Linköpings Universitet Fallbaserat resonerande Klassifikation av signaler från smarta sensorer Kristina Svahnström 2016-01-08
Innehållsförteckning Inledning... 1 Fallbaserat resonerande... 1 Tillämpning... 3 Särdrag... 4 Klassificering med sammanslagning... 4 Referenser... 6 Figurförteckning... 6
Inledning Redan 2008 skrev Meijer att en tredje industriell revolution var på ingång, och mycket har hänt sedan dess. Människan har alltid försökt förbättra sin kapacitet på olika sätt. Efter att ha förbättrat först med maskiner och sedan med datorer och internet så menar Meijer att den tredje revolutionen handlar om att utvidga våra sinnen med hjälp av sensorer och full automation eller robotisering. Begum, Barua och Ahmed (2014) skriver att signaler från biomedicinska sensorer har stor potential att kunna underlätta avancerad övervakning, diagnostisering och behandlingsplanering om de används rätt. Problemet är dock att sensorsignalern lätt påverkas av brus eller störningar och responsen på signalerna kan vara olika för olika personer. I dessa fall kan analys av kombinationen av flera sensorers data ge en mer robust och pålitlig output. När experter gör manuella analyser stödjer de ofta sina beslut på flera sensorsignaler tillsammans med sin kunskap för att göra bedömningar. Fallbaserad resonering (eng. case based reasoning) är en metod som bygger på hur människan gör bedömningar med hjälp av tidigare erfarenhet där gamla lösningar anpassas och återanvänds på nya okända problem. Metoden används mer och mer inom sjukdomsdiagnostisering då den väl liknar den process som sedan tidigare används, där läkare använder sig av erfarenhet från liknande tidigare lösta fall och samtidigt utvecklar sin kunskap inför framtida fall. Fallbaserat resonerande Kolodner (1993) skriver att fallbaserat resonerande integrerar problemlösning, förståelse, inlärning samt minne och beskriver vidare de underliggande premisser som systemet är beroende av. Det är fördelaktigt att ha referenser till situationer som upprepas och referenser till tidigare situationer är ofta nödvändiga för att systemet ska kunna hantera nya komplexa situationer. Därefter är det en viktig inlärningsprocess att minnas fallet och integrera det med redan kända fall för att kunna använda den kunskapen senare. Då beskrivningarna av problemen ofta är ofullständiga så är det en förutsättning att systemet kan resonera i sin tolkning. En fallbaserad resonerare kan inte återkalla ett relevant fall ur minnet om den inte förstår det nya problemet. Samtidigt så kan resoneraren förstå problemet lättare med hjälp av fler relevanta fall ur minnet än utan dem. Alla typer av resonering kräver att problemet är tillräckligt detaljerat och beskrivet med rätt begrepp för att resoneraren ska kunna känna igen den kunskap den behöver, alltså både förstå det nya fallet och återkalla gamla. Eftersom att nya fall sällan är exakt som några av de gamla så krävs det oftast att de gamla fallen anpassas för att passa det nya problemet. Om en ny process som härletts härifrån lyckas med utförandet så har systemet lärt sig ett nytt sätt att behandla en ny klass av problem. Den är då grundad i det specifika fallet och är indexerad i minnet på ett sätt så att den kan hämtas när den i sin tur passar ett nytt liknade problem. Index representerar räckvidden av dess applicerbarhet. Om ett nytt problem sedan försöker använda denna lösning så varnas resoneraren om att indexet inte är exakt. Det nya problemet sparas i biblioteket och innefattar modifikationen av resonerarens kunskap från originalfallet. Dess index bestäms när den är användbar och index för det gamla fallet anpassas så att det bara återkallas när dess procedur säkert är lämplig. Inlärningsprocessen 1
omfattar alltså nya procedurer, deras modifikationer samt när var och en av dem lämpligen används. Feedback och analys av feedbacken genom uppföljning är nödvändig för utan den kan inlärning inte ske och referenserna till gamla fall och kunskap skulle bli opålitlig. Uppföljningen inkluderar även misslyckanden och försök att reparera dem. Premisserna medför i sin tur att kvaliteten på en fallbaserad resonerare i sin tur är beroende av fem punkter: 1. Vilken erfarenhet den har 2. Dess förmåga att förstå nya situationer genom den tidigare erfarenheten 3. Dess adaptionsförmåga 4. Dess förmåga att utvärdera och reparera 5. Dess förmåga att integrera nya erfarenheter minnet En resonerare med mindre erfarenhet behöver nödvändigtvis inte vara sämre om den är kreativ när den tolkar och anpassar så länge som den i alla fall har viss relevant erfarenhet. Förmågan att förstå nya problem med hjälp av tidigare erfarenhet kan delas in i två delar återkallning av gammal erfarenhet och tolkning av nya problem. Det förstnämnda är ett indexproblem som handlar om att hitta den erfarenhet som ligget närmst det nya problemet i minnet. Detta kan även ses som ett problem i att tilldela erfarenheter index så att de kan återkallas när de är lämpliga. Tolkning är processen som sker när det nya problemet jämförs med gammal erfarenhet. Resultatet är tolkningen av ett nytt problem samt tillägg från härledd kunskap ur minnet eller en klassifikation av problemet. När lösningen jämförs med gamla lösningar så utvecklar resoneraren en förståelse för fördelarna och nackdelarna med att lösa problemet på just det sättet. Problem som är väldefinierade från början kräver mindre tolkning. Aamodt och Plaza (1994) beskriver den fallbaserade resonerarens cykel med hjälp av de fyra huvuduppgifterna återkallning, återanvändning, anpassning och lagring enligt bilden nedan.
