Journal of NeuroEngineering and Rehabilitation, 2005; 2: 15-15 (más artículos en esta revista)

Una dinámica neuro-fuzzy modelo de bio-Estado de estimación y el pronóstico de predicción de asistentes portátiles inteligentes

BioMed Central
Yu Wang (yu.wang @ mu.edu) [1], Jack M Winters (jack.winters @ mu.edu) [1]
[1] Departamento de Ingeniería Biomédica, Universidad de Marquette, Milwaukee, WI, EE.UU.

Este es un artículo de acceso abierto distribuido bajo los términos de la licencia Creative Commons License (http://creativecommons.org/licenses/by/2.0], que permite el uso irrestricto, la distribución y reproducción en cualquier medio, siempre que la obra original sea debidamente citada.

Resumen
Antecedentes

Administración inteligente de las aplicaciones portátiles en la rehabilitación requiere de la comprensión del contexto actual, que está en constante cambio durante el proceso de rehabilitación debido a los cambios en el estatuto de la persona y el medio ambiente. Este trabajo presenta una dinámica recurrente neuro-difuso sistema que implementa de expertos basadas en la evidencia y razonamiento. Se tiene la intención de proporcionar contexto de la sensibilización de agentes inteligentes portátiles y auxiliares (WIAs).

Métodos

El modelo de estructura incluye los siguientes tipos de señales: los insumos, los estados, los productos y los resultados. Las aportaciones son hechos o acontecimientos que tienen efectos en los pacientes estados fisiológicos y de rehabilitación; diferentes clases de los insumos (por ejemplo, hechos, el contexto, la medicación, la terapia) tienen diferentes mapeos no lineales a un difuso "." Estados dimensiones son variables lingüísticas fuzzy Que el cambio de causa sobre la base de normas, como ejecutado por un sistema de inferencia difusa (FIS). El FIS, con reglas basadas en la experiencia y las pruebas, en esencia define el estado ecuaciones no lineales que ponen en práctica los núcleos dinámicos de las neuronas. Productos, en función de un peso de los estados y eficaz utilización de los insumos convencionales o difusos de mapeo, puede realizar acciones, predecir el rendimiento, o ayudar en la toma de decisiones. Los resultados son escalares que se extremized que están en función de los productos y los estados.

Resultados

El primer ejemplo muestra la configuración y el uso de un gran derrame cerebral neurorehabilitación aplicación (con 16 entradas, 12 estados, 5 de los productos y 3 resultados), que muestran cómo esta herramienta puede modelización causal de captura con éxito un cambio dinámico en el contexto de los estados (por ejemplo, alteraciones , El dolor) como una función de los patrones de entrada de evento (por ejemplo, medicamentos). El segundo ejemplo demuestra el uso de la evidencia científica para desarrollar basado en normas modelos dinámicos, aquí en la predicción de los cambios en la fuerza muscular con la fatiga a corto plazo y largo plazo la formación de la fuerza.

Conclusión

A neuro-fuzzy marco se desarrolla la elaboración de modelos para estimar el cambio de rehabilitación que se pueden aplicar en cualquier campo de la rehabilitación si hay pruebas suficientes y / o los conocimientos de los expertos disponibles. Se tiene la intención de proporcionar contexto de la conciencia de la evolución de la condición de estado a través de la estimación, que es información crítica para la WIA para ser eficaces.

Antecedentes

Nuevas tecnologías portátiles se espera que constituyen un componente importante de la visión de los usuarios, centrada en el 21-siglo rehabilitación cuidado de la salud [1 - 4]. De hecho, el consenso en las recomendaciones de un seminario sobre las futuras tecnologías domiciliaria prevista sensores inteligentes portátiles como una de las tendencias [1]. Los dos mejores lagunas de conocimientos que se identificaron dirigida la necesidad de una mejor [1, 2]:

1. La información y el sentido de reducción de los algoritmos de toma de herramientas, y

2. Los resultados y los instrumentos de evaluación funcional.

Este proyecto aborda estas lagunas en el conocimiento para el área de rehabilitación de la asistencia sanitaria.

El primero de ellos reconoce el reto de integrar de manera eficaz y el uso de la cantidad masiva de datos basados en sensores que pueden potencialmente ser recogidos. Es bien sabido en la comunidad de sistemas inteligentes que una barrera clave para el uso inteligente de la información de contexto es la conciencia. Con los seres humanos, este "contexto" está en constante cambio ya que su estado de salud y su entorno actual o de los objetivos del cambio. Pertinentes "estados" de una persona con discapacidad puede ir desde un grado de deterioro (por ejemplo, la espasticidad) a la percepción del dolor, y esos estados cambian con frecuencia en el curso de un día (por ejemplo, debido a la medicación). Así, un primer objetivo es contexto de la toma de conciencia, que a un inteligente portátiles incluye la tecnología de estimación de los estados de la persona. Por ejemplo, ¿cómo la sensación de un cierto evento se interpreta puede ser influenciado por el actual "estado" de la persona (por ejemplo, el grado de espasticidad, el dolor), así como la historia del pasado insumos (por ejemplo, medicamentos que toma recientemente).

