AGRUPAMENTO EVOLUTIVO APLICADO AO RECONHECIMENTO

DE PADR

OES EM DADOS M

EDICOS
Louren co Bueno

, Pyramo Costa

, Enderson Cruz

, Israel Mendes

, Daniel Leite

Programa de Pos-Graduac ao em Engenharia Eletrica, Pontifcia Universidade Catolica de Minas

Gerais, Brasil

Centro Federal de Educac ao Tecnologica de Minas Gerais, Belo Horizonte, Brasil

Centro Federal de Educac ao Tecnologica de Minas Gerais, Nepomuceno, Brasil

Programa de Pos-Graduac ao em Engenharia Eletrica, Universidade Federal de Minas Gerais, Brasil

Emails: lourenco.bueno@sga.pucminas.br, pyramo@pucminas.br, enderson.bh@gmail.com,
professorisraelt@gmail.com, danfl7@dca.fee.unicamp.br
Abstract Recognition of patterns of disease progression from data requires the use of advanced computa-
tional methods. These methods should be able to group similar data together and dissimilar data into dierent
clusters. Given the medical context, data are generally obtained under adverse conditions, such as uncertainties
and nonstationarities, which can be related to both the environment and the patient. A number of correlated
variables are involved; however, it is infeasible to monitor all of them. This paper evaluates and compares the
performance of well-known evolving methods for clustering data streams. The methods used in the evaluation
are: evolving Fuzzy Clustering (eClustering
+
); evolving Clustering Method (eCM); and evolving Granulation
Method (eGM). Computational experiments were performed using four benchmark datasets in the context of
medical diagnosis, namely, Heart Disease, Cancer, Breast Cancer and Parkinson Telemonitoring.
Keywords Evolving Clustering. Intelligent Systems; Pattern Recognition.
Resumo O reconhecimento de padr oes de progress ao de doencas a partir de dados requer a utilizacao de
metodos computacionais sosticados. Estes metodos devem ser capazes de separar os dados em grupos de
acordo com semelhancas observadas. Considerando o contexto medico em geral, os dados s ao adquiridos sob
circunstancias adversas como incertezas e nao-estacionariedades relativas tanto ao ambiente como ao paciente
propriamente dito. Muitas vari aveis correlacionadas podem estar envolvidas, mas o monitoramento de todas
elas e infactvel. Este artigo propoe avaliar e comparar o desempenho de tres conhecidos metodos evolutivos
de agrupamento de dados sequenciais (uxos de dados) no contexto de diagn ostico medico. Os metodos usados
na avaliacao sao os seguintes: evolving Fuzzy Clustering (eClustering
+
); evolving Clustering Method (eCM);
e evolving Granulation Method (eGM). Experimentos computacionais foram realizados considerando bases de
dados padr oes como Heart Disease, Cancer, Breast Cancer e Parkinson Telemonitoring.
Palavras-chave Agrupamento Evolutivo; Sistemas Inteligentes; Reconhecimento de Padroes.
1 Introducao
O reconhecimento incipiente de certos tipos de do-
encas atraves da analise de sintomas tpicos pode
salvar vidas. No contexto de diagnostico medico e
comum que um grande volume de dados seja co-
letado sob as mais diversas condicoes. Isso causa
diculdades de analise de dados a partir da intui-
cao e do uso de metodos estatsticos convencio-
nais. Sistemas inteligentes evolutivos apresentam
caractersticas interessantes para lidar com incer-
tezas e informacao incompleta inerente `a ambi-
entes nao-lineares e nao-estacionarios - como e o
caso de diagnostico medico. Dentre estas caracte-
rsticas esta a capacidade de adapta cao contnua