Figur 1. Modell över en fallbaserad resonerares cykel. Riesbeck och Schank (1989) skriver om hur fallbaserat resonerande kan vara en mer psykologiskt applicerbar modell av en experts resonerande än det klassiska regelbaserade systemet. När man bygger system av detta slag bör man dock fråga sig om experten som man baserar det på använder regler eller inte, då det är skillnad på faktakunskap och faktisk erfarenhet. Även om experten kan redogöra för sina regler så har dessa ofta många undantag och det har visat sig att experter använder sig av tidigare fall som påminner om det nya när de ska lösa speciellt komplexa- eller ofullständiga fall. Ett exempel som tas upp är hur ledaren för ett basebollteam väljer specifika spelare inför kommande säsong bör hen välja den stabila spelaren som var delaktig i att vinna serien för två år sedan, eller nykomlingen som spelade bäst året innan? Problemen som det fallbaserade systemen stöter på är ofta precis såhär ofullständiga och vanligt är att det inte finns något tydligt rätt svar och inte heller någon information om hur det hade gått om det valt annorlunda, utan bara om det som valdes funderade eller inte. Att använda tumregler i fall som detta, t.ex. att välja den spelare som har högst genomsnittspoäng, behöver inte alls visa sig vara det bästa och här är därför fallbaserat resonemang ett vanligt alternativ. Tillämpning Begum, Barua och Ahmed (2014) skriver om hur diagnoser och klassifikationer av sjukdomar ofta ställs baserat på information från olika fysiologiska sensorer. I sin studie försökte de skilja på stressad och avslappnad med hjälp av signaler från ett flertal fysiologiska sensorer. De sensorer som användes mätte hjärtfrekvens, fingertemperatur, andningsfrekvens, koldioxidhalt samt syremättnad. Sensorsammanslagning utfördes på beslutsnivå och datanivå. I sammanslagningen på beslutsnivå användes särdrag framtagna genom
traditionella metoder och i sammanslagningen på datanivå användes särdrag framtagna med hjälp av Multivariate Multiscale Entropy (MMSE). Fallbaserad resonering användes sedan för att klassificera signalerna och varje fall i delades upp i problem och lösning. Problemdelen bestod av fallen tillsammans med de framtagna särdragen och lösningen var klassificeringen. Särdrag Likheten hos särdragen mellan det nya fallet och kunskapen om gamla fall i minnet mäts med hjälp av luddig likhet (eng. fuzzy similarity) som räknar ut överlappet mellan de två fallen: Likheten mellan särdragen hos det gamla- (Sf) och det nya (Cf) fallet, där m1 är första fallets särdrag, m2 är det andra fallets särdrag och om är överlappet mellan dem. Likheten mellan två fall mäts med hjälp av ett genomsnitt av alla relevanta särdrag: C är det nya problemet, S är ett gammalt fall från biblioteket, n är antalet särdrag i varje fall, f är index för ett särdrag och sim(cf, Sf) är den lokala likhetsfunktionen för särdrag f i fall C och fall S. Klassificering med sammanslagning Proceduren att klassificera sammanslagningen av sensorsignalerna på beslutsnivå skedde i sex steg. Input Bearbetning Extrahering av särdrag Övervakad maskininlärning Sammanslagning Figur 2. Procedur för klassificering med hjälp av sammanslagning på beslutsnivå. Output 1. Input Alla signaler från de olika sensorerna. 2. Bearbetning Varje signal förarbetas med en mjukvara som hanterar artefakterna och/eller brus i signalerna och felaktiga signaler som orsakats av artefakterna byts ut mot tidigare testvärden. 3. Extrahering av särdrag Signalerna används för att extrahera särdrag till tids- och frekvensdomäner. 4. Övervakad maskininlärning Särdragen används för att bygga ett bibliotek till den fallbaserade resonerarens klassificering. En lösning för varje signal tas fram utifrån de mest lika fallen i biblioteket. 5. Sammanslagning på beslutsnivå Systemet använder en algoritm som väger ihop alla lösningar från den fallbaserade resoneraren. 6. Output En slutgiltig klassifikation (stressad eller avslappnad) levereras till systemet.
Proceduren att klassificera sammanslagningen av sensorsignalerna på datanivå skedde istället i fem steg, där flera av stegen var de samma som på beslutsnivå. Vid extraheringen av särdragen användes istället MMSE-algoritmen som alltså skapar input till den fallbaserade resoneraren.
Referenser Kolodner, J. L. (1993). Case-based reasoning. San Mateo: Morgan Kaufmann Publishers, Inc. Meijer, G. C. (2008). Smart sensor systems. West Sussex: John Wiley & Sons, Ltd. Riesbeck, C. K., & Schank, R. C. (1989). Inside Case-based Reasoning. New Jersey: Lawrence Erlbaum Associates, Inc. Figurförteckning Aamodt, A.; Plaza, E. Case-based reasoning: Foundational issues, methodological variations, and system approaches. AICom 1994, 7, 39 59.