En respuesta a la segunda de ellas, nuestro trabajo original sobre este proyecto fue motivado por el deseo de crear un sistema inteligente que se basa en la mentalidad de la rehabilitación profesional. Esto dio lugar a la finalidad de diseñar un sistema de pronóstico de la predicción de que el integrado etapas señaladas en la práctica clínica directrices [5], un proceso dinámico que incluye el diagnóstico (basado en los datos de hecho y de contexto), el pronóstico (la predicción de los resultados, sobre la base de ciertos supuestos ), Un "algoritmo clínico" de las intervenciones (contribuciones a los sistemas humanos), la asignación de los recursos humanos (por ejemplo, el tiempo de práctica), y los resultados de la medición. Aunque empezamos desde la perspectiva de la planificación de consenso de expertos para utilizar la experiencia para construir modelos, una tendencia importante en la clínica de rehabilitación se ha centrado en la práctica basada en la evidencia [2, 5, 6]. Asimismo, señaló que el objetivo común de optimizar las intervenciones terapéuticas (por ejemplo, terapia de movimiento) respecto de la continuidad de la atención [6, 7] lleva a la sorprendente similitud clásico problema de optimización de ingeniería [3].

Lo anterior siempre y conceptos básicos de la motivación para nuestros inteligentes Telerehabilitation Auxiliar de proyectos (ITA) [1, 3, 8, 9]. Hay dos partes básicas para nuestra visión de la tecnología móvil ITA [1]: i) una interfaz de usuario personalizada que soporte multimedia teleconferencias y comunicación inalámbrica, y la reunión de sensores-y el usuario basada en la información que se puede utilizar para determinar los acontecimientos, y Ii) incrustados inteligente "suave" de cálculo, basado en acontecimientos externos expertos sistema de módulos. En este artículo se aborda una parte de esta última, que para nosotros parece ser el mayor desafío. En vista de ese enfoque, tal vez un término mejor que el ITA, por lo menos para aplicaciones móviles, cascos y sería inteligente auxiliar / agente (WIA). El uso de WIA hace hincapié en la necesidad de contexto de la toma de conciencia y pronóstico de predicción en mayor medida, con el foco en la persona antes que en la conexión. Objetivos de una WIA incluyen: i) el suministro de datos dentro de un establecimiento ecológicamente válido, ii) la mejora de la evaluación oportuna de la situación de salud, iii) la determinación y predicción de los resultados de clientes (a publicarse el pronóstico), y iv) la prestación de asistencia con las estrategias de intervención.

Aviso de la inclusión de ambos "auxiliar" y "agente" de WIA. El primero está motivado por la comunidad de discapacitados, y los segundos por los sistemas inteligentes de la comunidad. Un asistente inteligente es una tecnología de asistencia que interactúa directamente con el usuario y apoya-cliente mediante el suministro de asistencia estratégica (por ejemplo, con la realización de una determinada tarea; recordatorios relacionados con la prestación de un determinado protocolo de evaluación o terapéuticos; usando la supervisión de la ejecución de cambiar la configuración durante una Tarea terapéutica). En cambio, un agente inteligente reconoce los eventos y / o sentidos de datos sobre el nombre del usuario, y una vez activado (normalmente mediante una regla de base de datos diseñado previamente), puede realizar ciertas acciones (por ejemplo, la tramitación y gestión de datos, llevar a un período de sesiones entre el cliente Y un sitio remoto, negociar con otros agentes), mientras que Nueva York los recursos mínimos que requiere por parte del usuario. Vemos ITAs y WIAs se dividía en dos categorías [3]:

• La tarea de base, los módulos de asistencia que facilitan la facilidad de uso y la aplicación de protocolos de evaluación y terapéuticos, y

• Decisión de los módulos de apoyo que ayudan a los profesionales ya los consumidores con los resultados de la evaluación y con la optimización de la estrategia de intervención de rehabilitación.

La presente contribución puede ser visto como un encapsulado, distribuidos procesador inteligente que se utiliza por un WIA, o más específicamente como un recurso para un WIA.

Es importante destacar que se ha diseñado en dos etapas. En la etapa de desarrollo, el diseñador posee un conjunto de herramientas para crear el modelo. Este modelo incluye la identificación de:

entrada de los acontecimientos y los hechos,

• la bio-estados de interés que se espera cambiar con el tiempo (y cuya estimación proporciona contexto de la conciencia),

• rendimiento de los productos que se predice por el modelo (y, en algunos casos, puede compararse con medidas de la muestra), y

resultados deseados (opcional capacidad).

