Hệ tư vấn mờ trực cảm và ứng dụng trong chẩn đoán bệnh

ĐẠI HỌC QUỐC GIA HÀ NỘI
TRƯỜNG ĐẠI HỌC CÔNG NGHỆ

NGUYỄN THỌ THÔNG

HỆ TƯ VẤN MỜ TRỰC CẢM
VÀ ỨNG DỤNG TRONG CHẨN ĐOÁN BỆNH

LUẬN VĂN THẠC SĨ CÔNG NGHỆ THÔNG TIN

Hà Nội – 2014


ĐẠI HỌC QUỐC GIA HÀ NỘI
TRƯỜNG ĐẠI HỌC CÔNG NGHỆ

NGUYỄN THỌ THÔNG

HỆ TƯ VẤN MỜ TRỰC CẢM
VÀ ỨNG DỤNG TRONG CHẨN ĐOÁN BỆNH

Ngành: Công nghệ thông tin
Chuyên ngành: Hệ thống thông tin
Mã số: 60480104

LUẬN VĂN THẠC SĨ CÔNG NGHỆ THÔNG TIN

NGƯỜI HƯỚNG DẪN KHOA HỌC: TS. LÊ HOÀNG SƠN
PGS.TS. NGUYỄN ĐÌNH HÓA

Hà Nội – 2014

Mục lục
MỞ ĐẦU ....................................................................... Error! Bookmark not defined.
CHƢƠNG 1. TỔNG QUAN VỀ TẬP MỜ TRỰC CẢM, HỆ TƢ VẤN VÀ BÀI
TOÁN CHẨN ĐOÁN BỆNH .........................................................................................6
I. Bài toán chẩn đoán bệnh .......................................................................................6
1.
Giới thiệu ........................................................................................................6
2.
Bài toán chẩn đoán bệnh .................................................................................6
3.
Ví dụ bài toán chẩn đoán bệnh .......................................................................6
II.
Tổng quan về tập mờ trực cảm ..........................................................................8
1.
Tập rõ ..............................................................................................................8
2.
Tập mờ ............................................................................................................8
3.
Tập mờ trực cảm ...........................................................................................10
III. Hệ tƣ vấn .......................................................... Error! Bookmark not defined.
1.
Giới thiệu ...................................................... Error! Bookmark not defined.
2.
Định nghĩa hệ tƣ vấn..................................... Error! Bookmark not defined.
3.
Một số thuật toán trong RS ........................... Error! Bookmark not defined.
4.
Một số nghiên cứu liên quan ........................ Error! Bookmark not defined.

IV. Kết luận ............................................................ Error! Bookmark not defined.
CHƢƠNG 2. HỆ TƢ VẤN MỜ TRỰC CẢM .............. Error! Bookmark not defined.
I. Giới thiệu ............................................................. Error! Bookmark not defined.
II.
Hệ tƣ vấn mờ trực cảm..................................... Error! Bookmark not defined.
1.
Hệ tƣ vấn mờ trực cảm đơn tiêu chí và đa tiêu chí ..... Error! Bookmark not
defined.
2.
Ma trận mờ trực cảm và ma trận hợp thành mờ trực cảm . Error! Bookmark
not defined.
3.
Ma trận tƣơng đồng mờ trực cảm và độ đo tƣơng tự mờ trực cảm ...... Error!
Bookmark not defined.
4.
Thuật toán lọc cộng tác mờ trực cảm ........... Error! Bookmark not defined.
5.
Kết luận ......................................................... Error! Bookmark not defined.
CHƢƠNG 3. KẾT QUẢ THỰC NGHIỆM VÀ SO SÁNHError! Bookmark not
defined.
I. Giới thiệu ............................................................. Error! Bookmark not defined.
1.
Môi trƣờng thực nghiệm ............................... Error! Bookmark not defined.
2.
Dữ liệu .......................................................... Error! Bookmark not defined.
II.
Kết quả thực nghiệm và so sánh ...................... Error! Bookmark not defined.
1.
Minh họa IFCF ............................................. Error! Bookmark not defined.
2.