dos parametros e da estrutura de modelos sempre
que novas informacoes sao disponibilizadas. O co-
nhecimento atual a respeito de um fenomeno (o
modelo atual) pode ser revisto quando os dados
coletados sao diferentes daqueles vistos anterior-
mente. Modelos baseados em redes neurais ar-
ticiais, modelos baseados em regras fuzzy, e h-
bridos sao representa coes possveis no contexto de
sistemas inteligentes. Modelos evolutivos tem sido
aplicados com sucesso a uma variedade de situa-
coes [7] [3].
Uma vertente da pesquisa em sistemas inte-
ligentes evolutivos diz respeito `a separa cao incre-
mental de uxos de dados em grupos (modelos
locais), e `a associacao de rotulos de classes aos
diferentes grupos. Algoritmos para agrupamento
evolutivo monitoram uxos de dados e adaptam
os parametros de modelos locais quando conveni-
ente. Alem disso, quando os dados sao suciente-
mente discrepantes do esperado, novos neuronios
(em modelos neurais) ou novas regras (em mode-
los fuzzy) podem ser criados. A possibilidade de
modicar a estrutura de modelos para incluir no-
vas classes oferece exibilidade `a representacao de
sistemas variantes no tempo.
Ao agrupar por espalhamento (the scattering
approach for data clustering [10]) diferentemente
de grid, permite o desenvolvimento de mode-
los locais em modo online e em domnio aberto.
Prototipos de modelos locais sao geralmente de-
terminados por um vetor centro e uma matriz de
dispersao (representacao de grupos atraves de hi-
peresferas ou elipsoides), ou por vetores com va-
lores limites (representacao de grupos atraves de
hiper-retangulos). Uma medida de similaridade
determina a qual prototipo um novo vetor de da-
dos deve ser associado. Atraves de camadas de
processamento, a informacao contida nos dados e
comparada com o modelo atual e agregada para
prover um valor de sada, i.e., um rotulo de classe.
Os algoritmos de agrupamento evolutivo investi-
gados neste artigo usam a abordagem de agrupa-
mento por espalhamento.
A proposta deste estudo e classicar dados
medicos em classes a partir do uso de diferentes
e conhecidos modelos de agrupamento evolutivo.
Foram considerados os seguintes: evolving Fuzzy
Clustering (eClustering
+
) [3]; evolving Clustering
Method (eCM) [7]; e evolving Granulation Method
(eGM) [10]. Atualmente nao existe consenso so-
bre qual desses algoritmos e o mais eciente em
problemas de medio porte, como os problemas de
classicacao tratados aqui. Os problemas consi-
derados para avalia cao de desempenho dos dife-
rentes algoritmos sao problemas de classicacao
binaria (separa cao de duas classes apenas) cujos
dados estao disponveis no Repositorio de Dados
da Universidade da California em Irvine. Sao eles:
Heart Disease, Cancer, Breast Cancer e Parkinson
Telemonitoring.
O restante deste artigo esta organizado da se-
guinte maneira. A Secao II apresenta uma visao
geral sobre sistemas inteligentes evolutivos e reve
brevemente os tres metodos de agrupamento evo-
lutivo sob investiga cao. A Se cao III mostra resul-
tados comparativos para os problemas de classi-
ca cao de dados medicos. A Se cao IV contem as
conclusoes e sugere possveis trabalhos futuros.
2 Sistemas Inteligentes Evolutivos
Sistemas inteligentes evolutivos e um paradigma
recente no campo da inteligencia de maquina que
visa suprir a demanda por metodos de modelagem
de processos variantes no tempo usando dados se-
quenciais. Sistemas evolutivos neurais e fuzzy po-
dem ser inspirados no comportamento de redes
