用于辅助医疗的混合推理架构中的透明度问题

0AASRI Procedia  4 ( 2013 )  268 – 27402212-6716 © 2013作者。由ElsevierB.V.出版。审稿和/或同行评审由美国应用科学研究所负责。doi: 10.1016/j.aasri.2013.10.0400ScienceDirect02013 AASRI智能系统和控制会议0混合推理体系结构中的透明度问题0辅助医疗保健0袁炳传，约翰∙赫伯特0爱尔兰科克大学计算机科学系0摘要0当无处不在计算用于提供技术驱动的辅助医疗保健时，系统需要尽可能复杂和可适应，同时对受试者和护理人员来说也要尽可能透明。为了满足这些设计目标，为CARA（上下文感知实时助理）系统实现了个性化、可扩展的混合推理框架。它提供上下文感知的传感器数据融合（包括医疗和环境传感器），并融合了支持日常生活活动（ADL）分析和警报生成的异常检测机制。混合推理架构结合了基于规则和基于案例的推理；这使得CARA更加稳健，并能够通过不断重新训练新案例来适应不断变化的环境。在智能家居情况下用于异常检测的规则以结构化自然语言形式给出，允许受试者或护理人员检查并在适当的情况下修改这些规则；这支持透明度的目标。对于基于案例的推理部分，我们要注意在评估标准和结果解释中出现的透明度问题。01. 引言0提供医疗保健日益涉及使用无处不在计算技术来支持0无处不在和上下文感知的应用在为老年人提供日常活动分析以及减少长期医疗保健成本方面被广泛认可。0在线获取：www.sciencedirect.com0© 2013作者。由Elsevier B.V.出版。审稿和/或同0以CC BY-NC-ND许可发布的开放访问。0以CC BY-NC-ND许可发布的开放访问。 0269  Bingchuan Yuan and John Herbert /  AASRI Procedia  4 ( 2013 )  268 – 2740为了实现无处不在的医疗保健，一个具有上下文感知的系统被设计成利用上下文为用户提供相关的信息和服务。为了实现独立生活的无处不在的医疗保健[4]，一个上下文感知的系统应该能够观察、解释和推理智能家居环境中的动态情况（无论是时间上的还是空间上的）。尽管直接基于规则的推理引擎是一种有竞争力的方法，但它仍然存在一些不令人满意的局限性。例如，情境特定的规则可能是有效的，但只适用于一小范围的问题；而更通用的规则可能涵盖广泛的潜在适应范围，但不能提供领域特定的指导。基于案例的推理（CBR）[5,6]是另一种方法，针对已知结构化领域知识的问题解决，但它需要积累足够的先前案例来完成推理任务。02. 相关工作0以前已经讨论了使用推理机制实现上下文感知的问题。W.Y.Lum等人使用决策树来决定根据目标设备、网络和用户偏好确定呈现内容的最佳内容[8]。A.Ranganathan等人采用基于一阶谓词演算的上下文模型[9]。M.Wallace等人开发了基于用户历史的数据挖掘用户消费兴趣的上下文感知聚类算法，基于案例的推理（CBR）也被应用于各个领域的上下文感知系统中[11,12]。案例推理的主要问题通常是适应任务，一些研究已经解决了这个问题[13]。在我们的工作中，我们开发了一种基于模糊逻辑的知识获取方法，并用于案例检索和案例推理系统的适应。原始的CARA医疗体系架构通过智能组合无线远程监控患者生命体征、丰富的上下文信息[14]和基于模糊逻辑的规则推理引擎[15]来实现改进的医疗保健。当前的工作使用了更复杂的混合系统来改进以前的单一推理模型。这种更复杂的混合系统（结合基于规则和基于案例的方法）引入了透明度方面的几个问题，这是本文的重点。03. 系统概述0CARA普遍医疗体系架构的概述如图1所示。无线的身体区域网络（BAN）中的生命体征传感器监测患者的生命体征，环境传感器用于监测患者的家庭环境。数据以低级数据（即原始数据或较低级别的上下文）的形式传输到充当网关服务器的智能手机或PC。该服务器通过互联网连接到云服务器，可以提供高级数据管理、数据分析和远程监控服务。传感器产生的数据以XML格式存储，提供一个实现无关的通用格式。上下文数据被结构化为案例数据，为CBR提供案例。整个推理任务是系统的重要部分，涵盖了客户端和服务器端的功能。