اخبار و اعلانات
آمار
| تعداد نشریات | 209 |
| تعداد شماره‌ها | 5,489 |
| تعداد مقالات | 60,501 |
| تعداد مشاهده مقاله | 99,493,795 |
| تعداد دریافت فایل اصل مقاله | 79,253,171 |
ارائۀ یک سیستم خبرۀ فازی برای تشخیص نوع بیماری صرع با استفاده از منطق وضعیت و مدل ACH در ایجاد پایگاه دانش | ||
| مدیریت صنعتی | ||
| مقاله 7، دوره 9، شماره 2، 1396، صفحه 353-382 اصل مقاله (499.84 K) | ||
| نوع مقاله: مقاله علمی پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/imj.2017.234113.1007241 | ||
| نویسندگان | ||
علی عموجی  1؛ عبدالحمید فطانت2
| ||
| 1دکتری مهندسی کامپیوتر (گرایش تجزیه و تحلیل سیستم‌ها)، دانشکدۀ مهندسی فناوری اطلاعات، دانشگاه پیام نور، تهران، ایران | ||
| 2استادیار دانشکدۀ مهندسی برق و کامپیوتر، دانشگاه آزاد اسلامی واحد ماهشهر، ماهشهر، ایران | ||
| چکیده | ||
| امروزه از سیستم‌های خبره به‌عنوان یکی از سودمندترین و پرکاربردترین سیستم‌های تصمیم‌یار استفاده می‌شود. این سیستم‌ها با تکیه بر دانش متخصصان یک حوزه، تجربههای گرانبهای آنها را با سرعت و دقت موجود در کامپیوتر ترکیب کرده و موجب ارتقای کیفیت قضاوت می‌شوند. یکی از گسترده‌ترین حوزه‌های کاربرد این سیستم‌ها تشخیص پزشکی است. متفاوت از آنچه در بیشتر تحقیقات گذشته در توسعۀ سیستم‌های خبره به‌کار گرفته شده، در پژوهش حاضر استفاده از منطق وضعیت در فرایند اکتساب دانش و رویکرد فازی در معماری موتور استنتاج سیستم خبره پیشنهاد می‌شود. تشخیص نوع بیماری صرع همواره یکی از بحثانگیزترین چالش‌ها میان پزشکان نورولوژیست بوده و تمایز دقیق بین انواع این بیماری با توجه به علائم نزدیک به هم آنها، محل اختلاف بین پزشکان این حوزه است که این سیستم خبره موفق به حل این مسئله با درجۀ صحت 83 درصد می‌شود. از ویژگی‌های بارز این پژوهش، ایجاد پایگاه دانش جامع و کامل با رویکرد تحلیل فرضیههای رقیب (ACH) برای تمایز بین گونه‌های چهارده‌گانۀ بیماری صرع است. تحقیقات انجام‌شده در این پروژه می‌تواند برای تشخیص سایر بیماری‌هایی که علائم نزدیک به هم دارند، شبیه‌سازی و استفاده شود. همچنین این سیستم می‌تواند در موقعیت‌هایی که دستیابی به پزشکان متخصص مغز و اعصاب ممکن نیست، بسیار مفید واقع شود. | ||
| کلیدواژه‌ها | ||
| استنتاج فازی؛ پایگاه دانش؛ تشخیص بیماری؛ سیستم خبره؛ منطق وضعیت | ||
| عنوان مقاله [English] | ||
| A Fuzzy Expert System for Diagnosis of Epilepsy Diseases Using the Situational Logic and ACH Modeling in the Creation of Knowledge Base | ||
| نویسندگان [English] | ||
| Ali Amooji1؛ Abdolhamid Fetanat2 | ||
| 1Ph.D in Computer Engineering and Information System, Payame Noor University, Tehran, Iran | ||
| 2Department of computer, faculty of electric and computer engineering, Azad Islam University Mahshahr branch, Mahshahr, Iran | ||
| چکیده [English] | ||
| Nowadays expert systems are used as one of the most useful and most practical decision support systems. These systems are relying on knowledge of experts in certain domain combines valuable experience with speed and accuracy of computer and improve the quality of their judgments. One of the most extensive applications of these systems is medical diagnostic fields. Different from what happened in most prior researches in the development of expert systems, in the present study using the situational logic in the process of knowledge acquisition and fuzzy inference