|U |
vVc
Trong đó Vc là tập các giá trị của thuộc tính c, Uv là tập các đối
tượng trong DT có giá trị thuộc tính c bằng v.
2.2.2. Thuật toán ID3
2.2.3. Đánh giá thuật toán ID3
2.3. THUẬT TOÁN C4.5
2.3.1. Tiêu chí chọn thuộc tính
Thuật toán C4.5 được cải tiến từ thuật toán ID3 với việc cho
phép xử lý trên tập dữ liệu có các thuộc tính số (numeric atributes) và
làm việc được với tập dữ liệu bị thiếu và bị nhiễu. Gain Ratio là một
đại lượng để đánh giá độ hiệu quả của thuộc tính dùng để thực hiện
phép tách trong thuật toán để phát triển cây quyết định:
Gain(X,T)
(2.3)
(2.4)
GainRatio(X,T)
SplitInfo(X,T)
Với:
|T |
|T |
i
i
SplitInfo(X,T)
log
iValue(X ) |T | 2 |T |
Trong đó:
- Value (X) là tập các giá trị của thuộc tính X.
- Ti là tập con của tập T ứng với thuộc tính X có giá trị là vi.
Thuộc tính được lựa chọn để phân lớp là thuộc tính có giá trị
Gain Ratio lớn nhất.
9
2.3.2. Thuật toán C4.5
Dữ liệu vào: Tập dữ liệu huấn luyện T
Dữ liệu ra: Mô hình cây quyết định
Function xay_dung_cay (T)
Begin
<Tính toán tần suất các giá trị trong các lớp của T>;
If <Kiểm tra các mẫu, nếu thuộc cùng một lớp hoặc có rất
ít mẫu khác lớp> Then <Trả về 1 nút lá>
Else <Tạo một nút quyết định N>;
For <Với mỗi thuộc tính A> Do <Tính giá trị Gain (A)>;
<Tại nút N, thực hiện việc kiểm tra để chọn ra thuộc tính
có giá trị Gain tốt nhất (lớn nhất).
Gọi N. test là thuộc tính có Gain lớn nhất>;
If <Nếu N. test là thuộc tính liên tục> Then <Tìm ngưỡng
cho phép tách của N. test>;
For <Với mỗi tập con T’ được tách ra từ tập T> Do
Begin
If <Kiểm tra, nếu T' rỗng>} Then
<Gán nút con này của nút N là nút lá>;
Else
<Gán nút con này là nút được trả về bằng cách
gọi đệ qui lại đối với hàm xay_dung_cay (T'), với tập T'>;
end
<Tính toán các lỗi của nút N>;
<Trả về nút N>;
End
10
2.3.3. Đánh giá thuật toán C4.5
- Mạnh mẽ khi gặp những dữ liệu tạp, có khả năng loại bỏ dữ
liệu không cần thiết khi đưa vào cây, tránh làm cây rườm rà, không
tối ưu.
- Thích hợp được với các dữ liệu liên tục, dữ liệu bị thiếu, bị
nhiễu.
- Làm việc với các thuộc tính đa trị: Giá trị Split Info là đại
lượng đánh giá thông tin tiềm năng thu thập được khi phân chia tập T
thành n tập con. Gain Ratio là tiêu chuẩn để đánh giá việc lựa chọn
thuộc tính phân loại.
2.4. THUẬT TOÁN SPRINT
2.4.1. Tiêu chí chọn thuộc tính
2.4.2. Thuật toán SPRINT
2.4.3. Đánh giá thuật toán SPRINT
2.5. THUẬT TOÁN ĐỀ XUẤT MC4.5
Thuật toán mC4.5 tốt hơn C4.5 trong việc giảm tổng số nút mà
không ảnh hưởng đến độ chính xác đồng thời tăng tỉ lệ chính xác.
2.5.1. Tiêu chí chọn thuộc tính
Average Gain có thể được xác định bởi phương trình (2.7).
Gain(S, A)
(2.7)
Averagegain(S, A)
N
Trong đó N là số giá trị của thuộc tính A và gain(S,A) là
Information Gain mà thành phần của thuộc tính A trên tập S.
2.5.2. Thuật toán mC4.5
Giai đoạn đầu tiên của thuật toán C4.5 bao gồm:
Giai đoạn 1.1: Lựa chọn dữ liệu đầu vào để xử lý với thuật
11
toán C4.5
Giai đoạn 1.2: Tính entropy, Information Gain và Gain Ratio
của thuộc tính như phương trình (2.1) (2.2) (2.3)
Giai đoạn 1.3: Xử lý bộ dữ liệu đầu vào dựa trên thuật toán
cụ thể C4.5
Giai đoạn 1.4: Đánh giá mô hình, độ chính xác tính toán sử
dụng kỹ thuật kiểm chứng chéo k lần, tỉ lệ lỗi, kích thước cây, thời
gian thực hiện cho mỗi quá trình.