Đánh giá ........................................................ Error! Bookmark not defined.
KẾT LUẬN ................................................................... Error! Bookmark not defined.
3


TÀI LIỆU THAM KHẢO .............................................................................................11

4


Danh mục các bảng
Bảng 1. Quan hệ giữa bệnh nhân và triệu chứng ( RPS ) ............................................................. 7
Bảng 2. Quan hệ giữa triệu chứng và bệnh ( RSD ) ...................................................................... 7
Bảng 3. Quan hệ giữa bệnh nhân và bệnh ( RPD ) ....................................................................... 7
Bảng 4. Bệnh của bệnh nhân ...................................................................................................... 7
Bảng 5. Quan hệ giữa bệnh nhân và bệnh ( RPD ) trong phƣơng pháp của De, Biswas và Roy
.................................................................................................. Error! Bookmark not defined.
Bảng 6. Ma trận S PD ................................................................ Error! Bookmark not defined.
Bảng 7. Ma trận WPD ................................................................ Error! Bookmark not defined.
Bảng 8. Ma trận giảm thiểu ...................................................... Error! Bookmark not defined.
Bảng 9. Quan hệ giữa bệnh nhân và bệnh khi sử dụng hàm Hamming .. Error! Bookmark not
defined.
Bảng 10. Quan hệ giữa bệnh nhân và bệnh khi sử dụng hàm Euclidean Error! Bookmark not
defined.
Bảng 11. Tập dữ liệu huấn luyện với các giá trị * cần đƣợc dự báo ....... Error! Bookmark not
defined.
Bảng 12. Tập dữ liệu huấn luyện thô với các giá trị * cần đƣợc dự báo . Error! Bookmark not
defined.
Bảng 13. Tập dữ liệu đầy đủ đƣợc xác định bởi phƣơng pháp của Hassan và Syed, các giá trị
in đậm thể hiện bệnh của bệnh nhân......................................... Error! Bookmark not defined.

Bảng 14. Tập dữ liệu đầy đủ đƣợc xác định bởi phƣơng pháp của Davis và cộng sự [9], các
giá trị in đậm thể hiện bệnh có thể mắc phải nhất .................... Error! Bookmark not defined.
Bảng 15. MC-IFRS cho chẩn đoán bệnh với các giá trị * cần đƣợc dự báo . Error! Bookmark
not defined.
Bảng 16. Miêu tả về tập dữ liệu thực nghiệm........................... Error! Bookmark not defined.
Bảng 17. Tập dữ liệu huấn luyện với các giá trị * cần đƣợc dự báo ....... Error! Bookmark not
defined.
Bảng 18. Tập dữ liệu SC-IFRS đƣợc trích xuất với các giá trị * cần đƣợc dự báo ...........Error!
Bookmark not defined.
Bảng 19. Bệnh đƣợc khuyến nghị, bệnh với khả năng mắc cao nhất đƣợc in đậm ...........Error!
Bookmark not defined.

5


Bảng 20. Kết quả của thực nghiệm ngẫu nhiên trên bộ dữ liệu HEART Error! Bookmark not
defined.
Bảng 21. Kết quả của thực nghiệm k-fold trên bộ dữ liệu HEART ........ Error! Bookmark not
defined.
Bảng 22. Kết quả của thực nghiệm ngẫu nhiên trên bộ dữ liệu RHC ..... Error! Bookmark not
defined.
Bảng 23. Kết quả của thực nghiệm k-fold trên bộ dữ liệu RHC ............. Error! Bookmark not
defined.

