Yapay Ba****kl*k Tabanl* Bulan*k Mant*k ile TENS Modellenmesi

Yapay Bağışıklık
Tabanlı Bulanık Mantık
ile TENS Modellenmesi
Giriş
Ağrı : Vücut dengesini koruyan uyarım mekanizmasıdır.
TENS ? ( Transcutaneous Electrical Nerve Stimulation ) : Ağrı için ilaç
kullanımı böbrek ve karaciğere zarar vermektedir; TENS ağrı dindirmek
için alternatif bir yöntemdir. Transkutanöz Elektriksel Sinir Stimülasyonu
olup deri yüzeyine yakın sinirlerin elektriksel sinyallerle uyarılmasını ifade
etmektedir.Ağrıyı daha az yan etkiyle gideren etkili bir yöntemdir. TENS
yönteminde sinirleri uyarmak için, deri üzerine yerleştirilen elektrotlarla,
elektrik akımı kullanılır.
Tens Cihazları
Amaç

(Yapılan: Fizyoterapistin hasta ile iletişim kurarak
uyguladığı TENS yöntemini için bir yapay zeka modeli
geliştirmek)• Zaman kaybını önlemek, • İnsan hatasını en
aza indirmek • İletişim güçlüğü çeken hastalarda TENS
yöntemini en az hata ile etkin bir şekilde uygulamak
Metodoloji
TENS Modellemesi :

Bulanık Mantık (Mamdani)

Yapay Bağışıklık (Klonal Seçim Mekanızması) Tabanlı Bulanık Mantık
TENS üzerinde etkili fizyolojik parametreler incelendi ve seçildi:
1-) Deri iletimi (Ölçülen bölgeye akım verilerek hesaplandı.)
2-) Deri kalınlığı (Deri ultrasonu ile ölçüldü)
Giriş parametreleri
1) DERİ İLETİMİ :

Hastanın o anki psikolojik durumu

Kalp ritmi

Dinlenme durumu vb.
2) DERİ KALINLIĞI
• Pozitif elektrodun temas ettiği farklı bölgelerdeki değişimi yansıtması açısından
önemlidir. (Aynı hastadaki farklı bölgeler ve farklı hastalardaki aynı bölgeler)
• Vücut yapısı ve kilosu
Metod
BULANIK ÇIKARIM MEKANİZMASI
(FUZZY INFERENCE SYSTEM -FIS)
1)Giriş-Çıkış Değişkenlerinin Tanımlanması: Tasarlanacak sistem için
uygun giriş-çıkış değişkenleri belirlenir.
2) Bulanık Kümelerin Oluşturulması ve Üyelik İşlevleri
(Bulanıklaştırma): Giriş ve çıkış uzayını örten uygun bulanık kümeler
oluşturulur.
3) Üyelik fonksiyonlarını oluşturmada özel bir kural yoktur,
tasarımcıya bağlıdır.Dilsel olarak ifade edilecek bölgelerin sayıları
tespit edilmelidir. Daha sonraki hassasiyet ise, üyelik
fonksiyonlarının şekilleri ile artırılır. Üçgen, yamuk ve çan eğrisi vb.
4) Bulanıklaştırma ile; sayısal giriş değişkenleri sembolik (dilsel)
değerlere dönüştürülür.
5) Bulanık Kural Tabanının Oluşturulması:Sistemle ilgili uzman kişinin
bilgi ve tecrübesine dayanarak denetim kuralları oluşturulur.
• Bulanık kontrol kurallarının şekli: “EĞER ………. Ve ………. O
HALDE ……….”
6) Bulanık Çıkarım: Mamdani (Min- Max Çıkarımı) Bulanıklaştırma
biriminden gelen bulanık değerler, kural tabanındaki kurallar
üzerinde uygulanır ve bulanık sonuçlar elde edilir.
7) Durulaştırma: Bulanık Kontrol çıkışındaki bilgi bulanık bir bilgidir. Bu
bulanık bilgi, durulaştırma işleminden geçirilerek sayısal (kesin) bilgiye
dönüştürülür.
Bu projede ise Durulaştırmada Ağırlıklı Ortalama Yöntemi kullanılmıştır.
YAPAY BAĞIŞIKLIKKlonal Seçim
Algoritması
Antijenleri tanıyan bağışıklık hücrelerinin çoğalmak için seçildiği fikrini
ortaya koymaktadır.Seçilen hücreler, benzerliklerini seçici antijenlere
kadar geliştiren mutasyon işlemine tabi tutulmaktadırlar.