Todos estos son representados como señales, y, además, las señales que cambian con el tiempo. De hecho, el objetivo de la clínica de rehabilitación a causa del cambio es que es más-y-por encima de la curación espontánea biológicos [3], y para estudiar esos procesos se debe también modelo de los mecanismos intrínsecos de curación. Por lo tanto lo que se necesita es un modelo dinámico que captura cambio, y, además, puede predecir el futuro cambio (hacer un "pronóstico") si se hacen suposiciones sobre el futuro insumos (por ejemplo, un "algoritmo clínico" de las intervenciones se aplica). La necesidad de cambio en el modelo de estados como "deterioro" implica un modelo que incluye ecuaciones diferenciales, y el deseo de "remodelar" el sistema de control de los mecanismos de adaptación sugiere. Sin embargo, probablemente el diseñador del sistema es uno con experiencia y el conocimiento de las pruebas disponibles, es decir, un médico o un investigador clínico. Esto hace un fuerte caso para el uso basado en normas inferencia difusa, que es bien conocido por su capacidad de captura de los dos expertos razonamiento sólido y proporcionar el rendimiento del sistema [10, 11]. También sugiere que cualquier modelo de entorno de desarrollo debe tener cuidadosamente diseñados interfaz gráfica de usuario (GUI), las ventanas que pueden ayudar a orientar el diseño a través del proceso de definición lingüística de las señales significativas (insumos, los estados, productos, resultados) y el uso de normas para establecer cómo Cambios en los estados que va a suceder en respuesta a los eventos de entrada y de los estados actuales. En términos más generales, puede considerarse como un bio-herramienta para la elaboración de modelos utiliza reglas para generar las ecuaciones diferenciales no lineales que pueden ser utilizados por los interesados que van desde telepractitioners básicos a los científicos que se ocupan de la curación y remodelación de bioprocesos.

Cuando formulado de esta manera, la estructura es directamente similitud con el clásico vector de estado y de la producción y sistemas de ecuaciones de la teoría de control, sólo con el estado ecuaciones no lineal desarrollado por lingüística y plenamente interactivo de los procedimientos de una norma basada en sistema de inferencia difusa (FIS). En nuestro caso, las ecuaciones dinámicas se ejecutan a través de redes neuronales conexionista (CNN) conexiones. Por lo tanto, utilizar las "reglas" como el puente entre el razonamiento humano y el modelo matemático [8 - 11]. Tenga en cuenta que crujiente lógica puede verse como un caso especial de la lógica difusa [11].

Tales enfoques neuro-fuzzy caen bajo el paraguas de "Soft Computing" tecnologías [10, 11], pero el enfoque descrito aquí parece ser único en su enfoque que asocia con cambios en las normas estatales y, por lo tanto no lineales de ecuaciones diferenciales estado creado en una lingüística Espacio. Soft Computing Tales enfoques tienen la doble ventaja de una estructura que puede permitir sólido modelo de conducta (si bien diseñadas), que ha hecho de controladores difusos esa historia de éxito económico, más el uso de una arquitectura de los sistemas inteligentes que debería hacer interfaz con WIAs de decisiones Haciendo módulos. Hemos acuñado el diseño general de nuestro sistema SoftBioME (Soft Bio-Modelado de Medio Ambiente, se pronuncia "soft-por-ohm").

Una vez diseñados y personalizados para un cliente, incrustados en el "correr", el modelo debe recibir insumos (sensor de eventos, eventos de usuario) en función del tiempo. El trabajo de la modelo es entonces el estado actual de producir estimaciones (por contexto de la conciencia) y útiles productos. Hay tres tipos de productos útiles: i) el cumplimiento de las previsiones (por ejemplo, para la comparación de los resultados reales, si se compara), ii) la adopción de medidas concretas que están en función de los estados y de los insumos (por ejemplo, preguntando / informar / recordando a un cliente), iii ) Otros de valor agregado de apoyo a las decisiones señales de WIA. Tenga en cuenta que esto permite a "qué sucede si" el uso de la WIA o un usuario: se dice predecir el futuro, la producción y los resultados si se hacen hipótesis sobre la futura entrada de los eventos.

Desarrollado dentro de la Microsoft. Net Framework utilizando principalmente C # código, el "modo de ejecución" código está diseñado para funcionar en cualquier sistema Windows que van desde la base de escritorio para PDA. Se utiliza una estructura orientada a objetos, es el apoyo a XML debería hacer más fácil la interacción con otros módulos o en la web. Sin embargo, cuando se utiliza en modo de diseño, se requiere un monitor que es lo suficientemente grande como para mostrar interfaz de ventanas que normalmente se destina para escritorio / portátiles.

Métodos

El sistema borroso es ejecutado por una dinámica red neuronal recurrente que se compone de cuatro capas de CNNs (Figura 1): entrada, el Estado-Estado, la producción y los resultados. En conjunto, se define por su estructura, señales, y los parámetros (por ejemplo, la descripción de los parámetros de la función de miembro, pesos constantes de tiempo). Definimos cuatro funciones para los usuarios, clasificados por nivel de seguridad de acceso:

• El usuario-diseñadores, que tienen acceso a todos los aspectos de la creación y el modelo de la aplicación, incluidos la definición y la adición de las señales, normas y parámetros.

• El usuario de los analistas, que tienen acceso a la especificación de los insumos, a todas las capacidades gráficas, y al uso de herramientas como los análisis de sensibilidad sobre los parámetros o las señales internas, pero no puede añadir reglas o cambiar parámetros.

• El usuario de los profesionales, que tienen acceso a la especificación de los insumos y el almacenamiento de "qué-si" y el análisis de sensibilidad de las simulaciones, así como gráficos de escritorio características.

• El usuario-clientes, que a menudo son también pacientes, y tienen una interfaz más simple destinado a un PDA que puede especificar los insumos, los productos reciben, y pueden obtener estado actual y la información sobre los productos y la información resumen de predicción.

