بخشی از مقاله
چکیده
برای هر فردی متناسب باشرایطش ،یک رژیم غذایی مناسب ضروری می باشد.یک رژیم غذایی خوب می تواند عامل پیشگیری یا عامل کنترل بسیاری از بیماریها باشد. هدف ازاین تحقیق ارائه یک سیستم هوشمنداست ،که می تواندبا توجه به وضعیت جسمانی هر فردی ازجمله قد ،سن،وزن وغیره یک توصیه رژیم غذایی داشته باشد و این سیستم می تواند باعث صرفه جویی درزمان ،هزینه وخدمات پزشکی شود. در سیستمهای رژیم و تغذیه پیشین از روشهای طراحی معمول وغیرهوشمند استفاده شده ، که خروجی برنامه غذایی بوده است. در بعضی مقالات از سیستم فازی استفاده شده است که خروجی آنها مقدار پروتئین، کلسیم و غیره را به کاربر ارائه می دهد . و یک برنامه غذایی اجرایی و عملی در اختیار کاربرقرار نمی دهد.
درتحقیق ارائه شده از یک دیتاستی با حجم 1014 استفاده شده وتعداد ویژگی های استفاده دراین تحقیق 27عدد وتعداد رژیم های غذایی در نظر گرفته شده 26عدد می باشد و ازدو روش شبکه عصبی ودرخت تصمیم استفاده شده است و همچنین نتایج حاصله روی داده های عددی بدست آمده ،ونتایج آزمایشهای مختلف حاکی از دقت 78درصدی شبکه عصبی باالگوریتم cascadecassifire ودقت 99درصدی درخت تصمیم درپیشنهاد رژیم غذایی مناسب برای هرفردمی باشد.
-1 مقدمه
در جامعه امروزی تغییر سبک زندگی تأثیر بسزایی در سلامت روح وروان یک جامعه دارد.که نیازمند برنامه ریزی می باشد.یکی ازاین برنامه ها تعیین رژیم غذایی مناسب برای هر فرد ازدوران کودکی تاسالمندی باتوجه به شرایط جسمانی از جمله سن ، قد، وزن ،میزان فعالیت و غیره می باشد.رژیم غذایی مناسب برای هر فردمی تواند باعث صرفه جویی در زمان وهزینه وخدمات پزشکی شود.واز بسیاری از بیماریها از جمله دیابت ،فشار خون بالا،سیروز کبدی وغیره جلوگیری کند.و روند بهبودی بسیاری ازبیماریها را تسریع کند.
یکی از شاخه های مهم تغذیه درمانی، رژیم درمانی1 است که به وسیله ی آن رژیم غذایی اصلاح، و یا با شرایط مورد نیاز فرد تطبیق می یابد و به اجرا درمی آید . سیستم های خبره2 ، برنامه های کامپیوتری هستند که به بسیاری از مهارت های غیر الگوریتمی جهت حل مشکلات کمک می کنند. سیستم های خبره در کاربرد های تشخیصی در ارائه خدمات انسانی و ماشینی به کار می روند. شبکه عصبی، تکنیک مدل های پیش بینی غیرخطی تولید می کند که یاد می دهد چگونه یک الگو با یک پروفایل خاص قابل تطبیق است،اما درباره ی علت رسیدن به این نتیجه ی خاص توضیحی ارائه نمیدهد.
درخت تصمیم ،یک ابزار برای پشتیبانی از تصمیم است که از درختان برای مدل کردن استفاده می کند درخت تصمیم به طور معمول در تحقیق درعملیات استفاده می شود، به طور خاص در آنالیز تصمیم، برای مشخص کردن استراتژی که با بیشترین احتمال به هدف برسد بکار میرود. طبقه بندی آبشاری1 نوع دیگرشبکه های پیش خورهست که در آن از هر لایه به تمام لایه های بعدی ارتباط وجود دارد.این نوع شبکه نیز مانند سایر شبکه های پیشخور قادربه ایجادنگاشت بین ورودی وخروجی هاست .