6


Danh mục các hình vẽ, đồ thị
Hình 1. Tập rõ và biểu diễn tập rõ ...................................................................................8
Hình 2. Ví dụ tập mờ .......................................................................................................9

Hình 3. Thuật toán IFCF................................................ Error! Bookmark not defined.
Hình 4. Phân bố 2 chiều của HEART............................ Error! Bookmark not defined.
Hình 5. Phân bố 2 chiều của RHC ................................. Error! Bookmark not defined.
Hình 6. Kết quả MAE của thực nghiệm ngẫu nhiên trên bộ dữ liệu HEART....... Error!
Bookmark not defined.
Hình 7. Kết quả MAE của thực nghiệm k-fold trên bộ dữ liệu HEART .............. Error!
Bookmark not defined.
Hình 8. Kết quả MAE của thực nghiệm ngẫu nhiên trên bộ dữ liệu RHC ............ Error!
Bookmark not defined.
Hình 9. Kết quả MAE của thực nghiệm k-fold trên bộ dữ liệu RHC. Error! Bookmark
not defined.

7


CHƯƠNG 1. TỔNG QUAN VỀ TẬP MỜ TRỰC CẢM, HỆ TƯ
VẤN VÀ BÀI TOÁN CHẨN ĐOÁN BỆNH
I.

Bài toán chẩn đoán bệnh

1.

Giới thiệu
Bài toán chẩn đoán bệnh là bài toán rất phổ biến trong y học. Nó là một khâu

rất quan trọng trong quy trình điều trị của bệnh nhân. Bernegger và cộng sự [5] cho
rằng chẩn đoán là khâu trung tâm trong y học lâm sàng và việc chẩn đoán chính xác là
một yêu cầu quan trọng trong các quyết định điều trị đúng. Chẩn đoán bệnh là dự báo
khả năng mắc bệnh cho bệnh nhân dựa vào những thông tin triệu chứng mà bệnh nhân

gặp phải. Với mức độ quan trọng của chẩn đoán trong điều trị bệnh nhân nên vấn đề
nâng cao chất lƣợng chẩn đoán là vấn đề đang đƣợc quan tâm hàng đầu.

2.

Bài toán chẩn đoán bệnh

Định nghĩa 1 [46]: Cho P  P1 ,.., Pn  là tập bệnh nhân, S  S1 ,.., Sm  là tập triệu
chứng, D  D1 ,.., Dk  là tập bệnh. Mối quan hệ giữa bệnh nhân và triệu chứng đƣợc
thể hiện bởi tập RPS  R PS Pi , S j  | i  1, n; j  1, m. Ở đây R PS Pi , S j  thể hiện cấp độ
bệnh nhân Pi có triệu chứng S j và đƣợc biểu diễn bằng giá trị số hay giá trị mờ, mờ
trực cảm. Tƣơng tự, quan hệ giữa triệu chứng và bệnh nhân đƣợc thể hiện bởi tập





RSD  R SD Si , D j  | i  1, m; j  1, k . Ở đây R SD Si , D j  phản ánh khả năng triệu chứng

S i sẽ dẫn đến bệnh D j . Bài toán chẩn đoán bệnh nhằm xác định mối quan hệ giữa

bệnh nhân và bệnh đƣợc thể hiện bởi tập RPD  R PD Pi , D j  | i  1, n; j  1, k . Ở đây
R PD Pi , D j  nhận giá trị 0 hoặc 1 tƣơng ứng với bệnh nhân Pi có bị bệnh D j hay

không. Bài toán chẩn đoán bệnh có thể thể hiện ngắn gọn bởi ánh xạ: RPS , RSD   RPD

3.