neurais biologicas e na evolu cao de indivduos du-
rante seu ciclo de vida: aprendendo a partir da ex-
periencia, heranca, mudanca gradual, e informa-
cao incompleta e incerta. Conhecimento e gerado
a partir de tarefas repetitivas e de uxos de dados
reais ou granulares produzidos atraves de percep-
coes e enviados ao cerebro. O desenvolvimento
de modelos evolutivos e gradual, i.e., regras fuzzy
e/ou neuronios nao sao xos nem pre-denidos,
mas gerados sempre que novos dados sao suci-
entemente informativos e nao sao comuns ao mo-
delo/entendimento atual. A principal diferen ca
entre modelos evolutivos e demais modelos de in-
teligencia computacional e que modelos evolutivos
podem ser construdos e adaptados ao longo do
tempo sem a necessidade de usufruir de dados de
instantes passados [6] [13].
Segundo [7], redes neurais e modelos de re-
gras fuzzy sao considerados evolutivos quando: (i)
ha aprendizado contnuo a partir de uxos de da-
dos; (ii) nao ha necessidade de armazenar amos-
tras vistas anteriormente ja que os calculos asso-
ciados sao sempre recursivos; e (iii) independem
das propriedades estatsticas de dados historicos.
Em geral, pouco (ou nada) se sabe sobre as regras
iniciais que governam a dinamica do processo; e
nao se tem informacao sobre os prototipos (gra-
nulos) iniciais. O processo e conhecido `a medida
que os dados sao disponibilizados. Um algoritmo
incremental processa os dados e e responsavel por
capturar as informa coes essenciais.
De uma maneira geral, pode-se pensar em mo-
delos evolutivos como estruturas de tres camadas.
A primeira camada contem modelos locais resul-
tantes do agrupamento de dados. A partir de uma
medida de similaridade, os dados sao associados a
um grupo existente ou formam um novo grupo.
A segunda camada consiste de funcoes localmente
validas associadas aos grupos. Funcoes locais sao
fundamentais em problemas de regressao e pre-
di cao. Nesses casos, um polinomio de ordem 1
ou superior pode ser considerado. Em problemas
de classica cao, a funcao local e um polinomio de
ordem 0. Em outras palavras, a funcao e sim-
plesmente um valor constante (o rotulo de uma
classe). A terceira camada consiste de um proce-
dimento ou mecanismo para fusao de informacao,
i.e., as contribuicoes locais sao agregadas para pro-
ver uma sada global.
2.1 Evolving Fuzzy Clustering - eClustering
+
O agrupamento incremental por espalhamento e
uma tecnica para identicacao automatica de es-
truturas de sistemas fuzzy [5] [4]. Metodos con-
vencionais de agrupamento nao toleram sobrepo-
si cao de grupos, o que impossibilita a formula cao
de antecedentes de regras fuzzy. A Fig. 1 mos-
tra a formacao de dois grupos sobrepostos. A
proje cao dos grupos nos eixos em questao podem
ser associadas `a funcoes de pertinencia de distri-
buicao normal parcialmente sobrepostas. O al-
Figura 1: Forma cao de dois grupos de dados so-
brepostos [1]
goritmo eClustering
+
descrito nessa secao tem o
proposito de agrupar uxos de dados - essencial-
mente da forma como ilustrado na Fig. 1. Os
grupos podem ser usados na constituicao de ter-
mos antecedentes de regras fuzzy.
Em seguida, enfatiza-se o metodo de agrupa-
mento incremental proposto em [1]. O metodo
e baseado em elipsoides e funcoes de pertinencia
Gaussianas. Particiona-se o espa co de entrada via
um estimador recursivo de parametros e uma me-
dida de densidade. A densidade da distribuicao
dos dados e calculada a partir de uma fun cao
montanha do tipo (ver [14]):
M(v) =
k

