طراحی یک سیستم فازی عمیق مبتنی بر قاعده به منظور تعیین سطح افسردگی

افسردگی یکی از شایع ترین اختلالات روانی عصر حاضر است که تشخیص زودهنگام شدت آن می تواند در روند درمان مفید باشد. یکی از روش های تشخیص این بیماری، تحلیل اطلاعات حاصل از سیگنال های الکتریکی مغزی می باشد. در این مقاله، به دنبال تمایز میان سطوح افسردگی با استفاده از تحلیل سیگنال مغزی هستیم. مدل پیشنهادی، سیستم عمیق مبتنی بر قاعده با استفاده از قابلیت پشته است و تمرکز بر روی تفسیرپذیری قواعد در کنار دقت بالا می باشد. سیستم های فازی قابلیت مناسبی را در طبقه بندی دادگان پزشکی با عدم قطعیت نشان داده اند. افزون بر این، در سال های اخیر یادگیری عمیق توجه ویژه ای را در حوزه هوش مصنوعی کسب کرده است. در این مقاله به دنبال بهره گیری از قابلیت های هر دو رویکرد، در قالب یک سیستم فازی عمیق هستیم. سیستم پیشنهادی از یک رویکرد خوشه بندی مقاوم بهره می برد که قادر است تعداد خوشه های بهینه برای هر لایه را به صورت بدون سرپرست تعیین نماید. در کنار آن، مدل پیشنهادی از یک ساختار سلسله مراتبی پشته ای بهره می برد، به این صورت که قواعد آموزش یافته تفسیرپذیر در لایه اول را با برچسب های زبانی یکسان برای تمام ورودی ها، به صورت خروجی لایه اول در کنار ورودی، به لایه بعد منتقل نماید. وجود خروجی قواعد لایه های قبل در فضای ورودی لایه های بعد معادل قابلیت اطمینان در سیستم فازی با تالی خطی یا یک سیستم فازی با تالی غیرخطی می باشد. دادگان مورد استفاده پس از پیش پردازش، استخراج ویژگی های زمانی، فرکانسی و غیرخطی نظیر بعد نگاشت بازگشتی و کاهش بعد، به سیستم پیشنهادی ارائه شد. سیستم پیشنهادی با طبقه بندهای متداول نظیر شبکه عصبی، ماشین بردار پشتیبان، بیز ساده، درخت تصمیم و آنالیز افتراقی خطی مقایسه شد. نتایج صحت دادگان تست به دست آمده در 30 تکرار (49. 01% در مقابل به ترتیب 41. 32 %، 40. 47%، 40. 01%، 38. 38% و 40. 28%) ، بیانگر قابلیت قابل توجه این مدل در تفکیک چهار سطح افسردگی می باشد.