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 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

b) Deri Kalınlığı için: δ1=[-160,+160] ɳ1 = [-140,+140] δ2=[-200,+200] 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 hisik@selcuk.edu.tr,esrasatir@duzce.edu.tr, handantoprak45@hotmail.com

Bizi dinlediğiniz için teşekkürler...