i=1
e
||v
i
z
i
||
2
2
2
i
(1)
onde v
i
e um elemento do vetor centro de um
grupo; z
i
e um elemento do vetor de dados de
um grupo; ||.||
2
e a norma 2;
i
e um fator de
dispersao; e k e um ndice de amostras.
A densidade D
t
das amostras de uma cole-
cao z
t
assemelha-se a distribui cao de probabili-
dade chamada de Parzen windows [12]. Isso pode
ser descrito pela fun cao de Cauchy [4]:
D
t
(z
t
) =
1
1 +
1
t1
t1

i=1
n+m

j=1
z
tj
z
ij

2
D
1
(z
1
) = 1; t = 2, 3, ...n (2)
D
t
(z
t
) e a densidade avaliada em torno da ultima
amostra do uxo de dados; n e a dimensao do ve-
tor de entrada; m e a dimensao do vetor de sada;
e t e um ndice de amostras.
Recursivamente, a densidade D
t
(z
t
) e calcu-
lada a partir da seguinte relacao:
D
t
(z
t
) =
t 1
(t 1)(
n+m

j=1
z
2
tj
+ 1) + b
t
2
n+m

j=1
z
tj
c
tj
D
1
(z
1
) = 1; t = 2, 3, ...n;
b
t
= b
t1
+
n+m

j=1
z
(t1)j
2;
b
1
= 0;
c
tj
= c
(t1)j
+ z
(t1)j
;
e c
1j
= 0; (3)
Conhecida como estimador recursivo de densidade
(RDE), a equa cao (3) e eciente para estimacao
online da densidade das amostras de um grupo.
RDE garante que as funcoes de pertinencia de con-
juntos fuzzy sejam formadas em torno de pontos
focais de grupos. Evitam-se problemas relaciona-
dos `a especicacao de limites de grupos atraves
do uso de fun coes de Cauchy. Diferentemente de
funcoes Gaussianas, funcoes de Cauchy nao se es-
palham ao innito, o que evita a ativacao de todas
as regras fuzzy para uma amostra.
Para cada interacao de (3), se o dado atual
e selecionado para ser o foco de um grupo, a sua
densidade sera determinada neste momento. A
densidade na vizinhan ca do ponto focal e atuali-
zada a partir de (ver [4]):
D
t
(z
i

) =
t 1
t 1 + (t 2)(
1
D
t1
(z
i

)
1)G
G =
n+m

j=1
(z
tj
z
(t1)j
)
D
t
(z
i

) = 1, t = 2, 3, ... (4)
onde i

representa o foco da i

-esimo grupo.
Um classicador fuzzy, conhecido como eClass
de ordem zero [2], usa o resultado de eClustering
+
na descricao de regras do tipo:
R
i
: SE (x
1
e X
i1
) E ... E (x
n
e X
in
)
ENT

AO (y
i
e Classe
c
)
Classe
c
e um rotulo de classe e X
ij
j sao funcoes
de pertinencia de Cauchy [8].
2.2 Metodo de Clusterizacao Evolutivo - eCM
O metodo eCM foi proposto para desenvolvimento
gradual da segunda camada de sistemas de infe-
rencia neuro-fuzzy evolutivos (DENFIS), ver [7].
Sua funcao e particionar o espa co de entrada em
grupos, de acordo com os dados de um uxo.
O metodo consiste na criacao e adaptacao
contnua de parametros de grupos de modo que
a distancia maxima de uma amostra x
i
ao centro
de qualquer grupo existente nao seja maior que
um certo limiar de distancia, D
thr
. Distancias sao
calculadas a partir da norma 2 (metrica Euclidi-
ana). Por exemplo, a distancia entre dois vetores,
x = (x
1
, ..., x
q
) e y = (y
1
, ..., y
q
), e dada por:
x y
2
=

i=1
|x
i
y
i
|
2

1/2
(5)
Neste caso x pode representar um vetor de dados,
e y um vetor contendo as coordenadas do centro
de um grupo.
Somente pontos centrais de clusters sao utili-
zados como prototipos em eCM; amostras de da-
dos sao lidas e descartadas. Mudancas no limiar
de distancia D
thr
alteram o n umero de grupos ge-
rados para um mesmo conjunto de dados. O algo-
ritmo de aprendizado incremental eCM e sumari-
zado a seguir em seis passos.
Passo1: Ler amostra x
k
, onde k = 1, ... e ndice de
tempo
Passo2: Se k = 1, criar cluster C
1
, com raio r
1
= 0 e
centro c
1
= x
k
Passo 1
Passo3: Calcular D =

x
k
c
j

2
, e S
k
= D + r
j
,
onde c
j
e o centro do cluster mais pr oximo,
r
j
e o raio deste cluster.
Passo4: Se D < r
j
, a amostra x
k
pertence `aquele
cluster. Passo 1
Passo5: Se S
k
> 2 D
thr
, entao criar cluster C
novo
com raio r
novo
= 0 e centro c
novo
= x
k

