Documentos de Académico
Documentos de Profesional
Documentos de Cultura
BIOMDICA.
Mtodos de ayuda al diagnstico
clnico.
Tema 5: Redes Neuronales
Emilio Soria, Antonio Jos Serrano y Jos David Martn Dpto Ingeniera Electrnica, ETSE
Sistemas de Ayuda a la Decisin Clnica, Curso 2009-2010
1
Dnde estamos
APRENDIZAJE
SUPERVISADO
NO EXISTE LA
FIGURA DE MAESTRO
AUTOORGANIZA LA
SEAL DE ENTRADA,
DESCUBRE
PROPIEDADES DE LOS
DATOS
APRENDIZAJE
APRENDIZAJE
CORRELACIONAL COMPETITIVO
REDES PCA
(ROBUST
PCA).
MEMORIAS
ASOCIATIVAS
ART
SOM
GTM.
KERNEL SOM
SE NECESITA UNA
SEAL DESEADA
APRENDE A
PRODUCIR SEALES
DESEADAS A PARTIR
DE LOS DATOS DE
ENTRADA.
APRENDIZAJE
APRENDIZAJE POR SIMILITUD
POR ERROR
MLP
RBF
ELMAN
JORDAN
FUZZY ART
FUZZY
ARTMAP
Existen muchos ms
modelos de los que
aparecen en la figura
aplicndose cada
uno de ellos segn
las caractersticas
del problema a
resolver. A modo de
ejemplo, en un
problema de
modelizacin con
una fuerte
componente local,
sera ms apropiado
el uso de las RBF
(Funciones de Base
Radial) que el
perceptron
multicapa.
Emilio Soria, Antonio Jos Serrano y Jos David Martn Dpto Ingeniera Electrnica, ETSE
Sistemas de Ayuda a la Decisin Clnica, Curso 2009-2010
7
Problemas de los
modelos lineales.
TEMPERATURA
35
ENFERMOS
ENFERMOS
ENFERMOS
ENFERMOS
SANOS
ENFERMOS
ENFERMOS
ENFERMOS
ENFERMOS
60
LATIDOS
Recopilamos datos y queremos sacar un modelo que, dadas las variables temperatura y
latidos nos proporcione como salida la probabilidad que el paciente est enfermo: USAMOS $
1
EL CLSICO: UNA REGRESIN LOGSTICA!!.....PERO..........
y=
%
A nivel geomtrico
la separacin
entre enfermos
y sanos es una LNEA
!
Temperatura
= A " Latidos
+B
RECTA!!..NO PODEMOS RESOLVER ESTE PROBLEMA CON LA R.L.
Emilio Soria, Antonio Jos Serrano y Jos David Martn Dpto Ingeniera Electrnica, ETSE
Sistemas de Ayuda a la Decisin Clnica, Curso 2009-2010
9
Problemas de los
modelos lineales (II).
35
ENFERMOS
ENFERMOS
ENFERMOS
ENFERMOS
SANOS
ENFERMOS
ENFERMOS
ENFERMOS
ENFERMOS
60
LATIDOS
[z1 z2 z3 z4 z5 ] = [T
L T " L T 2 L2 ]
( )
Fcil solucin.........vamos a
transformar las entradas !!!!
[z1 z2 z3 z4 z5 ] = [T L T " L T 2 L2 ]
PERO........QU TRANSFORMACIN
ESCOGEMOS PARA CADA UNA DE ELLAS?;
!
SABEMOS CON TOTAL CERTEZA ESA TRANSFORMACIN? SI LO SABEN HGANLA Y
NO SE PREOCUPEN DE LAS REDES
! NEURONALES.... SI NO LA SABEN EL PERCEPTRON
MULTICAPA PUEDE AYUDAR.
Emilio Soria, Antonio Jos Serrano y Jos David Martn Dpto Ingeniera Electrnica, ETSE
Sistemas de Ayuda a la Decisin Clnica, Curso 2009-2010
11
LOGSTICA!!!!!!
COMBINACIN DE
REGRESIONES!
Emilio Soria, Antonio Jos Serrano y Jos David Martn Dpto Ingeniera Electrnica, ETSE
Sistemas de Ayuda a la Decisin Clnica, Curso 2009-2010
12
Perceptron multicapa.
La capacidad de modelizacin y flexibilidad
del perceptron multicapa (MLP) es una gran
ventaja y un serio inconveniente
Podemos establecer el modelo
que buscamos entre dos
conjuntos de variables SI EXISTE.