Un usuario puede participar en (y por lo tanto tienen acceso a) múltiples funciones. Por ejemplo, con conocimiento y estar muy interesados paciente-cliente que se activa en el auto-cuidado puede funcionar normalmente en el papel de usuario-cliente, pero pueden acceder a una versión de escritorio donde han "usuario-profesional" o "usuario - Analista "de acceso. Del mismo modo, un experimentado practicante puede funcionar normalmente en el papel de usuario-profesional, pero periódicamente login como usuario-analista y, en ocasiones, el usuario como diseñador a fin de añadir un nuevo artículo o modificar una función de pertenencia o ganar. El resto de esta sección objetivos de las capacidades del sistema desde la perspectiva del usuario-diseñador.

Primeras versiones de este modelo han sido presentados como documentos de conferencias [8, 9]. En el proceso de uso de este modelo para la investigación y para la tarea de rehabilitación en los proyectos de cursos, se hizo evidente que era necesario añadir una serie de características:

I) para delinear con más detalle y el apoyo entre los principales procesos dinámicos en relación con los distintos tipos de insumos;

Ii) la creación de una norma que permite la estructura de tiempo constantes cambios paramétricos;

Iii) para definir y aplicar homeostático estados, y

Iv) el apoyo a la sensibilidad y avanzadas herramientas de optimización.

En este artículo se presenta esta estructura refinada, con un enfoque especial en dos áreas de especial interés para WIAs: estado de estimación de contexto de la toma de conciencia y resultados / productos de predicción de pronóstico para la actualización. El modelo de la Figura 1 se presenta en una de derecha a izquierda progresión, ya que un usuario-diseñador normalmente comienza por la identificación de los resultados y los productos.

Resultados de capa: la predicción de los resultados de clientes

Los resultados se definen como escalar las señales que se refieren a la ingeniería de optimización en lo que se llama sub-criterios de desempeño o funciones de costo, y puede ser una función de estados fuzzy y los productos (y si lo desea, también insumos). Los resultados son, por lo tanto lo que un "algoritmo clínico" trata de maximizar o minimizar. Ejemplos de resultados de rehabilitación son las representaciones numéricas de términos como deficiencia, discapacidad, la independencia, la calidad de vida, satisfacción, y el costo. Uno de los resultados se calcula como una suma ponderada o una suma ponderada de las plazas dimensiones de las señales de estado (X) y las expresiones del Estado (por ejemplo, el resultado de "estado es baja", llamada M x), y salida (Y) las señales. Las pesas son seleccionados por el usuario de un menú de diseño de la tabla.

Capa de salida: convergencia de las señales para predecir el rendimiento

Como con un sistema de control convencional, los resultados son variables lingüísticas que son función de los estados y de los insumos, y el cambio de valor dinámicamente sólo como estados y / o insumos cambio. Un determinado resultado suele encontrarse en una de tres categorías:

I) lleva a cabo una acción (por ejemplo, la pronta WIA-cliente o usuario, iniciar la comunicación, almacenar datos en un registro electrónico),

Ii) predice un rendimiento métricas, de preferencia de una cantidad que puede ser objeto de un muestreo en algunas ocasiones (por ejemplo, una medida, como una escala clínica o biomecánico métricas), o

Iii) proporcionando información de apoyo a las decisiones de uso para el usuario.

La salida de la salida on-neurona de esta capa, y i, es una función de los estados de las normas y los eventos de entrada (véase la figura 2].

Y i = f (X, U M, M X) (1)

Donde X son señales de estado, H U son los valores de la composición de las neuronas de entrada basados en lógica difusa-MF cartografía, M-X son miembros de la neurona valores difusos estado-MF cartografía.

La función f puede ser un sistema de inferencia difusa Sujeno [11] o una suma ponderada, seleccionado por el usuario-diseñador. Dependiendo de la aplicación y el usuario de la intención del diseñador, la salida puede ser tratado como un valor difuso o crujiente.

Cuando la producción de predicciones son medidas que pueden ser experimentalmente la muestra, el usuario puede determinar un error de señal. Tales errores de la muestra se puede ver como una forma de corrección "contexto" de entrada que pueden ser utilizados para ayudar a ajustar los estados y los productos futuros.

Reglas de Estado y de capa: la generación de núcleos de ecuaciones diferenciales

Estados en este modelo son difusos variables lingüísticas que son dinámicas estimadores de los físicos, fisiológicos y / o psicológicos estados del cuerpo humano, cuerpo de impedimentos y de los riesgos. Ellos son el modelo de dimensiones señales de que puede cambiar de valor en función del tiempo, sobre la base de normas concebidas dentro de un sistema difuso de expertos que servirá para establecer el estado dinámico ecuaciones que se aplican como CNN. El imperio de estado consiste en una capa de núcleos (grupo de neuronas) para cada estado (véase la figura 2], cada uno de los núcleos esencialmente con la aplicación de una ecuación diferencial no lineal de ese estado que puede incluir también conexiones periódicas de todos los estados, incluyendo la libre conexiones.