Passo 1
Passo6: Se S
k
< 2 D
thr
,ent ao o cluster C
j
e
expandido. O seu novo raio passa a ser:
r
atualizado
= S
k
/2 Passo 1
Em eCM, um cluster C
j
nao e mais atuali-
zado quando seu raio r
uj
atinge um valor igual ao
limiar D
thr
[7]. Note que, diferentemente do algo-
ritmo eClustering
+
(onde os grupos sao elipsoides
no espa co de entrada), o algoritmo eCM lida com
hiperesferas. Note tambem que o algoritmo eCM
descrito acima claramente enfatiza a essencia de
abordagens de aprendizado orientadas `a uxo de
dados. Amostras sao lidas e descartadas uma a
uma. Dados historicos sao dispensaveis, e a evo-
lu cao dos grupos acontece gradualmente, em uma
base incremental.
2.3 Metodo Granular Evolutivo - eGM
Modelos granulares evolutivos levam em conside-
racao a imprecisao e incerteza do valor dos dados
mensurados. Alem disso, informa cao baseada na
percep cao pode ser considerada como granulo de
informacao [11]. Por exemplo, sao dados possveis
de serem processados por algoritmos granulares:
x e pequeno, aproximadamente 90 e tempera-
tura alta. Em geral, dados granulares (interva-
los ou intervalos fuzzy) podem ser considerados.
Neste artigo processamos dados numericos (valo-
res reais) apenas. O algoritmo eGM original [10]
nao necessita ser alterado para este proposito.
Seja um uxo de dados de entrada e sada
(x, y)
[h]
, h = 1, ...; a sada y
[h]
e conhecida dada
a entrada x
[h]
ou sera conhecida no passo se-
guinte. Cada atributo x
j
de x = (x
1
, ..., x
n
) e
um valor real; y
[h]
e um rotulo de classe. Fun coes
de pertinencia trapezoidais M
i
j
= (l
i
j
,
i
j
,
i
j
, L
i
j
),
i = 1, ..., c; j = 1, ..., n sao consideradas neste es-
tudo. Grupos eGM sao hiper-retangulos fuzzy no
espa co de entrada. O n umero de grupos c e varia-
vel. Inicialmente, nao ha grupos.
O proposito de adaptar simultaneamente os
parametros e a estrutura de modelos fuzzy dina-
micos do tipo eGMe usar a informacao atual sobre
o processo para manter uma representacao atua-
lizada. Regioes de expansao E
i
, tais como:
E
i
= [L
i
, l
i
+ ], (6)
ajudam a decidir se novos dados de entrada per-
tencem a um granulo no espaco de entrada. sig-
nica a largura maxima que conjuntos fuzzy M
i
podem expandir para encapsular os dados x. Um
granulo M
i
e formado a partir de conjuntos fuzzy
M
i

, = 1, ..., .
Uma regra eGM (um grupo) e criada sempre
que um ou mais elementos de x nao pertencem `as
regioes de expansao E
i
de M
i
, i = 1, ..., c. Um
novo granulo M
c+1
e construdo a partir de con-
juntos fuzzy M
c+1

, = 1, ..., , cujos parametros

coincidem com x.
A adapta cao de um granulo existente M
i
con-
siste em expandir o suporte [l
i

, L
i

] e atualizar o
n ucleo [
i

,
i

] de seus conjuntos fuzzy. Entre os

granulos M
i
aptos a se expandirem para incluir x,
aquele com maior similaridade e escolhido, ver [9].
S(x, M
i
) =1
1
6

=1
(|x

l
i

| + 2|x

|
+2|x

| + |x

L
i

|) (7)
Note que neste artigo, x = (x, x, x, x) (um dado
granular trapezoidal) e degenerado em um valor
real, i.e. x = x = x, = x. A adapta cao procede
dependendo de onde o dado x

esta localizado em
relacao ao conjunto fuzzy. As condicoes para ex-
pansao do suporte sao:
SE x

[L
i

, l
i

] ENT

AO l
i

(new) = x

,
SE x

[L
i

, l
i

+ ] ENT

AO L
i

(new) = x

.
Parametros do n ucleo sao atualizados recursiva-
mente a partir de:

(new) =
(w
i
1)
i

+ x

w
i
(8)

(new) =
(w
i
1)
i

+ x

w
i
, (9)
onde w
i
e o n umero de vezes que o granulo M
i
foi escolhido para ser adaptado.
Regras eGM governando granulos M
i
sao do
tipo:
R
i
: SE x
1
e M
i
1
E ... E x