它必须能够适应不同的应用（例如临床评估或智能家居监测），通过使用不同的规则集来改变配置。它还必须能够实时执行，并及时通知关键条件。值得注意的是，要识别某些关键条件可能需要相关不同的传感器读数，使用随时间累积的传感器读数的分析，并与更广泛的上下文信息结合。在智能家庭医疗场景中，身体区域网络（BAN）提供关于个体的直接信息，而家庭环境传感器则用于收集有关环境和个人可能情况的信息。系统通过无线通信协议（如蓝牙、ZigBee）接收各种传感器数据。原始传感器数据提供构建上下文模型的基本数据。 0270     Bingchuan Yuan and John Herbert /  AASRI Procedia  4 ( 2013 )  268 – 2740监测对象和当前环境。丰富的数据和上下文模型由智能推理组件用于风险评估和完成诸如家庭监测等任务。0图1. CARA架构0远程监控服务、数据挖掘服务和实时推理服务都是同时运行的重要服务。系统的最近实现采用了混合推理框架，将基于案例推理和模糊规则推理结合起来（尽管引入基于案例的推理在推理任务中具有优势，但是随着案例库规模的增长，CBR的效率会下降，因此最终会引入基于云的解决方案，减轻资源受限客户端的负载）。在本文中，我们关注使用这些更复杂技术的系统所涉及的透明度问题。透明度和清晰度在所有系统中都很重要，但在试图为可能处于关键情况下的人提供智能服务的复杂系统中尤其重要。04. 系统实施和评估中的透明度问题0混合架构使用基于传感器和其他信息来源的上下文信息（ContextInformation）使用基于案例的推理和基于模糊逻辑的规则引擎进行分析。模糊逻辑规则通过专家洞察力和使用领域知识来补充基于案例的推理，并能够使用用户友好的基于专家知识的范围类型值来描述规则。因此，规则的一个例子可能是“如果房间温度很低并且房间被占用，则打开暖气”。模糊逻辑用于规则以提供更细致入微的方法。它允许系统利用不完美的数据（例如，缺乏精度，噪音或模糊性）并可以应用规则来得出结论。实际上，它试图对数据进行解释。 0271  Bingchuan Yuan和John Herbert / AASRI Procedia  4（2013）  268-2740基于模糊逻辑的推理模型以更明确的方式机械地更快速地模拟更多的基于不精确信息的人类决策。表1给出了一些简单规则的例子。这些规则是透明的，可以由医疗专家或医疗提供者指定，并且可以在受监督下由患者进行修改。0表1. 智能家居环境中异常检测的示例规则0医疗相关规则0如果活动不是锻炼并且（心率非常高或呼吸率非常高），则情况异常如果收缩压非常高并且动态血压非常高，则情况异常如果（活动是睡眠或活动是休息或活动是观看电视或活动是上厕所）并且（收缩压高并且动态血压高），则情况异常  事件相关规则0如果活动是睡眠并且（电视打开或炉灶打开或灯打开），则情况异常如果位置是室外并且时间是深夜，则情况异常如果（活动是进食或活动是洗澡或活动是锻炼）并且时间是夜间并且灯是关闭的，则情况异常0目前，包括医学、伦理和实际问题在内的问题使得与老年人进行实地实验变得不可行。然而，已进行了现实模拟实验，并用于评估提出的上下文感知混合推理框架在普适医疗环境中的有效性。在这些实验中，CARA系统由远程医疗服务器、可穿戴传感器和客户端应用程序组成。实验中志愿者的实时生命体征通过可穿戴的BioHarness传感器收集[7]。环境感知通过模拟的安卓应用程序进行，该应用程序被开发用于模拟和反映环境的变化。建模和使用的生物医学参数包括：心率、体温、呼吸率、血氧水平以及收缩压和舒张压。环境上下文包括：活动的时间和空间方面；环境传感器数据，如温度、光照、湿度和噪音；家用设备状态，如电视、炉灶、电话以及门、窗户、灯、暖气的当前状态。以前的CARA系统采用了基于模糊推理的引擎以提供各种医疗情况的实时智能预测[15]。新的上下文感知混合推理架构通过引入一种新颖的基于案例的推理模型，增强了以前的模糊基于规则的推理引擎的学习能力。该架构基于jCOLIBRI:CBR Framework[16]和以前的CARA工作进行实现。Android被选择为目标操作系统，并在Android设备（MotorolaXoom平板电脑）上进行了评估。蓝牙提供了传感器网络和客户端应用程序之间的无线连接。