La inferencia difusa ( "expertos") sistema (FIS) consiste en un medio lado izquierdo (LHS, también llamado "si" o "antecedente" lado) y un medio lado derecho (RHS, también llamado "entonces" , O "consecuencia" lado). Como es convencional para una FIS [11], cada variable lingüística estado tiene uno o más conjuntos fuzzy (representado por una lingüística "valor") que se caracterizan por las funciones de miembro asociado (MFs) respecto de la variable del universo de discurso, de manera que una Estado de miembros valor (M X) representa el "grado de pertenencia" de la variable de estado x en un conjunto fuzzy (lingüística valor), o el "grado de verdad" que "x es valor." El resultado es un Número en el intervalo de <0,1>, donde "1,0" es miembro de pleno derecho. Cada regla puede incluir cualquier combinación de estado de miembro (M x) y la entrada de miembros (M u) en la LHS, y deberá incluir un estado de miembro de cálculo de valor (M x) en la encuesta sobre salud reproductiva que indica la forma en que el Estado iba a cambiar. Clásico fuzzy operaciones (AND, OR, NOT) y setos (MUY, MÁS-O-MENOS) cuentan con el apoyo, y fácilmente añadido a las reglas a través de una interfaz gráfica interactiva. El resultado final es que el LHS proporciona una "fortaleza" de los disparos de la operación de cambio de estado (s) descrito en la RHS.

Cabe destacar que, si bien la lógica de la FIS es una función de los estados de entrada y efectos x * u ocurren al mismo tiempo, iteración y, por tanto, es un mapeo no lineal estático, hay dinámica después de las operaciones de ambos y, a menudo, antes de esta operación FIS. El formulario de la encuesta sobre salud reproductiva determina la manera de cambio deseado en el estado. Regla consequents objetivo de que el valor absoluto de los afectados son ejecutadas por el estado tónico de las neuronas, mientras que el artículo consecuencias que se dirigen a un familiar positiva o negativa cambio en el estado son ejecutadas por phasic-neuronas. El efecto dinámico de la FES en un estado está determinado por dos clases de las que el Estado se asocia con, como es ahora.

Capa de entrada: Clasificación y Aplicación

Operaciones dentro de la capa de entrada dependerá del tipo, con las aportaciones clasifican en hechos, contextos, y las intervenciones. Esta capa puede ser vista como un colector y pre-acondicionado de los insumos, el mapa diseñado para ayudar a fuzzy "efectos de entrada" que se utilizan en las normas que determinan las ecuaciones de estado. Las opciones incluyen la validez de los filtros como los modelos físicos (por ejemplo, un modelo de intervención pharmokinetic Tipo-A (medicamentos)) que se aplican antes de la cartografía a la fuzzy lingüística del mundo a través de FM que están asociados con la entrada de valores difusos.

En general, la MF son definidos por dos parámetros que definen los límites y ya sea gaussiana (sigmoidal) formas (estados también tienen una opción monótona). Si bien estas figuras de forma continua derivados (bueno para muchos algoritmos de CNN), la frontera opción soporta el caso especial de un duro (crujientes) frontera.

Resultados
Ejemplo Modelo # 1: Estimador de Estado y de salida para el Predictor Neurorehab Uso de Medicamentos y la actividad Intervenciones

Este primer ejemplo demuestra el uso del modelo en la prestación de curso contexto de la conciencia de una persona, la cual es una necesidad crítica para el futuro WIAs. Un segundo propósito es predecir el rendimiento de los productos y los resultados pronóstico. Hay dos pasos para el proceso de diseño interactivo: se crea el modelo, y correr simulaciones.

Tabla 1 se describen las aportaciones, los estados, los productos y los resultados para un hipotético cliente, que se define por un problema declaración. Diseño del sistema con un producto generalmente de derecha a izquierda de flujo, empezando por la identificación de los resultados y el rendimiento de los productos, y así determinar el interior se dice que idealmente se calcula para determinar estas medidas. Sin embargo, para el tipo de contexto de la conciencia necesaria por la WIA, el usuario WIA-diseñador puede tener una necesidad de ciertas estimaciones estatales, y no existe el requisito de que todos los estados a un mapa de salida o de resultado.

Los resultados deseados son, en este caso, a ser maximizada. Productos son medidas de la ejecución que están en función de varios estados (por ejemplo, la puntuación de la FIM) y / o representan una medición predijo sobre la base de un estado (por ejemplo, mano ROM es una medida de la mano menoscabo). Estado dinámico comportamiento es totalmente dependiente de las normas que el mapa actual de los insumos y los estados (LHS) a los cambios en los estados (RHS).

Los insumos son en su mayoría pre-determinado, en base a consideraciones prácticas de los datos disponibles y de los acontecimientos que pueden ser percibido o ingresado por el usuario. En este caso de una solicitud de WIA una "crónica" de casos que se adapta a la especificidad de usuario-cliente, es probable que el usuario-diseñador asume implícitamente los efectos de los eventos de hecho ya han jugado y pueden centrarse en la participación de normas Contexto de los insumos y la intervención de los insumos. En otros escenarios o para más genéricos basados en la población conjuntos de reglas, hechos sería una parte de las normas.