Giai đoạn thứ hai của thuật toán mC4.5 bao gồm:
Giai đoạn 2.1: Lựa chọn mẫu được dùng trong giai đoạn đầu
Giai đoạn 2.2: Rời rạc hóa tất cả các thuộc tính liên tục trong
tập dữ liệu
Giai đoạn 2.3: Xử lý bộ dữ liệu đầu vào theo thuật toán
mC4.5
Giai đoạn 2.4: Đánh giá mô hình, độ chính xác tính toán sử
dụng kỹ thuật kiểm chứng chéo k lần, tỉ lệ lỗi, kích thước cây, thời
gian thực hiện cho mỗi quá trình
2.5.3. Đánh giá thuật toán mC4.5
Các kết quả thực nghiệm cho thấy rằng biện pháp sử dụng
Average Gain nhanh hơn so với sử dụng độ đo Gain Ratio về kích
thước của cây và thời gian đào tạo, nhưng đồng thời vẫn duy trì độ
chính xác phân lớp cao hơn.
2.6. CẢI TIẾN THUẬT TOÁN CÂY QUYẾT ĐỊNH DỰA TRÊN
THUẬT TOÁN DI TRUYỀN
Cây quyết định không thể nhận được các luật tối ưu và thuật
toán di truyền thường được dùng làm công cụ để tối ưu. Vì vậy
12
chúng ta có thể dùng thuật toán di truyền để tối ưu kết quả của cây
quyết định.
2.6.1. Mã hóa cho các luật
Nói chung thuật toán di truyền thông qua bit mã hóa với độ dài
cố định; phổ biến nhất là sử dụng mã nhị phân.
Trong phương pháp này, mặc dù độ dài của nhiễm sắc thể là cố
định, độ dài của luật có thể thay đổi, nó sẽ tạo ra luật đơn giản hơn.
2.6.2. Hàm thích nghi cho luật
Trong thuật toán di truyền, hàm thích nghi là một độ đo đánh giá tính
tốt hay xấu của một cá thể.
Hàm thích nghi có thể được xây dựng theo công thức sau:
Max fitness = a x simplicity + b x support
+ c x accuracy + d x Gain Ratio
Khi đó a, b, c, d là trọng số của biến trong đoạn [0,1] và a + b
+ c + d =1
(2.11)
2.6.3. Phép toán lai ghép và đột biến cho luật
Lai ghép hai điểm được sử dụng trong nhiễm sắc thể ở phương
pháp này.
Tạo ra một số thực ngẫu nhiên Sm trong đoạn [0,1]. Nếu Sm
nhỏ hơn xác suất đột biến của Pm, ta sẽ đột biến trên cá thể. Mỗi đột
biến có thể là phép toán đột biến hoặc bất kì sự phối hợp của phép
toán đột biến nào.
2.6.4. Thuật toán cải tiến
Bước 1: Khởi tạo quần thể một tập mẫu R với S bản ghi là lựa
chọn ngẫu nhiên từ tập dữ liệu đào tạo có thuộc tính phân lớp với giá
trị là Ci. Sau đó tiến hóa đại số và biến thích nghi trung bình (avg)
13
của quần thể khởi tạo đều được gán bằng 0.
Bước 2: Tiền xử lý hoạt động được tạo ra dựa trên mẫu R bao
gồm làm sạch dữ liệu, rời rạc hóa thuộc tính liên tục, tính toán Gain
Ratio của mỗi thuộc tính đặc trưng và mã hóa các bản ghi dữ liệu.
Cuối cùng chúng ta có quần thể ban đầu được mã hóa P(r).
Bước 3: Tính toán độ thích nghi của mỗi cá thể trong quần thể
và sau đó độ thích nghi trung bình được tìm ra.
Bước 4: Nếu giá trị của số là ít hơn sự phát triển quần thể tối
avgi avgi1
đa hoặc
thì lặp lại bước 5,6,7. Nếu không thì
chuyển qua bước 8.
Bước 5: Tính toán độ thích nghi trung bình của thế hệ được lựa
chọn này, lai ghép và đột biến được tiến hành trên quần thể này. Vì
vậy quần thể con được tạo ra.
Bước 6: Thay thế các cá thể có độ thích nghi thấp trong tập bố
mẹ bởi cá thể có độ thích nghi cao trong quần thể con.