目前正在进行全面的测试，包括在实验室进行试验。该模拟环境基于老年人的典型日常生活习惯，模拟了一个人在家庭环境中的真实行为，从而提供了活动上下文。此外，环境上下文的模拟模拟了光照、室温、声音和湿度的变化。生理上下文来自BAN数据，个人上下文来自服务器数据库的信息。 0.9 65 47 145 5 80.15% 0.8 52 12 180 18 88.55% 0.7 32 3 189 38 84.35% 0.6 32 3 189 38 84.35% 0.9 68 67 125 2 73.66% 0.8 66 33 159 4 85.88% 0.7 54 7 185 16 91.22% 0.6 47 5 187 23 89.31% 0.8 63 12 176 7 92.64% 0.7 54 5 187 16 91.98% 0.6 47 2 190 23 90.46% 0272     Bingchuan Yuan和John Herbert / AASRI Procedia  4（2013）  268-2740CBR的输入查询基于当前上下文的所有信息。上下文还被映射为模糊集，可以使用从领域知识中得出的规则来确保一致性并发现异常。混合推理系统然后工作以产生主体当前情况的最佳估计。在进行这些实验时，使用了262个案例的案例库；其中192个是正常案例，70个是异常案例。新的CBR混合推理实现与通常的基本方法（常规CBR）和使用动态权重的更准确的CBR方法在案例检索中进行了评估。由于案例库包含了各种各样的案例，因此可以评估情况预测的准确性。结果如表2所示。初始使用简单的分类进行异常检测，这似乎提供了清晰度和透明度。这包括一个两类预测问题，其中结果被标记为正面或负面（正常或异常）。如果预测是异常并且情况是异常，则称为真阳性（TP）；然而，如果实际情况是正常，则被称为假阳性（FP）。相反，当预测和实际情况都是正常时，就是真阴性（TN），当预测为正常而实际情况是异常时，则是假阴性（FN）。置信度值的阈值被调整以在检测率和虚警率之间取得权衡。从列联表中还可以得出其他几个度量标准，如真阳性率（召回率）、假阳性率（误报率）、真阴性率（特异性）、阳性预测值（精确度）。虽然这些指标可能使评估更加透明，但是准确性等指标可能不适合用于异常检测。CBR的一个问题是，如果大多数案例都是正常的，那么将每种情况预测为正常可能会产生非常高的准确性。因此，可能会使用更合适（也更透明）的指标，例如在信号检测理论中使用的接收者操作特性（ROC）[17]。0表2. 不同CBR方法的结果0真0积极的0假0积极的0真0负面的0假0负面的0准确性0常规CBR0改进的带有模糊动态权重的CBR0提出的带有模糊动态权重和模糊规则调整的CBR  0.9  68  26  166  289.31%05. 结论0 0273  Bingchuan Yuan and John Herbert / AASRI Procedia  4（2013）  268-2740可能会变得过于复杂和难以理解，无论是对受试者还是护理人员。透明度和清晰度因此是必须解决的重要问题。对于系统来说，这些问题尤为重要，因为系统旨在为（可能是脆弱的）个体在可能的关键情况下提供智能辅助。混合推理架构结合了基于规则和基于案例的推理，这使得CARA更加强大，并可以通过持续重新训练新案例来适应不断变化的环境。每种推理方法都存在透明度的重要问题。对于基于规则的部分，重要目标是智能家居分析中使用的规则应足够透明，以支持受试者或护理人员检查和可能修改这些规则。结构化自然语言的使用和模糊逻辑的结合旨在满足这一目标。在解释基于案例推理的结果时，透明度和清晰度也很重要，这个问题导致对测试结果进行更加批判性的分析，并表明需要使用适当的度量标准。0致谢0    这项工作得到爱尔兰科学基金会通过研究前沿计划的支持。0参考文献0[1] Zhang, D. 个性化医疗保健的上下文感知基础设施. 个性化健康国际研讨会, IOS Press, 2004; 154-163.  [2]Varshney, U. 普适医疗保健. Computer 2003; 36:138-140.  [3] Bouchard, B. Giroux, S.