Ví dụ bài toán chẩn đoán bệnh
Ví dụ 1: Xem xét tập dữ liệu của Samuel và Balamurugan [35] bao gồm bốn

bệnh nhân P = {Ram, Mari, Sugu, Somu}, năm triệu chứng S = {Temperature,
Headache, Stomach-pain, Cough, Chest-pain} và năm bệnh D = {Viral-Fever, Malaria,
Typhoid, Stomach, Heart}. Quan hệ giữa bệnh nhân – triệu chứng và triệu chứng –
bệnh đƣợc cho trong Bảng 1 và 2.
8


P

Temperature

Headache

Stomach_pain

Cough

Chest_pain

Ram

(0.8, 0.1)

(0.6, 0.1)

(0.2, 0.8)

(0.6, 0.1)

(0.1, 0.6)

Mari

(0, 0.8)

(0.4, 0.4)

(0.6, 0.1)

(0.1, 0.7)

(0.1, 0.8)

Sugu

(0.8, 0.1)

(0.8, 0.1)

(0, 0.6)

(0.2, 0.7)

(0, 0.5)

Somu

(0.6, 0.1)

(0.5, 0.4)

(0.3, 0.4)

(0.7, 0.2)

(0.3, 0.4)

Bảng 1. Quan hệ giữa bệnh nhân và triệu chứng ( RPS )
S

Viral-Fever

Malaria

Typhoid

Stomach

Heart

Temperature

(0.4, 0)

(0.7, 0)

(0.3, 0.3)

(0.1, 0.7)

(0.1, 0.8)

Headache

(0.3, 0.5)

(0.2, 0.6)

(0.6, 0.1)

(0.2, 0.4)

(0, 0.8)

Stomach_pain

(0.1, 0.7)

(0, 0.9)

(0.2, 0.7)

(0.8, 0)

(0.2, 0.8)

Cough

(0.4, 0.3)

(0.7, 0)

(0.2, 0.6)

(0.2, 0.7)

(0.2, 0.8)

Chest_pain

(0.1, 0.7)

(0.1, 0.8)

(0.1, 0.9)

(0.2, 0.7)

(0.8, 0.1)

Bảng 2. Quan hệ giữa triệu chứng và bệnh ( RSD )
Quan hệ giữa bệnh nhân và bệnh đƣợc cho bởi các giá trị mờ trực cảm (IFV)
đƣợc thể hiện trong Bảng 3
P

Viral_Fever

Malaria

Typhoid

Stomach

Heart

Ram

(0.4, 0.1)

(0.7, 0.1)

(0.6, 0.1)

(0.2, 0.4)

(0.2, 0.6)

Mari

(0.3, 0.5)

(0.2, 0.6)

(0.4, 0.4)

(0.6, 0.1)

(0.1, 0.7)

Sugu

(0.4, 0.1)

(0.7, 0.1)

(0.6, 0.1)

(0.2, 0.4)

(0.2, 0.5)

Somu

(0.4, 0.1)

(0.7, 0.1)

(0.5, 0.3)

(0.3, 0.4)

(0.3, 0.4)

Bảng 3. Quan hệ giữa bệnh nhân và bệnh ( RPD )
Bệnh mà bệnh nhân có khả năng mắc phải nhất đƣợc cho trong Bảng 4. Nó
đƣợc xác định từ Bảng 3 bằng việc sử dụng một phƣơng pháp giải mờ đơn giản, đó là
cực đại độ thuộc của các bệnh.
P

Viral_Fever

Malaria

Typhoid

Stomach

Heart

Ram

0

1

0

0

0

Mari

0

0

0

1

0

Sugu

0

1

0

0

0

Somu

0

1

0

0

0

Bảng 4. Bệnh của bệnh nhân
9

II.

Tổng quan về tập mờ trực cảm

1.

Tập rõ

Định nghĩa 2 [6]: Cho tập nền X và x là phần tử của tập X . Một tập C trên tập X
là một tập hợp rõ, với x là phần tử của tập hợp C , chỉ có thể có x  C hoặc x  C . Có
thể sử dụng hàm  x  để mô tả khái niệm thuộc về. Hàm  x  đƣợc gọi là hàm thuộc
hay hàm đặc trƣng của tập hợp C .
1

 x   

0

if x  C
if x  C

(1)

Ví dụ 2: X  X 1 , X 2 , X 3 , X 4 

 ( x1 )  1;  ( x2 )  1;  ( x3 )  1;  ( x4 )  0

Biểu diễn tập rõ theo đồ thị

Hình 1. Tập rõ và biểu diễn tập rõ

2.