Podemos obtener autnticas
burradas si no se maneja con
cuidado el proceso de obtencin
de los parmetros
El MLP es un modelo no lineal que obtiene sus
parmetros de mtodos clsicos iterativos de
optimizacin de funciones (mtodos de
gradiente, Newton, gradiente-conjugado, etc).
La eleccin de la arquitectura sigue un mtodo
de prueba y error aunque existen mtodos de
poda y crecimiento).
Emilio Soria, Antonio Jos Serrano y Jos David Martn Dpto Ingeniera Electrnica, ETSE
Sistemas de Ayuda a la Decisin Clnica, Curso 2009-2010
14
Regla Delta
Emilio Soria, Antonio Jos Serrano y Jos David Martn Dpto Ingeniera Electrnica, ETSE
Sistemas de Ayuda a la Decisin Clnica, Curso 2009-2010
17
!#$
'
R2
= 0.9216
&"#
R2
&
()*+,-.
=0.1766
"#$
%"#
"
!"#
%#$
$"#
b1=0.4934;
b0=0.969
!%#$
!!
b1=0.9294
b0=1.5335
!$"#
!!"#
!"#$
!"
!%#$
%
&
%#$
"
"#$
!!
!$"#
$"#
!"#
Emilio Soria, Antonio Jos Serrano y Jos David Martn Dpto Ingeniera Electrnica, ETSE
Sistemas de Ayuda a la Decisin Clnica, Curso 2009-2010
18
Emilio Soria, Antonio Jos Serrano y Jos David Martn Dpto Ingeniera Electrnica, ETSE
Sistemas de Ayuda a la Decisin Clnica, Curso 2009-2010
19
%$
"#
%&
"$
"&
!
!
)*(+
-.!
"'
/0,
%'
-1<s<1
Emilio Soria, Antonio Jos Serrano y Jos David Martn Dpto Ingeniera Electrnica, ETSE
Sistemas de Ayuda a la Decisin Clnica, Curso 2009-2010
20
Emilio Soria, Antonio Jos Serrano y Jos David Martn Dpto Ingeniera Electrnica, ETSE
Sistemas de Ayuda a la Decisin Clnica, Curso 2009-2010
21
Emilio Soria, Antonio Jos Serrano y Jos David Martn Dpto Ingeniera Electrnica, ETSE
Sistemas de Ayuda a la Decisin Clnica, Curso 2009-2010
22
Etapas del
algoritmo
Inicializacin aleatoria de los
coeficientes; se fijan las constantes de
adaptacin.
Neurona B
Neurona C
Emilio Soria, Antonio Jos Serrano y Jos David Martn Dpto Ingeniera Electrnica, ETSE
Sistemas de Ayuda a la Decisin Clnica, Curso 2009-2010
23
Emilio Soria, Antonio Jos Serrano y Jos David Martn Dpto Ingeniera Electrnica, ETSE
Sistemas de Ayuda a la Decisin Clnica, Curso 2009-2010
25
Emilio Soria, Antonio Jos Serrano y Jos David Martn Dpto Ingeniera Electrnica, ETSE
Sistemas de Ayuda a la Decisin Clnica, Curso 2009-2010
26
Validacin.
Error
Conjunto de
entrenamiento
Stop
poca
Emilio Soria, Antonio Jos Serrano y Jos David Martn Dpto Ingeniera Electrnica, ETSE
Sistemas de Ayuda a la Decisin Clnica, Curso 2009-2010
27
El teorema de Cybenko asegura que un percetrn multicapa (MLP) con dos capas
ocultas puede establecer una relacin entre dos conjuntos pero no especifica el
nmero de neuronas que debe tener cada capa.
Hay tres tipos de aproximaciones en este problema; una aproximacin
constructiva otra destructiva y, por ltimo el mtodo de prueba/error. La
primera consiste en partir de pocas neuronas y aadir stas si se comprueba que
el funcionamiento de la red ha mejorado. La segunda aproximacin parte de redes
de gran tamao y elimina, o bien pesos sinpticos,o bien neuronas; esta ltima
aproximacin tambin se conoce como mtodos de poda.
Dada la capacidad de los ordenadores el mtodo de prueba y error, a da de hoy,
puede ofrecer mejores resultados que las otras dos aproximaciones.