بررسی پیشینه فرد ،در طبقه بندی کاربرد سیستم خبره در زمینه تغذیه و بخش های مربوط به آن یاری رسان است، نخستین بار گروهی برای توسعه این کاربرد ها به منظورحل مشکلات مربوط به تغذیه اقدام کرد برنامه ریزی وعده های غذائی از این جمله هستند. سریا2 و ساین3 تحقیقی در زمینه توسعه سیستم های خبره و برنامه رژیم غذائی به منظور برنامه ریزی درمانی تغذیه ارائه نمودند، گان4 وسون5 به ایجاد شبکه سیستم خبره برای مشاوره تغذیه و یک مدیریت برنامه ریزی شده پرداختند. [1] این برنامه غذا، لیست وعده غذائی را تغییر داد و به جستجوی پایگاه داده هائی پرداخت که قبلا ایجاد شده بود. [2] گروه دومی سعی داشتند تا به موارد زیر بپردازد.
ارزیابی کیفیت6 داده ها، سنجش تصمیم بالینی سیستمهای پشتیبان7 کامپیوتری شده، ارزیابی تاثیر یک شبکه طراحی شده بربرنامه رفتار های مربوط به کنترل وزن،تعیین میزان قابلیت امکان کار برنامه شبکه تغذیه، استفاده از لیست مدل سازی برای ارزیابی تاثیر تدریجی رژیم غذائی بر کیفیت تغذیه ،بررسی الگو های غذائی در ارتباط با سلامتی و عوامل ریسک بیماری ها، ارزیابی تحقیق اخیر در ارتباط با استفاده از مداخله آموزش تغذیه کامپیوتر محور با هدف کم کردن اضافه وزن یا چاقی در افراد بزرگسال.[3]
گروه دیگر به توسعه و تنظیم سیستم های خبره پرداخت.این گروه به منظور ایجاد قانون موثر و مفید وروشی جدید تلاشی فراوان کردبسیاری از آثار بر اساس تئوری فازی شکل گرفتند مانند لانگ8 ولم9 که به ارائه تحقیقی در مورد ساخت سیستم خبره پرداختند.که این سیستم خبره جامع و کامل که سیستم z-11 نامیده می شد، قادر به کنترل دقیق - یا غیر دقیق - فازی بود. [3] هنون10 و همکارانش سیستم خبره فازی ای11 به منظور برنامه راهنمای غذائی ارائه نمودند. [4]پتری12 و همکارانش یک سیستم خبره فازی را جهت برنامه راهنمای غذائی ارائه نمودند. [5] راس13 نظریه ای را تنظیم نمود که روش شناسی این نظریه مربوط به طبقه بندی، تحلیل غیر دقیق، اطمینان پائین و ناکافی بودن اطلاعات و دانش می شد.
همچنین یکی از نخستین شیوه های غیر آماری را در تحلیل داده ها مورد توجه قرار می داد. [6] مفهوم بنیادین نهفته در نظریه راس بر تشابه و نزدیکی فواصل بالاتر و پائین تر گروه و تشابه فواصل با طبقه بندی استاندارد علم در زمینه های مورد نظر، استوار است. طبق این نظریه، برنامه ای توسعه یافت که آن را NRIM-REX نامیدند که برگرفته از قوانینی برای سیستم های خبره از پایگاه های داده ای بود. و به روش های نمونه گیری مجدد با فاکتور های برآوردی دقیق از قوانین مربوطه می پرداخت.
این سیستم برروی مجموعه داده ای دامنه RHINOS ارزیابی می شد. نتایج نشان داد که روش ارائه شده که باعث ایجاد قانون دسته بندی درست NGES از پایگاه داده ها شده و همچنین روش های شبیه سازی می تواند برآوردی از عملکرد این قوانین بدست دهد. امروزه حجم زیادی از داده ها بصورت الکترونیک قابل دسترس می باشند.پایگاه های داده ای عظیم بطور مرتب جمع آوری می شوند تا به پایش پارامترهای فیزیولوژیک بیماران بپردازند.
این کار سبب ارائه ی سیستمی می شود که نه تنها به طبقه بندی الگوی موارد تغذیه ای می پردازد، بلکه به آ نها الگویی جهت راهنمایی و هدایت بهتر ارائه می کند. در پژوهش های انجام شده، یک سیستم خبره مطابق با نظریه های سیستمی راف ارائه می شود؛ که در آن روش می توان به توسعه ی سیستم از طریق دو فاز پرداخت. اولی فاز آموزشی، در این مرحله اطلاعات تغذیه ای درباره ی هر مورد ارائه و ثبت می شود، سپس توصیه های سفارش شده توسط متخصصان واقعی ثبت خواهد شد.