Tập mờ
Lý thuyết mờ đƣợc biết đến lần đầu tiên trong nghiên cứu về tập mờ của Lotfi

A. Zadeh, Dieter Klaua (1965) và nhanh chóng đƣợc ứng dụng rộng rãi trong hầu hết
các lĩnh vực khoa học kỹ thuật nhƣ kinh tế, nông nghiệp, dịch vụ, y tế, v.v.
Trong thực tế khi định nghĩa một tập các số lớn hơn 100 và ký hiệu là A , ta
định nghĩa nhƣ sau
A  x | x  100

Khi đó rất dễ xác định đƣợc các phần tử chắc chắn thuộc và không thuộc khái
niệm A . Tuy nhiên, nếu đƣa ra khái niệm về tập nhà giàu (với những ngƣời có thu
nhập hơn hay bằng 10 triệu một tháng) và ký hiệu là B
B  tn | tn  10000000

Khi đó ta bảo một ngƣời có thu nhập là 10 triệu/tháng là thuộc nhà giàu, tuy
nhiên bằng trực giác bình thƣờng nó sẽ không hợp lý nếu gọi ngƣời có thu nhập
9999999/tháng không phải là nhà giàu.
Vì vậy, khái niệm tập mờ xuất hiện để giải quyết các tập không có ranh giới rõ
ràng hay những dữ liệu không chắc chắn.
10


2.1.

Định nghĩa tập mờ

Xét tập X khác rỗng. Ta sẽ gọi X là không gian nền.
Định nghĩa 3 [54]: A là tập mờ trên không gian nền X nếu A đƣợc xác định bởi
hàm
 A : X  0,1

(2)

 A là hàm thuộc (membership function) còn  A x  là độ thuộc của x vào tập mờ A

Ví dụ 3:

Hình 2. Ví dụ tập mờ
Ví dụ 4: A1  một vài quả cam
Ví dụ 5: A2  “số thực gần 10” có hàm thuộc  A x  

1
2
1  x  10

Ta sẽ ký hiệu F x   A tập mờ trên X 
2.2.

Các phép toán đại số trên tập mờ
Các phép toán trên tập mờ đƣợc định nghĩa thông qua các hàm thuộc của chúng

và đƣợc xây dựng tƣơng tự nhƣ các phép toán trong tập mờ kinh điển.
a) Phép hợp
Cho A, B là hai tập mờ trên khôn gian nền X , có hàm thuộc  A ,  B khi đó phép
hợp A  B là tập mờ trên X với hàm thuộc cho bởi

 AB x   max A x,  B x, x  X

(3)

b) Phép giao
Cho A, B là hai tập mờ trên khôn gian nền X , có hàm thuộc  A ,  B khi đó phép
hợp A B là tập mờ trên X với hàm thuộc cho bởi
 AB x  min A x, B x, x  X

(4)

c) Phép lấy phần bù
Cho A là một tập mờ trên khôn gian nền X , có hàm thuộc  A ,  B khi đó phần
bù AC là tập mờ trên X với hàm thuộc cho bởi
11


 A x   1   A x , x  X
C

(5)

d) Phép chứa và phép bằng nhau
Cho A, B  F x  . Ta nói
A  B nếu  A x    B x  với mọi x  X

(6)

A  B nếu  A x    B x  với mọi x  X

Do đó
A  B nếu  A x    B x  với mọi x  X

2.3.

(7)

Một số tính chất
Cho A, B, C  F x  .

a) Giao hoán
A  B  B  A; A  B  B  A

(8)

A  B  C    A  B  C ; A  B  C    A  B  C

(9)

b) Kết hợp

c) Lũy đẳng
A  A  A; A  A  A

(10)

A  B  C    A  B   A  C  ; A  B  C    A  B   A  C 

(11)

d) Phân phối

e) Đồng nhất
A  Ø  A và A  X  A

(12)

A   A  B   A và A   A  B  A

(13)

f) Hấp thu

g) Luật De Morgan

 A  BC

 AC  B C và  A  B   AC  B C
C

(14)

h) Cuộn

A 

C C

(15)

A

i) Dạng tương đương

A

C

3.