用于认知障碍患者计划识别的智能家居代理, Journal of Computers, 2006; 1,5: 53-62.  [4] Mileo, A.家庭医疗保健的上下文感知监控支持, Journal of Ambient Intelligence and Smart Environments 2010:4966.  [5] Ma, T. 基于CBR的智能家居上下文感知实现, Wireless And Mobile Computing, Networking AndCommunications, IEEE International Conference 2005; 112-115.  [6] Schmidt, R. Gierl, L.用于医疗知识系统的基于案例的推理, International Journal of Medical Informatics 2001; 64: 355-367.  [7]Zephyr Technology, BioHarness BT, http://www.zephyr-technology.com/products/bioharness   [8]Lum, W.Y. 适应内容的上下文感知决策引擎, PERVASIVE Computing 2002: 41-49.  [9] Ranganathan, A. 和Campbell, R. H. 基于一阶逻辑的上下文感知基础设施, Personal Ubiquitous Computing, 2003; vol.7, 6:353-364.  [10] Wallace, M. 和 Stamou, G. 用于多媒体文档消费的上下文感知的用户兴趣挖掘, in Proc.IEEEMultimedia and Expo 2002; 1,733-736.  [11] Yin, W.J. 和 Liu, M.用于车间调度问题的基于案例记忆的遗传学习方法, in Proc. of the first Int. Conf. Machine learning andCybermetics, Beijing 2002; 1683-1687.  [12] Grosser, D. Sahraoui, H. A. 和 Valtchev. P.用于预测Java类设计稳定性的基于类比的方法, in Proc. of 9th Int. Software Metrics Symposium, SydneyAustralia 2003; 252-262.  [13]. Bergmann, R. Wilke, W. 用于案例推理的转型适应新形式模型的探索, in: L.Gierl, M. Lenz (Eds.),Proceedings of 6th German Workshop on CBR 1998; 43-52.  [14] Yuan, B. Herbert,J. 用于普适医疗保健的基于Web的实时远程监测, Pervasive Computing and Communications Workshops(PERCOM Workshops), IEEE International Conference on, 2011; 625-629 0274     Bingchuan Yuan and John Herbert /  AASRI Procedia  4 ( 2013 )  268 – 2740[15] Yuan, B. Herbert, J. Fuzzy CARA - A Fuzzy-Based Context Reasoning System For PervasiveHealthcare, Procedia Computer Science, 2012; 10: 357-365  [16] jCOLIBRI: CBR Framework, http://sourceforge.net/projects/jcolibri-cbr 2013  [17] Swets, John A.: Signal detection theory and ROCanalysis in psychology and diagnostics, Lawrence Erlbaum Associates, Mahwah, NJ 1996