engine architecture approach is recommended. Identify the type of epilepsy has always been one of the most challenging deliberations among the neurologist doctors and strict distinction between the types of the disease, according to the closely signs Creates conflict among the field's doctors that the expert system is able to solve this problem with the accuracy of 83 percent. Forming a comprehensive knowledge base using analysis of competing hypotheses (ACH) modeling in order to distinguish between 14 types of epilepsy disease is the distinctive features of this study. Research done on the project can be used to diagnose other diseases that have similar symptoms closely and to be pragmatic. The proposed system can be used in situations where access to neurologist doctors is impossible can be very useful. | ||
| کلیدواژه‌ها [English] | ||
| Diagnosis, Expert system, Fuzzy inference, Knowledge base, Situational logic | ||
| مراجع | ||
|
خرمیان طوسی، س.، زینعلی، ب. (1393). طراحی یک سیستم تصمیمگیرنده جهت درمان پوسیدگی دندان در کودکان. مجلۀ راهبردهای توسعه در آموزش پزشکی، 1(1)، 44-37. سهرابی، ب.، طهماسبی پور، ک.، رئیسی وانانی، الف. (1390). طراحی سیستم خبرۀ فازی برای انتخاب سیستم برنامهریزی منابع سازمان. نشریۀ مدیریت صنعتی، 6(3)، 58 – 39. صادقی مقدم، م.، صفری، ح.، احمدی نوذری، م. (1394). اندازه‌گیری پایداری زنجیرۀ تأمین خدمات با استفاده از سیستم استنتاج فازی چند مرحله‌ای/ چند بخشی (مطالعۀ موردی: بانک پارسیان). نشریۀ مدیریت صنعتی، 7(3)، 562 – 533. طلوعی اشلقی، ع.، محسن طاهری، س. (۱۳۸۹). طراحی یک سیستم خبرۀ برای تشخیص و پیشنهاد در مورد شیوۀ درمان سرطان خون. فصلنامۀ مدیریت سلامت. ۱۳(۴۰)، 50-41. گلابچی، م.، فرجی، ا. (1394). مدل عصبی ـ فازی پشتیبان تصمیم فازهای اولیۀ پروژه‌های صنعت نفت. نشریۀ مدیریت صنعتی، 7(4)، 860 – 837. لنگری زاده، م.، خواجهپور، ع.، خواجهپور، ح.، نوری، ط. (1393). سیستم خبرۀ فازی تشخیص مننژیت باکتریال از سایر انواع مننژیت در کودکان. مجلۀ انفورماتیک سلامت و زیست پزشکی. 1(1)، 25-19. محمدی مطلق، ح.، محمدی مطلق، ع.، رضایی نور، ج. (1394). طراحی یک سیستم خبرۀ برای ارزیابی و انتخاب تأمینکننده. نشریۀ مدیریت صنعتی، 7(2)، 403-385. Amooji, A.(2015). Analytical comparsion of methematical modelling in the diagnostic expert systems. International Journal of Computer Applications Technology and Research, 12(4), 933-935.
Breuker, J., Van de Velde, W. (2006). The Common KADS library for expertise modeling. Amesterdam: IOS press.
Buyuk, B., Sisman, A., Akyildiz, M. & Alparslan, F. (2007). Adaptive neuro-fuzzy inference system (anfis). A new approach to predictive modeling in applications: A study of neuro-fuzzy modeling of pcp-based receptor antagonists. Bioorganic & Medicinal Chemistry,, 12(15), 4265-4282.
Endsley, R., Farley, C., Jones, M., Midkiff, H., Hansman, J. (1998). Situation awareness information requirements for commercial airline pilots. Cambridge: Massachusetts Institute of Technology, International Center for Air Transportation.
Endsley, R. (1995). A taxonomy of situation awareness errors. England: Avebury Aviation & Ashgate Publishing Ltd.
Frederick, H. (2005). Rule-based Systems Sulotions. Communication of the ACM, 9(28), 921-932.