 

 



 B  A  B C  AC  B C   A  B 

(16)

Tập mờ trực cảm
Lý thuyết tập mờ thông thƣờng (tập mờ loại một) gặp phải vấn đề đó là để phát

triển một hệ logic mờ phải xây dựng hàm thuộc cho các tập mờ sử dụng trong hệ, hay
12


TÀI LIỆU THAM KHẢO
[1] Agarwal, M., Hanmandlu, M., Biswas, K. K. (2011). Generalized intuitionistic
fuzzy soft set and its application in practical medical diagnosis problem.

Proceeding of IEEE International Conference on Fuzzy Systems (FUZZ 2011),
2972-2978.
[2] Ahn, J. Y., Han, K. S., Oh, S. Y., Lee, C. D. (2011). An application of intervalvalued intuitionistic fuzzy sets for medical diagnosis of headache. International
Journal of Innovative Computing, Information and Control, 7(5), 2755 – 2762.
[3] Albeanu, G., Popentiu-Vladicescu, F.L. (2010). Intuitionistic fuzzy methods in
software reliability modelling. Journal of Sustainable Energy, 1(1), 30 - 34.
[4] Atanassov, K. T. (1986). Intuitionistic fuzzy sets. Fuzzy sets and Systems, 20(1),
87-96.
[5] Bernegger, G., Musalek, M., Rehmann-Sutter, C. (2012). An alternative view on
the task of prognosis. Critical reviews in oncology/hematology, 84, S17-S24.
[6] Cantor, Georg (1874), “Ueber eine Eigenschaft des Inbegriffes aller reellen
algebraischen Zahlen”, Journal für die reine und angewandte Mathematik 77:
258–262
[7] Connors, A.F., et al. (1996). The effectiveness of right heart catheterization in the
initial care of critically III patients. Jama, 276(11), 889-897.
[8] Cuong, B. C., Son, L. H., Chau, H. T. M. (2010). Some context fuzzy clustering
methods for classification problems. Proceedings of the 2010 ACM Symposium
on Information and Communication Technology (pp. 34-40).
[9] Davis, D. A., Chawla, N. V., Blumm, N., Christakis, N., Barabási, A. L. (2008).
Predicting individual disease risk based on medical history. Proceedings of the
17th ACM conference on Information and knowledge management, 769-778.
[10] De, S. K., Biswas, R., Roy, A. R. (2001). An application of intuitionistic fuzzy
sets in medical diagnosis. Fuzzy Sets and Systems, 117(2), 209-213.
[11] Duan, L., Street, W. N., Xu, E. (2011). Healthcare information systems: data
mining methods in the creation of a clinical recommender system. Enterprise
Information Systems, 5(2), 169-181.
[12] Feng, F., Li, C., Davvaz, B., Ali, M. I. (2010). Soft sets combined with fuzzy sets
and rough sets: a tentative approach. Soft Computing, 14(9), 899-911.
13