e M
i

ENT

AO y
i
= C
i
onde C
i
e um rotulo de classe. Note que a regra re-
sultante do agrupamento eGM e similar as regras
resultantes do agrupamento eCM e eClustering
+
.
A diferen ca essencial esta no algoritmo incremen-
tal de criacao e atualizacao dos grupos. Grupos
eCM sao hiperesferas no espaco de entrada. Gru-
pos eClustering
+
e eGM sao elipsoides e hiper-
retangulos, respectivamente.
3 Experimentos Computacionais
Utilizaram-se os metodos evolutivos abordados
anteriormente nos experimentos de classica cao
de dados de diagnostico medico. Foram utiliza-
dos dados do repositorio de aprendizado de ma-
quina da Universidade da California. As bases
de dados escolhidas sao: Heart Disease, Cancer,
Breast Cancer e Parkinson Telemonitoring. Um
sumario das caractersticas dessas bases de dados
e apresentado na Tabela 1. Essa lista o n umero de
atributos presentes nas amostras para cada uma
das bases de dados. Ela tambem indica a quan-
tidade de amostras referentes `a ausencia (Classe
0) ou presen ca (Classe 1) dos sintomas da doen ca
em um determinado paciente.
Note que as caractersticas das bases de dados
evidenciam um problema de agrupamento. Neste
tipo de problema os dados podem nao ser tem-
poralmente correlacionados. Neste caso, metodos
orientados a uxos tentam encontrar correlacoes
espaciais entre os dados [9]. Note tambem que o
n umero de amostras das diferentes bases de dados
e pequeno e a quantidade de atributos e razoavel.
Logo, a proposta do estudo apresentado nesta se-
cao e avaliar metodos evolutivos para esta classe
de problemas. O problema de agrupamento a par-
tir do uso de metodos evolutivos foi amplamente
discutido em [9] e [10]. O uso de metodos evo-
lutivos para construir modelos que encontram as
fronteiras de separacao das classes diferentemente
dos metodos adaptativos convencionais e justi-
cado por nao se ter informacao sobre qual estru-
tura adotar para o modelo. O proprio algoritmo
de aprendizagem determina a quantidade de mo-
delos locais (clusters, granulos) e, portanto, de-
termina uma possvel representacao para um pro-
cesso ou fenomeno. Os modelos locais mudam com
o tempo, sao mesclados e apagados, conforme a
necessidade, ate convergir no sentido de minimi-
zar uma medida de erro com relacao a uma dada
aproxima cao [9].
Tabela 1: Sumario das bases de dados
Base de dados Amostras por classe Atributos
Presente (1) Ausente (0) Total
Heart Disease 120 150 270 13
Cancer 212 357 569 30
Breast Cancer 458 241 699 10
Parkinson 147 48 195 22
Realizou-se 50 simula coes de uxos de dados
considerando ordens diversas de disponibiliza cao
das amostras. A precisao de cada metodo em clas-
sica coes corretas foi calculada a partir de:
Acc =

Acerto
Acerto + Erro

100%
(10)
Os resultados obtidos sao apresentados nas Tabe-
las 2 - 5 para os diferentes problemas.
Tabela 2: Resultado para Heart Disease
Acc Desvio N

de regras
eCM 69.25% 2.37% 11
eClustering
+
70.37% 1.19% 7
eGM 79.96% 1.52% 5
Tabela 3: Resultado para Cancer
Acc Desvio N

de regras
eCM 85.94% 2.32% 7
eClustering
+
81.54% 0.28% 6
eGM 82.80% 1.10% 4
Tabela 4: Resultado para Breast Cancer
Acc Desvio N

de regras
eCM 95.75% 0.88% 7
eClustering
+
96.48% 1.46% 6
eGM 95.50% 0.44% 3
Tabela 5: Resultado para Parkinson
Acc Desvio N