Golabchi, M. & Faraji, A. (2015). Pre-Project Neuro-Fuzzy Decision Support Model for Oil Industry Projects. Journal of Industrial Management, 7(4), 837-860. (in Persian)
Hayek, P. (2010). Fuzzy logic. Stanford: Stanford Encyclopedia of Philosophy.
Heuer, J., Richards, J. (1999). Psychology of intelligence analysis, Center for Study of Intelligence. USA:Central Intelligence Agency.
Jampour, M., Jampour, M., Ashourzadeh, M,. Yaghubi, M. (2011). A Fuzzy Expert System to Diagnose Diseases with Neurological Signs in Domestic Animal. Information Technology: New Generations (ITNG), Eighth International Conference on – IEEE:351-357.
Johen, Y. (2006). A Reasoning Based on an Extended Dempester-Shifer Theory. AAAI, 10(86), 125-133.
Karimov, S., Rahimova, N. (2004). Expert systems. Baku: Chashioghlu.
Khorramian Toosi, S., Zeinali, B. (2014). Designing a decision-making system for the treatment of dental caries in children. Journal of Development Strategies in Medical Education, 1(1), 37-44. (in Persian)
Kleer, J. (2006). An Assumption-based Management System. Artif Intell, 2(28), 127-162.
Langarizadeh, M., Khajepour, E., Khajepour, H. Noori, T. (2014). Fuzzy Expert System for the diagnosis of bacterial meningitis from other meningitis in children. Journal of Health and Biomedical Informatics Medical Informatics Research Center, 1(1), 19-25. (in Persian)
Manuel, M., Tavares, A., Simons, R. (2008). Development in E-health and Telemedicine. London: PLT pub.
Martin, L. )2001(. Knowledge Acquisition and Evaluation of Expert System for Managing Disorders of Outer Eye. Computers in Nursing, 19(3), 114-127.
Moad, J. (2006). Object Methods Tame Reengineering Madness. Data mation, (15), 43-48.
Mohammadi Motlagh, H., Mohammadi Motlagh, A., Rezaee Noor, J. (2015). Design an expert system for evaluation and selection supplier. Journal of Industrial Management, 7(2), 385-403. (in Persian)
Nawell, A. (1996). Production system: models of control structures. Visual information processing. Academic Press, 2(12), 493-525.
Patrick, H. (2008). Artificial Intelligence. Boston: Addison-Wesley.
Rajdeep, B., Sugata, S. (2012). Rule Based Expert System for Diagnosis of Neuromuscular Disorders. International Journal of Advanced Networking Applications, 2012(4), 2699-2710.Reggia, J. (1995). Adjuctive inference in Proc of Expert System in Government Symposium. IEEE Press, 4(27), 484-489.
Robinson, J. (2007). A Machine-Oriented Logic Based on the Resolution Principle. Journal of the ACM, 1(12), 23-41.
Roger, C., Abelson, R. (2007). Scripts, Plans, Goals and understanding. New Jersey: Lawrence Elbaum.
Sadeghi Moghaddam, M., Safari, H., AhmadiNozari, M. M. (2015). Measuring sustainability of service supply chain by using a multi-stage/multicast fuzzy inference system (Studied Case: Parsian Bank). Journal of Industrial Management, 7(3), 533-562. (in Persian)
Sohrabi, B., Tahmasebipur, K., Raeesi Vanani, I . (2011). Designing a Fuzzy Expert System for ERP Selection. Journal of Industrial Management, 6(3), 39-58. (in Persian)
Stefan, M. (1993). Introduction to Knowledge Systems. London: Los Altos.
Toloie Eshlaghi, A., Mohsen Taheri, S. (2010). Designing an Expert System for Suggesting the Blood Cancer Treatment. Health Management, 13(40), 41-51. (in Persian)
Xiaodong S., Hao Y., Feng L., Mac A. (2005). A fuzzy discrete event system for hiv/aids treatment. The 14th IEEE International Conference on Fuzzy Systems. Reno, Nevada, May, 167-172.
Zadeh, A. (1994). Review of book A Mathematical theory of Evidence. AI Magazine, 12(4), 81-83.
| ||
|
آمار تعداد مشاهده مقاله: 788 تعداد دریافت فایل اصل مقاله: 1,038 |
||