Bước 7: Tính toán độ thích nghi của mỗi cá thể trong thế hệ
mới, độ thích nghi trung bình là tốt.
Bước 8: Những cá thể có độ thích nghi thấp hơn ngưỡng thích
nghi thấp nhất được loại ra. Quần thể tối ưu là tập luật tối ưu.
Thuật toán: Cây quyết định _thuật toán di truyền
Dữ liệu vào: Tập dữ liệu khởi tạo R, các tham số cho thuật
toán di truyền
Dữ liệu ra: Luật phân lớp tối ưu
Begin
I = 0;
Initialize P(I);
14
//khởi tạo quần thể; Duyệt tập R, lựa chọn các bản
ghi có giá trị thuộc tính phân lớp là Ci
Preprocessing R;
//quy trình bao gồm: làm sạch dữ liệu, rời rạc thuộc
tính liên tục, tính toán Information Gain của mỗi thuộc tính,
mã hóa các bản ghi dữ liệu nhận được quần thể khởi tạo
Fitness P(I);
Avg(Fitness P(I));
While (I <= Max_generation or Avgi – Avgi - 1 > ɛ )
{
I ++;
GA_Operation P(I);
Fitness P(I);
}
Hoặc xóa cá thể có độ thích nghi thấp hơn giá trị ngưỡng;
Tối ưu quần thể P(I);
//nhận được các luật phân lớp tối ưu và tính hàm thích nghi
trung bình của Finess(I)
END
2.6.5. Đánh giá thuật toán
- Thuật toán đề xuất này đã được cải thiện so với thuật toán
cây quyết định bình thường về độ chính xác. Như kết quả ở bảng
4.14 cho thấy thuật toán cải tiến dựa trên thuật toán di truyền có độ
chính xác cao hơn thuật toán C4.5
- Các luật tối ưu dễ dàng hiểu hơn so với các thuật toán khác.
15
2.7. KẾT CHƢƠNG
Chương 2 đã trình bày các nội dung chính sau:
- Kỹ thuật phân nhóm và ưu nhược điểm của kỹ thuật phân
nhóm.
- Các thuật toán phân nhóm và đánh giá mỗi thuật toán.
Chương tiếp theo sẽ trình bày quy trình ứng dụng kỹ thuật
phân nhóm trong chẩn đoán bệnh tự kỷ ở trẻ em.
CHƢƠNG 3
ỨNG DỤNG KỸ THUẬT PHÂN NHÓM VÀO CHẨN ĐOÁN
BỆNH TỰ KỶ Ở TRẺ EM
Nội dung chương 3 trình bày quy trình ứng dụng kỹ thuật phân
nhóm trong chẩn đoán bệnh tự kỷ, biến đổi các triệu chứng bệnh
thành các thuộc tính của dữ liệu vào và các kết luận bệnh thành thuộc
tính của dữ liệu ra.
3.1. QUY TRÌNH CHẨN ĐOÁN BỆNH TỰ KỶ
3.1.1. Phân loại bệnh tự kỷ
a. Phân loại theo mức độ
b. Phân loại theo ngôn ngữ
c. Phân loại theo chỉ số thông minh
- P1: Trẻ không bị tự kỷ.
- P2: Trẻ bị tự kỷ ở mức độ nhẹ.
- P3: Trẻ bị tự kỷ ở mức độ trung bình.
- P4: Trẻ bị tự kỷ.
3.1.2. Quy trình chẩn đoán bệnh
Bƣớc 1: Giai đoạn khám lâm sàng
Bƣớc 2: Giai đoạn khám cận lâm sàng
16
3.2. QUY TRÌNH ỨNG DỤNG VÀO CHẨN ĐOÁN BỆNH TỰ
KỶ
Hệ thống chẩn đoán bệnh tự kỷ bằng kỹ thuật phân nhóm được
thực hiện theo quy trình sau:
Bước 1. Thu thập dữ liệu
Bước 2. Xây dựng cây quyết định
Bước 3. Xây dựng các luật tối ưu
Bước 4. Ứng dụng các luật trong chẩn đoán bệnh
3.2.1. Thu thập dữ liệu
3.2.2. Xây dựng cây quyết định
Trong khuôn khổ của luận văn, cây quyết định được xây dựng
theo thuật toán cải tiến mC4.5 và thuật toán di truyền đã trình bày
trong chương 2.