سیستم NGES نیز بسته به مجموعه های rough توسعه می یابد. قوانینی که از طریق NGES بدست آمده، در NRIM-REX اجرا خواهد شد. تاکید این کار بر توصیه هایی است که سیستم های ما برای کاربر ارائه کرده اند. در مورد بیماری، با بیمار در مورد مقدار و نوع دارو صحبت نمی شود، ولی در مورد تغذیه این امر ضروری است که فاصله میان سبک های جدید تغذیه ای و توصیه های ارائه شده پوشش داده شود. پس از تعریف و توضیح موارد مربوط به آن شخص، سیستم باید به فرد دسته ای از گزینه ها را نشان دهد که همه ی آنها برای این مورد مناسب باشند و توصیه ها را بصورت دسته بندی و بصورت ترتیبی نشان دهد.
همچنین این سیستم امکاناتی را برای فرد مهیا ساخته که او می تواند نوع و مقدار غذا را بسته به میل خود تغییر دهد و در صورتی که بیمار ترکیب نامناسبی پیشنهاد داد، سیستم هشدار فعال شود. [7] دراین پژوهش قصد داریم یک سیستم هوشمند در زمینه تغذیه ورژیم غذایی ارائه دهیم ،به گونه ایی که این سیستم باعث بهبود وتسریع روند کار درمانی درسیستم هایی پزشکی می شود.این سیستم در قالب یک نرم افزار ارائه می شود، بطوری که مشخصات فردی وهمچنین بیماریهای افراد راگرفته ورژیم غذایی متنا سب ارائه می دهدوپیاده سازی این سیستم با شبکه عصبی می باشدکه چون تعداد ویژگیهای ما زیاد می باشددراین سیستم از ساختار شبکه پرسپترون استفاده شده ودر این سیستم مدنظرتغییر تعداد نرون های لایه پنهان می باشد.ونتایج بدست آمده را باپیاده سازی سیستم بادرخت تصمیم مقایسه می کنیم.
.2نیازمندیهای سیستم پیشنهادی
دراین مقاله سیستمی پیشنهادشده که، برای طراحی این سیستم هوشمند باهماهنگی باپزشک معالج از پرونده های بیماران اطلاعات 1014 نفر راوارد فایل اکسل کرده و دیتاست هایی تشکیل دادیم.در این پژوهش ابتدا نیاز به جمعآوری دو دسته اطلاعات آماری ورودی می باشد اطلاعات بیماران مراجعه کننده به مطب برای دریافت رژیم غذایی مناسب و قواعد و اصول تنظیم یک برنامه غذایی که از طریق مصاحبه با فرد خبره یا متخصص تغذیه به دست میآید.
اطلاعات مهم ورودی از بیماران برای ارائه رژیم غذایی مناسب توسط سیستم خبره طراحی شده عبارتنداز:
- سن بیمار
- قد بیمار
-وزن فعلی بیمار -ضریب BMI بیمار -جنسیت بیمار
-میزان فعالیت بدنی - 1 - APA
-تعداد زایمانها، برای نمونه های آماری مونث استفاده از این اطلاعات در تعیین وزن ایدهآل، الزامی است.
-سابقه بیماری2، سوابق ابتلای به بیماری های مهم فشار خون، بیماری گوارشی، چربی خون، بیماری های کلیوی، دیابت، ناراحتی های مغز و اعصاب، کم کاری تیروئید، بیماریهای زنانه، پادرد، کمردرد، تالاسمی، آلرژی، بیماریهای قلبی، بیماریهای پوستی
-میزان متابولیسم پایه - 3 - BMR
-وزن ایده آل پیشنهادی - 4 - PIW برای بیمار
یکی از چالشهای این پژوهش این است که علاوه بر ثبت نشدن اطلاعات بیماران بهصورت دیجیتال، اطلاعات موجود در پروندههای بیماران نیز بهطور کامل ثبت نشده است و در تعدادی از پروندهها فیلدهایی مثل BMI یا وزن ایده آل محاسبه نشده است و نیاز بوده است تا این اطلاعات به صورت دستی به جداول اضافه شود.
محاسبه BMI
یافتن وزن نرمال: برای هیچ فردی یک وزن نرمال مشخص