Entre las aproximaciones constructivas y las de
poda estn ms extendidas las de poda y, entre
ellas las que ms se suelen utilizar son aquellas
que suman un trmino a la funcin de coste que
penaliza los pesos de alto valor. Se hace tender
entonces los pesos a cero; eliminndose aquellos
que estn por debajo de un cierto umbral.
Emilio Soria, Antonio Jos Serrano y Jos David Martn Dpto Ingeniera Electrnica, ETSE
Sistemas de Ayuda a la Decisin Clnica, Curso 2009-2010
28
Algoritmo de momento
Aumenta la velocidad y reduce el
problema de convergencia en la zonas
planas.
Algoritmo Silva-Almeida
Se usa la regla delta pero la constante cambia con
el tiempo; 0<d<1, u>1. Mejora la velocidad de
convergencia; el conocer si se est lejos/cerca del
mnimo nos lo da los cambios de signo en dos
valores consecutivos el gradiente.
Algoritmo Delta-Bar-Delta.
Ahora se tiene lo mismo que en el algoritmo de
Silva-Almeida (0<d<1, u>1) pero, ahora, se compara
el gradiente actual y un promedio de los anteriores
El algoritmo
no
evoluciona.
Anlisis de
sensibilidad
errneo.
Zonas
Malas
Mala
Mala
planas de la elecciones
inicializacin inicializacin
funcin de
de las
de los pesos de los pesos
error
constantes
Mal
procesado
de las
entradas
Cada en
un
Efecto mnimo
local
Causa
Solucin.
Saturacin de
las neuronas
(derivada de la
funcin de
activacin
igual a cero)
Uso de
Inicializacin de Uso de otros Se cambian los
algoritmos de los pesos con
HAY QUE
algoritmos
parmetros o
bsqueda
una distribucin
distintos al BP bien se recurre REALIZAR UN
global;
normal de
PROCESADO
a
algoritmos
CUIDADOSO Y
realizacin de
media cero y (algoritmos de
de segundo
segundo
CORRECTO
mltiples
varianza de
orden.
orden)
pruebas
bajo valor.
Emilio Soria, Antonio Jos Serrano y Jos David Martn Dpto Ingeniera Electrnica, ETSE
Sistemas de Ayuda a la Decisin Clnica, Curso 2009-2010
30
Anlisis de sensibilidad.
Una vez obtenido un perceptrn multicapa, que
proporciona buenos resultados en los conjuntos de
entrenamiento y validacin puede proporcionar ms
informacin realizando un anlisis de sensibilidad
Mediante este anlisis se determina la importancia
relativa de las variables de entrada. Esta informacin se
puede utilizar en primer lugar para obtener informacin
cualitativa del problema que se intenta resolver y, en
segundo lugar, para eliminar posibles entradas de cara a
obtener un modelo neuronal ms sencillo.
Emilio Soria, Antonio Jos Serrano y Jos David Martn Dpto Ingeniera Electrnica, ETSE
Sistemas de Ayuda a la Decisin Clnica, Curso 2009-2010
32
Funciones de Base
Radial (RBF).
MLP
RBF
o0=1
Emilio Soria, Antonio Jos Serrano y Jos David Martn Dpto Ingeniera Electrnica, ETSE
Sistemas de Ayuda a la Decisin Clnica, Curso 2009-2010
33
Funcionamiento de la
RBF.
0- Se inicializan aleatoriamente
los parmetros de la RBF (c, 2
y w).
1- Se escoge un patrn de
entrada y se determina la salida
de la RBF.
Existen otros procedimientos para calcular los parmetros de la RBF y que se pueden
combinar con el comentado aqu. Por ejemplo, la capa intermedia determina un
clustering de los datos; podemos aplicar aqu el algoritmo HCM para determinar los
centros (o el algoritmo FCM). Adems la capa de salida es lineal respecto de los
parmetros w por lo que se pueden plantear mnimos cuadrados para estos parmetros.
Emilio Soria, Antonio Jos Serrano y Jos David Martn Dpto Ingeniera Electrnica, ETSE
Sistemas de Ayuda a la Decisin Clnica, Curso 2009-2010
35
MASTER DE INGENIERA
BIOMDICA.
Mtodos de ayuda al diagnstico
clnico.
Tema 5: Redes neuronales.
Emilio Soria, Antonio Jos Serrano y Jos David Martn Dpto Ingeniera Electrnica, ETSE
Sistemas de Ayuda a la Decisin Clnica, Curso 2009-2010
37