de regras
eCM 83.58% 1.00% 11
eClustering
+
82.56% 0.71% 5
eGM 88.22% 0.82% 5
Os resultados apresentados nas tabelas mos-
tram que existe uma imparcialidade quanto a elei-
cao do melhor metodo de agrupamento em proble-
mas de classica coes corretas para as bases de da-
dos consideradas. Contudo, pode-se observar que
o metodo eGM prove modelos com estruturas mais
compactas, menor quantidade de regras, ao con-
trario dos demais metodos avaliados. Isto e uma
caracterstica importante em certos tipos de situ-
acoes onde interpretabilidade de modelos e funda-
mental. No entanto, o eClustering
+
apresentou
melhores resultados na maioria dos experimen-
tos com rela cao ao desvio padrao. Finalmente,
concluiu-se a partir das analises dos experimen-
tos que o metodo eGM foi relativamente superior
aos demais metodos em termos da relacao preci-
sao/compactacao. Esta conclusao e valida apenas
para classica cao dos problemas medicos de me-
dio porte considerados, i.e., problemas contendo
entre 10 e 30 atributos e aproximadamente 450
amostras.
4 Conclusao
Investigou-se neste artigo o desempenho de dife-
rentes metodos de agrupamento incremental para
classicacao de dados medicos. Os metodos ana-
lisados foram os conhecidos evolving Fuzzy Clus-
tering (eClustering
+
); evolving Clustering Method
(eCM); e evolving Granulation Method (eGM). As
bases de dados avaliadas foram Heart Disease,
Cancer, Breast Cancer e Parkinson Telemonito-
ring. Apesar das restri coes de informa cao tem-
porais inerentes ao ambiente de processamento de
dados online, os metodos evolutivos avaliados ti-
veram um desempenho satisfatorio para classi-
ca cao. O eGM foi relativamente superior aos de-
mais metodos avaliados em termos da relac ao clas-
sica coes corretas/compactacao do modelo resul-
tante, embora os melhores resultados com rela cao
ao desvio padrao tenham sidos alcan cados pelo
eClustering
+
. No futuro, pretende-se aplicar to-
dos esses metodos evolutivos em problemas mul-
ticlasses para a deteccao e a classica cao de fa-
lhas em sistemas de engenharia e na modelagem
de sistemas dinamicos com incertezas variantes no
tempo, para que sejam feitas as comparacoes do
desempenho entre eles.
Referencias
[1] Angelov, P; Filev, D. (2003)On-line Design of
Takagi-Sugeno Models. Lecture Notes in Com-
puter Science (IFSA 2003) (T. Bilgi c, B. De Ba-
ets, O. Kaynak Eds.), pp. 576-584.
[2] Angelov, P.; Zhou, X. (2008) Evolving Fuzzy
Rule-Based Classiers from Data Streams.
IEEE Transactions on Fuzzy Systems, vol. 16
(6), Special Issue on Evolving Fuzzy Systems,
pp. 1462-1475.
[3] Angelov, P.; Filev, D.; Kasabov, N. (2010)
(Eds.) Evolving Intelligent Systems: Methodo-
logy and Applications. Wiley-IEEE Press Series
on Computational Intelligence.
[4] Angelov, P.; Filev, D. (2004) An Approach to
On-line Identication of Takagi-Sugeno Fuzzy
Models. IEEE Transactions on System, Man,
and Cybernetics - Part B, vol. 34 (1), pp. 484-
498.
[5] Babuska, R. (1998) Fuzzy Modelling for Con-
trol. Kluwer Publishers - Dordrecht.
[6] Kasabov, N. (1999) Evolving Connectionist
Systems: A Theory and a Case Study on Adap-
tative Speech Recognition. IEEE Transactions
on Fuzzy Systems, vol. 8, pp. 3002-3007.
[7] Kasabov, N. (2007) Evolving Connectio-
nist Systems. Springer - Verlag, London &
Hall/CRC.
[8] Kuncheva, L. (2000) Fuzzy Classiers.
Physica-Verlag.
[9] Leite, D. (2012) Evolving Granular Systems.
PhD Thesis University of Campinas, pp. 170,
Jun.
[10] Leite, D. Ballini, R. Costa, P. Gomide,
F. (2013) Evolving Fuzzy Granular Modeling
from Nonstationary Fuzzy Data Streams. Evol-
ving Systems, vol. 38, pp. 1-16.
[11] Pedrycz, W. (2005) Knowledge-Based Clus-
tering: From Data to Information Granules.
John Wiley & Sons.
[12] Specht, D. (1991) A General Regression
Neural Network. IEEE Transactions on Neu-
ral Networks, vol. 2 (6), pp. 568-576.
[13] Watts, M. (2009) A Decade of Kasabov
Evolving Connectionist Systems: A Review.
IEEE Transactions on System, Man and Cy-
bernetics - Part C, vol. 39, pp. 253-269.
[14] Yager, R.; Filev D. (1994) Approximate
Clustering via the Mountain Method. IEEE
Transactions on Systems and Cybernetics, vol.
24 (8), pp. 1279-1284.