Farklılaştırma,

Çeşitlendirme

Doğal seçim mekanizmalarını kullanır.
Klonal Seçim Algoritması :
1. Optimize edilecek bir amaç fonksiyonu bulunmaktadır. Bir antikorun benzerlik değeri, verilen
antikor için hesaplanan amaç fonksiyonunun değerine karşılık gelir: her bir Abi antikoru, girdi
kümesinin (Ab) bir elemanıdır.
2. Her bir Abi için f benzerlik değeri (amaç fonksiyon değeri) hesaplanır.
3. En yüksek benzerliği (en yüksek uygunluğu) gösteren n tane antikor Ab kümesinden seçilir ve
yeni bir {n} Ab kümesi oluşturulur.
4. Seçilen n tane antikor bağımsız olarak ve antijenik benzerlikleriyle orantılı olarak klonlanır
(kopyalanır), klonlar bir C kümesi oluşturur: seçilen n antikorun her biri için oluşturulan klon sayısı f
benzerlik değeri ile orantılıdır. Daha yüksek antijenik benzerlik (daha yüksek uygunluk değeri),
daha fazla sayıda klon demektir.
5. C kümesi, antijenik benzerlik ile ters orantılı olarak olgunlaştırma (hiper mutasyon) sürecine
uğratılır. Bu süreç sonunda olgunlaştırılmış kopyaların oluşturduğu bir C*; mutasyona uğratılmış
kopyalar popülasyonu oluşturulur. Kopyaların mutasyona uğratılma oranı benzerlik değerleri ile
ters orantılıdır: Daha yüksek benzerlik (daha yüksek uygunluk değeri), daha az mutasyon oranı
demektir.
6. Mutasyona uğratılmış C* kopyalarının benzerlik (uygunluk) değerleri hesaplanır.
7. En yüksek uygunluk değerine sahip n tane antikor yeniden seçilir ve Ab kümesine eklenir.
8. Son olarak, Ab kümesinden en düşük benzerlik değerine sahip d tane antikor, yeni oluşturulmuş
antikorlar ile değiştirilir.
Geliştirilen model
Bu çalışmada, TENS yönteminde etkili olan “Deri İletimi” ve “Deri Kalınlığı” parametrelerine
ilişkin üyelik fonksiyonlarının optimizasyonu gerçekleştirilmiştir.Giriş parametreleri olan “Deri
İletimi” ve “Deri Kalınlığı” ve çıkış parametresi olan “Akım” için üçgen üyelik fonksiyonu tercih
edilmiştir. Üçgen üyelik fonksiyonunun matematiksel ifadesi :Burada αi, βi ve Ɣi her bir
bulanık küme için başlangıç, tepe ve bitiş parametreleridir.
Burada δ i ve ɳi üyelik fonksiyonlarının ayarlanması için kullanılan katsayılardır. δi;
üyelik fonksiyonunun şekil değiştirmeden sağa ya da sola hareketi için
kullanılmaktadır. ɳi ise üyelik fonksiyonunun daralması ya da genişlemesi için
kullanılmaktadır.Bu parametreler, giriş ve çıkıştaki her bir bulanık kümenin üyelik
fonksiyonları için klonal seçim algoritması kullanılarak optimize edilmiştir.
uygulama

Deri iletimi ve deri kalınlığı girişleri için uygulama bölgelerinden biri
olan Vallex-II bölgesine ilişkin üyelik fonksiyonları :

Deri İletimi için üyelik fonksiyonları

Deri kalınlığı için üyelik fonksiyonları

Akım için üyelik fonksiyonları

Bulanık kümelerin her biri için ikişer parametre (δ, ɳ) kullanılması sonucu
toplamda bir antikorda 20 parametre yer almaktadır. Parametre aralıkları şu
şekildedir:
a) Deri iletimi için:
δ1=[-50,+50]
ɳ1 = [-30,+30]
δ2=[-50,+50]
ɳ2 = [-40,+40]
δ3=[-50,+50]
ɳ3 = [-40,+40]
δ4=[-50,+50]
ɳ4 = [-30,+30]
b) Deri Kalınlığı için:
δ1=[-160,+160]
ɳ1 = [-140,+140]
δ2=[-200,+200]
ɳ2 = [-150,+150]
δ3=[-160,+160]
ɳ3 = [-140,+140]
c) Akım için:
δ1=[-4,+4]
ɳ1 = [-2,+2]
δ2=[-2,+2]
ɳ2 = [-2,+2]
δ3=[-1,+1]
ɳ3 = [-1,+1]
problem

Verilen 20 parametre aralıklarına göre uygunluk fonksiyonunun
maksimizasyonu istenmektedir:

Problem, klonal seçim algoritması kullanılarak çözülmüştür.
Problemin Deneysel Sonuçları :
Diğer Deneysel Sonuçlar :
Sonuç

Bu çalışmada, TENS yöntemi için oluşturulan ve tasarımı uzmanca
gerçekleştirilenilen Bulanık Mantık yöntemindeki üyelik fonksiyonları,
Yapay Bağışıklık Algoritmalarından biri olan Klonal Seçim ile optimize
edilmiştir. Gerçekleştirilen deneyler neticesinde, Klonal Seçim
Algoritması kullanılarak elde edilen TENS modellemesindeki hata,
bulanık çıkarım mekanizması kullanılarak elde edilen modellemedeki
hatalara göre önemli ölçüde düşmüştür.Bulanık mantık ile elde
edilen en düşük ortalama karesel hata 5.05294 olmaktadır.
Gerçekleştirilen çalışma ile bu hata 3.086584 değerine düşürülmüştür.
Bu,%38,915 değerinde bir hata azalmasına karşılık gelmektedir ve bu
oran, TENS uygulaması esnasında herhangi bir doku zararına sebep
olmamak açısından oldukça önemlidir.
Hazırlayanlar

Yapay Bağışıklık Tabanlı Bulanık Mantık ile TENS
Modellenmesi

Hakan Işık1, Esra Şatır2, Handan Toprak2

1 Selçuk Üniversitesi, Teknoloji Fakültesi, Elektrik-Elektronik
Mühendisliği Bölümü,

Konya2 Düzce Üniversitesi, Mühendislik Fakültesi, Bilgisayar
Mühendisliği Bölümü,Düzce

[email protected],[email protected],
[email protected]
Bizi
dinlediğiniz için teşekkürler...