Para ilustrar la forma en la creación de normas por parte de un usuario-diseñador de las obras, una GUI para un subconjunto representativo de los estados de la Tabla 1, y sus correspondientes normas, se proporcionan en la figura 4 y figura 5. Observe que para la mayoría de las reglas hay un estado de MF sobre el "después" (a la derecha), y más de una entrada-MF y / o estado de MF sobre el "si" (a la izquierda) lado. - MF del Estado en cualquiera de las partes puede tomar expresar la expresión lingüística de un "tónico" neurona "(estado es de alta)" y / o "phasic" neurona "(estado es superior)", el estado " ; Dolor ", por ejemplo, utiliza ambos. Observe también que el Estado opera en un "efecto de entrada" que es la aportación asignada a través de una ganancia y constante de tiempo (véase también la figura 2], lo que permite que una norma como de una alteración en el estado, donde los cambios suceden lentamente, para integrar contexto Insumos por lo que su efecto se extiende mucho más allá del tiempo que están en realidad, para que la norma particular. Figura 5 también muestra que un estado, como el dolor, puede ser una función de varias normas (por ejemplo, en un contexto más relacionados con los insumos, los demás medicamentos) que se combinan a través de las operaciones de lógica difusa. Por último, la constante de tiempo intrínseco de cada estado de la neurona, difiere drásticamente entre los estados (por ejemplo, mayor valor por deterioro que cambia gradualmente a lo largo de semanas frente a una medida como "dolor" que puede cambiar el orden de las horas). Estos afectan a la lógica de desarrollo. El usuario-diseñador necesita entender varias características de diseño que afectan a la regla.

Un ejemplo de simulación, con unas pocas semanas de los insumos y con los estados inicializado, se presenta en la Figura 6. Aquí nos centramos en el "contexto" (estado estimaciones) que se basa principalmente en "contexto" insumos, y en un cierto trozo de tiempo - el "presente". Conceptual Cinco puntos se destacan aquí:

Cinco puntos conceptuales se enfatiza en:

1. Cambio de estado que requiere a menudo una combinación de entrada / estado condiciones ocurre, y ciertos estados pueden cambiar de repente (por ejemplo, dolor), mientras que otros sólo de forma gradual (por ejemplo, las deficiencias, los estados y homeostático en general).

2. Como con la mayoría de gran escala de los sistemas no lineales, el "funcionamiento" del sistema de orden, y comportamiento general, tiende a ser sólo una función de un pequeño subconjunto de los parámetros del modelo. Diferentes eventos como los incendios, los diferentes "subsistemas" de la evolución de los estados y salir de la reunión con los parámetros de la más alta sensibilidad de los cambios. Sensibilidad de los instrumentos de análisis, integrados en el modelo, se puede utilizar para obtener una perspectiva de los parámetros más importantes en un momento dado.

3. Muchas de las expresiones de la izquierda de la mitad (el "si") parte de la norma pueden ser diseñados para añadir robustez - que rara vez afecta a la regla, pero cuando lo hacen, efectivamente conducir o apagará disparando.

4. Mientras que la principal necesidad es de WIAs contexto de la conciencia de estado-, el hecho existe también la predicción del futuro pueden ser utilizados por un WIA para examinar los efectos de los planes alternativos para los futuros eventos. Esto puede ser especialmente útil para la toma de decisiones WIA mientras que en funcionamiento "ayudar", ya que existe un delicado equilibrio entre el beneficio de proporcionar un recordatorio o advertencia al cliente versus el costo de sobrecargar el cliente; "qué-si" ; Predicción del futuro puede ayudar en la toma de esta decisión.

5. Aunque no se muestra en el Cuadro 1 (pero evidente en la Figura 1], de la nota es que los "errores" entre una producción prevista de salida y medir (por ejemplo, la fuerza del brazo, la mano ROM, FIM y el dolor o la reciente adhesión puede medirse por la hija durante Visitas semanales) se puede alimentar de nuevo como marco de entrada acontecimientos que se pueden integrar en una norma de un estado, ayudando a mejorar gradualmente la situación estimación.

Ejemplo Modelo # 2: Músculo y Fuerza Conjunta Fortaleza Cambios: Corto Plazo Fatiga y Adaptación a Largo Plazo

Este ejemplo ilustra el uso del modelo por parte de un usuario-diseñador que tiene experiencia en un área determinada, más el acceso a la evidencia científica, de aquí de manifiesto la fortaleza de los músculos. Uno puede imaginar fácilmente un atleta o entrenador utilizando un WIA para planificar y ejecutar un programa de ejercicios que tiene el resultado deseado de la maximización de la fuerza muscular y la hipertrofia del tejido más de una cierta ventana de tiempo, y ha estimaciones internas de los estados durante el proceso. Del mismo modo, uno puede imaginar un musculoesquelético o programa de rehabilitación neuromuscular que trata de recuperar la fuerza muscular o minimizar la atrofia muscular. En cualquier caso, la estimación de los estados y muestra el rendimiento de salida medidas puede ayudar a un WIA para proporcionar un usuario-cliente con una propuesta de entrada programa de intervención (por ejemplo, el régimen de ejercicio, dieta).