[13] Feng, F., Liu, X., Leoreanu-Fotea, V., Jun, Y. B. (2011). Soft sets and soft rough
sets. Information Sciences, 181(6), 1125-1137.
[14] Hassan, S., Syed, Z. (2010). From netflix to heart attacks: collaborative filtering
in medical datasets. Proceedings of the 1st ACM International Health Informatics
Symposium, 128-134.
[15] Hosseini, R., Ellis, T., Mazinani, M., Dehmeshki, J. (2011). A genetic fuzzy
approach for rule extraction for rule-based classification with application to
medical diagnosis. Proceeding of European Conference on Machine Learning
and Principles and Practice of Knowledge Discovery in Databases (ECML
PKDD), 5-9.
[16] Hung, W. L., Yang, M. S. (2008). On similarity measures between intuitionistic
fuzzy sets. International Journal of Intelligent Systems, 23(3), 364-383.
[17] Irfan Ali, M. (2011). A note on soft sets, rough soft sets and fuzzy soft sets.
Applied Soft Computing, 11(4), 3329-3332.
[18] Jafarian, E., Rezvani, M. A. (2013). A valuation-based method for ranking the
intuitionistic fuzzy numbers. Journal of Intelligent and Fuzzy Systems, 24(1),
133-144.
[19] Kala, R., Janghel, R. R., Tiwari, R., Shukla, A. (2011). Diagnosis of breast cancer
by modular evolutionary neural networks. International Journal of Biomedical
Engineering and Technology, 7(2), 194-211.
[20] Khatibi, V., Montazer, G. A. (2009). Intuitionistic fuzzy set vs. fuzzy set
application in medical pattern recognition. Artificial Intelligence in Medicine,
47(1), 43-52.
[21] Kononenko, I. (2001). Machine learning for medical diagnosis: history, state of
the art and perspective. Artificial Intelligence in medicine, 23(1), 89-109.
[22] Littlestone, N., & Warmuth, M. K. (1994). The weighted majority
algorithm.Information and computation, 108(2), 212-261.
[23] Meenakshi, A. R., Kaliraja, M. (2011). An application of interval valued fuzzy
matrices in medical diagnosis. Int. J. Math. Anal, 5(36), 1791-1802.

[24] Meisamshabanpoor, Mahdavi, M. (2012). Implementation of a Recommender
System on Medical Recognition and Treatment. International Journal of eEducation, e-Business, e-Management and e-Learning, 2(4), 315 – 318.
14


[25] Meng, D., Zhang, X., Qin, K. (2011). Soft rough fuzzy sets and soft fuzzy rough
sets. Computers & Mathematics with Applications, 62(12), 4635-4645.
[26] Moein, S., Monadjemi, S. A., Moallem, P. (2009). A Novel Fuzzy-Neural Based
Medical Diagnosis System. International Journal of Biological and Medical
Sciences, 4(3), 146 – 150.
[27] Neog, T. J., Sut, D. K. (2011). An Application of Fuzzy Soft Sets in Medical
Diagnosis using Fuzzy Soft Complement. International Journal of Computer
Applications, 33, 30 – 33.
[28] Own, C. M. (2009). Switching between type-2 fuzzy sets and intuitionistic fuzzy
sets: an application in medical diagnosis. Applied Intelligence, 31(3), 283-291.
[29] Parthiban, L., Subramanian, R. (2008). Intelligent heart disease prediction system
using CANFIS and genetic algorithm. International Journal of Biological,
Biomedical and Medical Sciences, 3(3), 157 - 160.
[30] Pawlak, Z. (2002). Rough sets and intelligent data analysis. Information
sciences, 147(1), 1-12.
[31] Ricci, F., Rokach, L., Shapira, B. (2011). Introduction to recommender systems
handbook (pp. 1-35). Springer US.
[32] Rocchio, J. J. (1971). Relevance feedback in information retrieval.
[33] Rodriguez, R. M., Martinez, L., Herrera, F. (2012). Hesitant fuzzy linguistic term
sets for decision making. IEEE Transactions on Fuzzy Systems, 20(1), 109-119.
[34] Salton, G. (1989). Automatic text processing: The transformation, analysis, and
retrieval of. Reading: Addison-Wesley.
[35] Samuel, A. E., Balamurugan, M. (2012). Fuzzy max-min composition technique
in medical diagnosis. Applied Mathematical Sciences, 6(35), 1741-1746.
[36] Sanchez, E. (1976). Resolution of composition fuzzy relation equations.