Dữ liệu vào ra của thuật toán được mô tả như sau:
a. Dữ liệu vào
Các triệu chứng của bệnh tự kỷ được chuyển thành các thuộc
tính áp dụng trong thuật toán, bảng dữ liệu mẫu sẽ chứa dữ liệu với
các thuộc tính như sau:
- Thuộc tính A (Quan hệ xã hội)
- Thuộc tính B (Khả năng bắt chước)
- Thuộc tính C (Đáp ứng tình cảm)
- Thuộc tính D (Các động tác cơ thể)
- Thuộc tính E (Sử dụng đồ vật)
- Thuộc tính F (Thích nghi với sự thay đổi)
- Thuộc tính G (Phản ứng thị giác)
- Thuộc tính H (Phản ứng thính giác)
17
- Thuộc tính I (Phản ứng qua vị, khứu, xúc giác và khả
năng sử dụng các giác quan này)
- Thuộc tính J (Sợ hãi hoặc hồi hộp)
- Thuộc tính K (Giao tiếp bằng lời)
- Thuộc tính L (Giao tiếp không lời)
- Thuộc tính M (Mức độ hoạt động)
- Thuộc tính N (Đáp ứng trí tuệ)
b. Dữ liệu ra
Đầu ra của thuật toán là xây dựng cây quyết định để phân lớp
theo các mức độ tự kỷ: P1, P2, P3, P4 (Xem mục 3.1.1.).
3.2.3. Xây dựng các luật
Từ cây quyết định có thể xây dựng được các luật dưới dạng IF-
THEN. Mỗi luật là một đường đi từ nút gốc đến nút lá. Luật có dạng
như sau:
IF R1 and R2 and … and Rn THEN Kết quả = G
Sau khi có các luật ta tiến hành tối ưu tập luật theo các phương
pháp đề xuất ở chương 2.
3.2.4. Ứng dụng luật trong chẩn đoán bệnh
Hệ thống sẽ sử dụng các luật đã tối ưu vào chẩn đoán bệnh tự
kỷ. Người sử dụng cung cấp cho hệ thống các thông tin liên quan đến
bệnh nhân như là: thông tin về quan hệ xã hội, khả năng bắt chước,
đáp ứng tình cảm, các động tác cơ thể, sử dụng đồ vật,… hệ thống sẽ
suy diễn dựa vào tập luật được tạo ra và cho ra kết quả về nguy cơ
mắc bệnh ứng với các thông tin đã được cung cấp. Các kết quả chẩn
đoán bệnh có thể là một trong các trường hợp: P1, P2, P3, P4 tương
ứng với các kết luận trẻ không bị tự kỷ, trẻ bị tự kỷ ở mức độ nhẹ, trẻ
bị tự kỷ ở mức độ trung bình và trẻ bị tự kỷ.
18
3.3. PHÂN TÍCH THIẾT KẾ HỆ THỐNG
3.3.1. Xác định yêu cầu
Hệ thống chẩn đoán bệnh tự kỷ cho phép cập nhật thông tin
người dùng, cập nhật triệu chứng của bệnh nhân theo từng ngày và
hỗ trợ cho việc chẩn đoán bệnh tự kỷ.
Các tác nhân tham gia hệ thống: Quản trị viên, người sử dụng
(phụ huynh)
a. Yêu cầu chức năng
Đối với quản trị viên: Đăng nhập, đăng xuất, quản lý thông tin
cá nhân người dùng, quản lý danh sách trẻ, quản lý hồ sơ bệnh án của
trẻ, quản lý dữ liệu tập huấn, quản lý luật
Đối với người sử dụng:
- Đăng ký tài khoản
- Đăng nhập
- Đăng xuất
- Cập nhật thông tin cá nhân
- Cập nhật thông tin của một hoặc một số trẻ có liên quan
(thêm, sửa, xóa)
- Cập nhật hoạt động hàng ngày của trẻ (thêm, sửa, xóa)
- Cập nhật thông tin liên quan đến việc chẩn đoán bệnh của trẻ
- Chẩn đoán bệnh
b. Yêu cầu phi chức năng
- Thiết kế giao diện thân thiện, dễ sử dụng.
- Quản lý dữ liệu hợp lý.
- Đầy đủ các chức năng theo yêu cầu.
3.3.2. Biểu đồ triển khai hệ thống
Tải về để xem bản đầy đủ
27 trang
19560
Free
Bạn đang xem 20 trang mẫu của tài liệu "Tóm tắt Luận văn Nghiên cứu và ứng dụng kỹ thuật phân nhóm xây dựng hệ thống dự đoán bệnh tự kỷ ở trẻ em", để tải tài liệu gốc về máy hãy click vào nút Download ở trên
File đính kèm:
- tom_tat_luan_van_nghien_cuu_va_ung_dung_ky_thuat_phan_nhom_x.pdf