Este ejemplo también expone otro uso para el modelo: por los científicos que estudian los cambios bio-y, en particular, que el deseo de sintetizar los conocimientos de macro y micro-cambios en el órgano / tejido celular y los niveles, hacer predicciones del modelo que pueden ser comprobables , Y al puente humanos macro-estudios con animales micro-estudios. Aquí la responsabilidad recae sobre el experto de integrar la experiencia y las pruebas disponibles. Uno de nosotros (JMW) ha publicado extensamente neuroosteomuscular utilizando modelos que incluyen modelos Hill músculo [16 - 18]. Hill basada en la fuerza muscular modelos de predecir en función de activación muscular, la duración y la velocidad. En el uso tradicional de este tipo de modelos, son los parámetros que se supone constante para una determinada simulación. Pero sabemos que hacer cambiar algunos parámetros en función de la actividad, y en los últimos años un creciente cuerpo de evidencia se ha acumulado sobre cómo tres parámetros fundamentales [la fuerza isométrica máxima (Fmax), la velocidad máxima descargada (Vmax), una cinética de Michaelis-Menten Parámetros relacionados con la desactivación de calcio] cambiar en función de: i) la fatiga (a más corto plazo y reversibles cambio de parámetros durante un período de tiempo de segundos a horas), y ii) la adaptación muscular verdadera (una más permanente cambio que se produce durante períodos de tiempo De días a meses).

Cuadro 2 se centra en un modelo de estructura simple para la estimación de uno de estos parámetros: Fmax, que también se correlaciona directamente a la fuerza muscular y tamaño. Lo hace en dos plazos, utilizando modelos diferentes: i) para la fatiga, el modelo funciona para los minutos, con reglas estructuradas en el supuesto de que un ejercicio "pulso" corresponde a la intensidad (por ciento del máximo) y la duración (número de repeticiones ), De un peso de la formación "set", y ii) para la adaptación del cambio, el modelo se extiende durante semanas o meses, y un ejercicio de "pulso" es la intensidad media de una "rutina", donde un tiempo de una hora es Relativamente pequeña con respecto a la dinámica de cambio de adaptación del tejido. En ambos casos se trata de "convergencia" con muchos modelos de insumos; el cuadro 2 se mantiene a estos insumos simple. Figura 7 se presenta un ejemplo de simulación, aquí para un cliente con un estilo de vida sedentario hace que una serie de cambios de estilo de vida positivo, pero luego, después de casi cuatro semanas de formación y algunas mejoras en Fmax, recibe heridos.

Discusión

En este artículo se desarrolla una novela basada en normas neuro-difuso modelo dinámico que se destina a proporcionar continuo estado de estimación, para predecir los resultados, y para evaluar el efecto de diferentes planes de intervención. Permite a un usuario-diseñador que es un experto en un campo de rehabilitación, pero no necesariamente en el modelado matemático, de generar y utilizar modelos causales que contienen las ecuaciones diferenciales no lineales aplicado con CNN. Para ser eficaces, han de tener una sólida comprensión de los conceptos de una constante de tiempo, de un peso (o ganancia), cómo un MF mapas de una variable, y cómo retroalimentación negativa obras; los gráficos de forma interactiva puede ser utilizado como una herramienta de aprendizaje para Ayudar a recoger estas habilidades. Cuando la creación de nuevos insumos y los estados, por defecto MFs lingüística de los valores clásicos, como "alta" o "baja" se crean automáticamente para el usuario-diseñador, ya sea utilizando gaussiana o encaja Fronteras, que se han definido por dos parámetros intuitiva - una " Media "y una" forma. "Estos MFs por defecto puede ser el nuevo nombre, editado o eliminado. La interfaz gráfica de usuario para la creación de imperio, que se muestra en la Figura 5, es similar a la interfaz gráfica de usuario para otras implementaciones FIS, sólo con algunos añadido capacidades que son exclusivos de este modelo. Una vez que el modelo de la estructura y los parámetros se establecen, las simulaciones son gestionadas de forma separada GUI, que permite la creación de entrada de los trenes, el estado de inicio, y otras características de libros. Además de conspirar estado, la producción y los resultados trayectorias, una interfaz gráfica de usuario está disponible para el análisis de sensibilidad de parámetros. Una vez refinado, a satisfacción del usuario-diseñador, el modelo está listo para ser utilizado como una aplicación embebido.

El primer ejemplo muestra la aplicación de este neuro-difuso marco de la elaboración de modelos como WIA para estimar los valores de los estados actuales y predecir los principales productos y resultados. No cabe duda de que la supervisión en tiempo real de determinados estados clave es valioso para algunos pacientes / clientes en su vida diaria. Sin embargo, no todos los de estos estados pueden ser directamente medidos por sensores inalámbricos. SoftBioME prevé la posibilidad de un planteamiento integrado WIA inalámbrica en la que los sensores miden la mensurables eventos y los estados y los envía a la agente inteligente, mientras que el agente inteligente registros de esos estados y las estimaciones no-mensurables estados, detecta los casos de eventos predefinidos (por ejemplo, , El estado está por encima o por debajo de determinado valor), y de hecho algunos de tratamiento previo. Este ejemplo demuestra que SoftBioME puede proporcionar una estimación de ciertos estados de los valores en cualquier momento. Si el usuario-diseñador define crujiente MFs y crujiente normas, también puede servir como un evento-detector. Dado que el modelo está diseñado sobre la base de los conocimientos de los expertos (por ejemplo, cómo el ejercicio afecta a la caminata de andar) y de las pruebas científicas (por ejemplo, el efecto de los medicamentos sobre los estados), la estimación de error no debe ser más allá de las expectativas. Además, las normas pueden incluir señales de error en la LHS se basan en que cualquier diferencia entre un estimado de la variable (producto, resultados) y mide periódicamente señales (producto, resultados), lo que permite mejorar el estado de estimación a lo largo del tiempo. Por otra parte, al ejecutar la simulación en repetidas ocasiones, un experimentado diseñador-usuario podrá ajustar los parámetros para tratar de optimizar heuristically personalizados modelo antes de su utilización para la estimación en tiempo real. El modelo de la CNN estructura está diseñada de tal manera que en el futuro un conjunto de herramientas de optimización de neuro-se puede ofrecer para mejorar el modelo de rendimiento para un determinado cliente, es decir, a "aprender" el comportamiento del cliente. Todo lo anterior promesa con precisión suficiente-la estimación para el tipo de contexto-la conciencia de que es necesaria para una eficaz WIAs.