Information Control, 30, 38-48.
[37] Shinoj, T. K., John, S. J. (2012). Intuitionistic Fuzzy Multi sets and its
Application in Medical Diagnosis. World Academy of Science, Engineering and
Technology, 6, 1418-1421.
[38] Son, L.H. (2014a). Enhancing Clustering Quality of Geo-Demographic Analysis
Using Context Fuzzy Clustering Type-2 and Particle Swarm Optimization.
Applied Soft Computing, 22, 566 – 584.
15


[39] Son, L.H. (2014b). HU-FCF: A Hybrid User-Based Fuzzy Collaborative Filtering
Method in Recommender Systems. Expert Systems With Applications, 41(15),
6861 – 6870.
[40] Son, L.H. (2014c). Optimizing Municipal Solid Waste Collection Using Chaotic
Particle Swarm Optimization in GIS Based Environments: A Case Study at
Danang City, Vietnam. Expert Systems With Applications, 41 (18), 8062–8074.
[41] Son, L.H. (2015). DPFCM: A Novel Distributed Picture Fuzzy Clustering Method
on Picture Fuzzy Sets. Expert Systems With Applications, 42 (1), 51-66.
[42] Son, L.H., Cuong, B.C., Lanzi, P.L., Thong, N.T. (2012). A novel intuitionistic
fuzzy clustering method for geo-demographic analysis. Expert Systems with
Applications, 39(10), 9848-9859.
[43] Son, L.H., Cuong, B.C., Long, H.V. (2013). Spatial interaction–modification
model

and

applications

to

geo-demographic

analysis. Knowledge-Based

Systems, 49, 152-170.
[44] Son, L.H., Lanzi, P.L., Cuong, B.C., Hung, H.A. (2012). Data Mining in GIS: A
Novel Context-Based Fuzzy Geographically Weighted Clustering Algorithm.
International Journal of Machine Learning and Computing, 2(3), 235 – 238.
[45] Son, L.H., Linh, N.D., Long, H.V. (2014). A lossless DEM compression for fast
retrieval method using fuzzy clustering and MANFIS neural network.
Engineering Applications of Artificial Intelligence, 29, 33–42.
[46] Son, L. H., & Thong, N. T. (2015). Intuitionistic fuzzy recommender systems: An
effective tool for medical diagnosis. Knowledge-Based Systems, 74, 133-150.
[47] Szmidt, E., Kacprzyk, J. (2001). Intuitionistic fuzzy sets in some medical
applications.

Proceeding

of Computational

Intelligence.

Theory

and

Applications, 148-151.
[48] Szmidt, E., Kacprzyk, J. (2003). An intuitionistic fuzzy set based approach to
intelligent data analysis: an application to medical diagnosis. Proceeding
of Recent advances in intelligent paradigms and applications, 57-70.

[49] Szmidt, E., Kacprzyk, J. (2004). A similarity measure for intuitionistic fuzzy sets
and its application in supporting medical diagnostic reasoning. Proceeding of
Artificial Intelligence and Soft Computing (ICAISC 2004), 388-393.

16


[50] Tan, K. C., Yu, Q., Heng, C. M., Lee, T. H. (2003). Evolutionary computing for
knowledge discovery in medical diagnosis. Artificial Intelligence in Medicine,
27(2), 129-154.
[51] University of California (2007). UCI Repository of Machine Learning Databases.
URL: />[52] Xiao, Z., Yang, X., Niu, Q., Dong, Y., Gong, K., Xia, S., Pang, Y. (2012). A new
evaluation method based on D–S generalized fuzzy soft sets and its application in
medical diagnosis problem. Applied Mathematical Modelling, 36(10), 4592-4604.
[53] Yao, Y. (2010). Three-way decisions with probabilistic rough sets. Information
Sciences, 180(3), 341-353.
[54] Zadeh, L. A. (1965). Fuzzy sets. Information and Control, 8, 338-353.
[55] Zhang, X., Zhou, B., Li, P. (2012). A general frame for intuitionistic fuzzy rough
sets. Information Sciences, 216, 34-49.

17