Fuzzy logika alapú kockázat értékelő keretrendszer személyre szabhatósága

Szerzők

  • Edit Tóth-Laufer

Kulcsszavak:

kockázat értékelés, fuzzy, Mamdani-típusú következtetés, páciens monitorozás

Absztrakt

Páciens monitorozás során a személyre szabhatóság elengedhetetlen annak érdekében, hogy reális képet kaphassunk a páciens állapotáról. Ilyen típusú alkalmazásokban a fuzzy logika alapú kiértékelő rendszerek alkalmazása nagy népszerűségnek örvend, hiszen segítségével jól kezelhetők a bemenetek értéktartományainak homályos határai, valamint az adatokban és a kiértékelésben rejlő szubjektivitás. A monitorozás során figyelembe veendő paraméterek számos tényezőtől függnek, mint a személyes jellemzők, személyre szabott orvosi ajánlások, valamint a választott aktivitási forma. Ebben a cikkben a szerző egy olyan fuzzy alapú kockázat értékelő keretrendszert mutat be, amely a fentiek alapján személyre szabható. A rendszerben mind a bemeneti tényezők száma, mind azok normál tartományai a személy adottságainak megfelelően változtathatók, figyelembe véve a korábbi mérésekből készült statisztikákat is.

Hivatkozások

[1] Rialle, V., Duchene, F. et.al (2002). Health "Smart" Home: Information Technology for Patients at Home. Telemedicine Journal and e-Health, vol. 8, no. 4, 395-409
[2] Kozlovszky, M., Sicz-Mesziár, J., Ferenczi, J. et.al. (2012). Combined Health Monitoring and Emergency Management through Android Based Mobile Device for Elderly People. Wireless Mobile Communication and Healthcare, Lecture Notes of the Institute for Computer Sciences, Social Informatics and Telecommunications Engineering, vol. 83, 268-364.
[3] Najafi, B., & Aminian, K. (2002). Measurement of Stand-Sit and Sit-Stand Transitions Using a Miniature Gyroscope and its Application in Fall Risk Evaluation in the Elderly. IEEE Trans. on Biomedical Engineering, vol. 49, no. 8, 843-351.
[4] Koyama, Y., Nishiyama, M., & Watanbe, K. (2013). A Motion Monitor Using Hetero-Core Optical Fiber Sensors Sewed in Sportswear to Trace Trunk Motion. IEEE Trans. on Instrumentation and Measurement, vol. 62, no. 4, 828-836.
[5] Sieira, M.C., Ricart, A. O., & Estrani, R. S. (2010). Blood pressure response to exercise testing. Apunts Med Esport., Elsevier, 2010, 191-200.
[6] Wu, Y., Ding, Y., & Xu, H. (2007). Comprehensive Fuzzy Evaluation Model for Body Physical Exercise. Risk Life System Modeling and Simulation, Lecture Notes in Computer Science, vol. 4689/2007, 227–235.
[7] Faisal, T., Taib, M. N., & Ibrahim, F. (2012). Adaptive Neuro-Fuzzy Inference System for Diagnosis Risk in Dengue Patients. Expert System with Applications, Elsevier, 4483-4495.
[8] Charbonnier, S., & Galichet, S. (2000). Statistical and Fuzzy Models of Ambulatory Systolic Blood Pressure for Hypertension Diagnosis. IEEE Trans. on Instrumentation and Measurement, vol. 49, no. 5, 998-1003.
[9] Polar RS800CX User Manual - Polar USA, http://www.polar.com/e_manuals/RS800CX/Polar_RS800CX_user_manual_English/manual.pdf
[10] Czabański, R., Jeżewski, J. et al., (2013) Fetal state assessment using fuzzy analysis of fetal heart rate signals – Agreement with the neonatal outcome. Biocybernetics and Biomedical Engineering, vol. 33, no. 3, 145-155.
[11] Linh, T.H., Osowski, S. et al., (2003) On-line heart beat recognition using Hermite Polynomials and Neuro-Fuzzy Network. IEEE Trans. On Instrumentation and Measurement, vol. 52, no. 4, 1224-1231.
[12] Ranganathan, G. et al. (2012) Estimation of heart rate signals for mental stress assessment using neuro fuzzy technique. Applied Soft Computing, vol. 12, no. 8, 1978-1984.
[13] Tóth-Laufer, E., Takács, M., & Rudas, I. (2015). Fuzzy Logic-based Risk Assessment Framework to Evaluate Physiological Parameters. Acta Polytechnica Hungarica, vol. 12, no. 2, 159-178.
[14] Fullér, R. (1998). Fuzzy Reasoning and Fuzzy Optimization. Turku Centre for Computer Science, http://uni-obuda.hu/users/fuller.robert/sda1.pdf [2018.01.22].
[15] Dombi, J. (2008), Towards a General Class of Operators for Fuzzy Systems. IEEE Transactions on Fuzzy Systems, vol. 16, no. 2, 477-484.
[16] Tóth-Laufer, E., Rudas, I., & Takács, M. (2014). Operator Dependent Variations of the Mamdani-type Inference System Model to Reduce the Computational Needs in Real-Time Evaluation. International Journal of Fuzzy Systems, vol. 16, no. 1, 57-72.
[17] Tóth-Laufer, E., & Várkonyi-Kóczy, A.R. (2015). Personal Statistics-based Heart Rate Evaluation in Anytime Risk Calculation Model. IEEE Transactions on Instrumentation and Measurement, vol. 64, no. 8, 2127-2135.
[18] Codara, P., D’Antona, O.M., & Marra, V. (2009). An Analysis of Ruspini-partitions in Gödel Logic. International Journal of Approximate Reasoning, vol. 50, no. 6, 825-836.

##submission.downloads##

Megjelent

2018-03-26

Folyóirat szám

Évf. 1 szám 2 (2018): Bánki Közlemények Summer (2018)

Rovat

Technical Informatics (Műszaki Informatika)

License

Bánki Közlemények is loyal to open access for academic work. All the original articles and review papers published in this journal are free to access immediately from the date of publication. We don’t charge any fees for any reader to download articles and reviews for their own scholarly use.

The Bánki Közlemények also operates under the Creative Commons Licence CC-BY-NC-ND. This allows for the reproduction of articles, free of charge, for non-commercial use only and with the appropriate citation information. All authors publishing with the Bánki Közlemények accept these as the terms of publication.