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

افسردگی یکی از شایع‌ترین اختلالات روانی عصر حاضر است که تشخیص زودهنگام شدت آن می‌تواند در روند درمان مفید باشد. یکی از روش‌های تشخیص این بیماری، تحلیل اطلاعات حاصل از سیگنال‌های الکتریکی مغزی می‌باشد. 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 می‌باشد. سیستم‌های فازی قابلیت مناسبی را در طبقه‌بندی دادگان پزشکی با عدم قطعیت نشان داده‌اند. افزون بر این، در سال‌های اخیر یادگیری عمیق توجه ویژه‌ای را در حوزه هوش مصنوعی کسب کرده است. در این مقاله به دنبال بهره‌گیری از قابلیت‌های هر دو رویکرد، در قالب یک سیستم فازی عمیق هستیم. سیستم پیشنهادی از یک رویکرد خوشه بندی مقاوم بهره می‌برد که قادر است تعداد خوشه‌های بهینه برای هر لایه را به صورت بدون سرپرست تعیین نماید. در کنار آن، مدل پیشنهادی از یک ساختار سلسله‌مراتبی پشته‌ای بهره می‌برد، به این صورت که قواعد آموزش یافته تفسیرپذیر در لایه اول را با برچسب‌های زبانی یکسان برای تمام ورودی‌ها، به صورت خروجی لایه اول در کنار ورودی، به لایه بعد منتقل نماید. وجود خروجی قواعد لایه‌های قبل در فضای ورودی لایه‌های بعد معادل قابلیت اطمینان در سیستم فازی با تالی خطی یا یک سیستم فازی با تالی غیرخطی می‌باشد. دادگان مورد استفاده پس از پیش‌پردازش، استخراج ویژگی‌های زمانی، فرکانسی و غیرخطی نظیر بعد نگاشت بازگشتی و کاهش بعد، به سیستم پیشنهادی ارائه شد. سیستم پیشنهادی با طبقه‌بندهای 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 (۴۹.۰۱% 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 می‌باشد.