Linköpings Universitet
Fallbaserat resonerande
Klassifikation av signaler från smarta sensorer
Kristina Svahnström
2016-01-08
krisv378
Fördjupningsuppgift
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
krisv378
Fördjupningsuppgift
2016-01-08
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.
2.
3.
4.
5.
Vilken erfarenhet den har
Dess förmåga att förstå nya situationer genom den tidigare erfarenheten
Dess adaptionsförmåga
Dess förmåga att utvärdera och reparera
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.
krisv378
Fördjupningsuppgift
2016-01-08
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
krisv378
Fördjupningsuppgift
2016-01-08
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
Output
Figur 2. Procedur för klassificering med hjälp av sammanslagning på beslutsnivå.
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.
krisv378
Fördjupningsuppgift
2016-01-08
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.
krisv378
Fördjupningsuppgift
2016-01-08
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.