A diferencia de la utilización de todos los macro-estados en el primer ejemplo, el segundo ejemplo contiene dos macro-estados y micro-estados. En este ejemplo, la macro-estados dependen de la micro y macro-estados pruebas de entrenamiento de fortalecimiento y viceversa, y que la dependencia puede ser descrito por reglas fuzzy. El modelo de la fuerza muscular también demostró que el modelo creado en SoftBioME puede estimar no sólo los estados, los productos y los resultados, pero también se centrará en los cambios de parámetros. Esto se debe a que uno de los propósitos de SoftBioME es apoyar a los dos modelos de señal de parámetros y modelos (por ejemplo, ya en tiempo remodelación modelos). Los parámetros de señal en un modelo pueden ser simultáneamente la señal en un parámetro de modelo, con los dos modelos que operan en diferentes escalas de tiempo (por ejemplo, segundos versus semanas). Por ejemplo, para algunos ejercer la actividad realizada con frecuencia, Fmax es la señal en el segundo ejemplo y es también un (ahora adaptable) parámetro en el primer ejemplo (por ejemplo, utilizando Hill neuroosteomuscular modelo basado en los músculos). La capacidad de trabajar en ambas dimensiones y señal parámetro permite SoftBioME para tratar una variedad de problemas en una amplia zona en la rehabilitación.

Al diseñar una inteligente agente a través de SoftBioME, la cosa más importante es reunir conocimientos de expertos y / o evidencia científica. Hay varias formas de reunir los conocimientos de los expertos, como el proceso analítico jerárquico (AHP) [19] y [20] de Delphi. Esta última es utilizada con frecuencia por los médicos y enfermeras como protocolo de la toma de decisiones, lo que la hace una buena elección al crear un modelo de rehabilitación. Publicado el papel y los libros de texto son las principales fuentes de la evidencia científica. Habida cuenta de los conocimientos de los expertos disponibles y de la evidencia científica, el modo de transferencia en la composición y funciones de reglas fuzzy es el próximo reto. Normalmente los expertos le ayudará a definir reglas fuzzy y MFs. Si la creación de un modelo basado en pruebas, por lo general las pruebas en sí contiene las normas implícitamente (e, g, resúmenes suelen resumir las conclusiones en forma de reglas). El análisis de sensibilidad herramientas pueden ayudar a refinar las MFs y evaluar la importancia de las reglas, que ayudan al usuario-diseñador en la mejora de la modelo.

Cabe destacar que, debido a la tendencia natural de la señal y la regla "saturación suave" cuando se utilizan modelos difusos con buen MFs, las ecuaciones diferenciales no lineales tienden a ser inherentemente estables. La mayoría también han biosignals suave saturación en los extremos de su rango de funcionamiento. Es como si el usuario puede pensar en una forma más basado en normas "lineal" y de manera causal, sino acabar con modelos que, si bien diseñados, son más de un robusto de la región más grande estado de funcionamiento el espacio que para una versión linearizada de Una bio-modelo.

Conclusión

A neuro-fuzzy marco de la elaboración de modelos (SoftBioME) es desarrollado para la estimación de los cambios de los estados en los sistemas de bioseguridad en función de los patrones de entrada de evento. Si cuidadosamente diseñado con la suficiente experiencia y / o pruebas científicas, que se pueden aplicar en la rehabilitación (por ejemplo, predecir los resultados de la intervención), la medicina del deporte (por ejemplo, evaluar el efecto de un plan de capacitación), la biología (por ejemplo, los cambios de adaptación en el músculo) , La farmacia (por ejemplo, el estudio de la acción o efecto de las drogas), y tal vez otros campos cuyo objeto es un sistema dinámico de adaptación y cambio. Es capaz de hacer predicciones en tiempo real o de estimación. Esta última se destina a proporcionar contexto de la conciencia de la evolución de los estados, que es fundamental para la WIA para ser eficaces.

Conflicto de intereses

Los autores declaran que no tienen intereses en conflicto.

Contribuciones de los autores

Tanto YW JMW y participaron en todas las partes de este trabajo, con YW responsables de la aplicación y el modelo de la mayoría de las simulaciones, y JMW responsables de la mayor parte del primer proyecto del manuscrito.

Agradecimientos

El apoyo financiero de La Ralph Falk y Marian Medical Trust Foundation, La Fundación Whitaker, y el Centro de Investigación de Ingeniería de Rehabilitación de Telerehabilitation (Departamento de Educación de EE.UU., NIDRR # H133A990008) Se agradece. Las opiniones son las de los autores