چکیده:

منطق فازی،یک شبکه عصبی و سیستم خبره است که برای ایجاد یک سیستم تشخیصی ترکیبی با یکدیگر ترکیب شده اند.با استفاده از چنین سیستمی ما یک روش جدید برای فراگیری مبانی دانش استفاده می کنیم. سیستم ما شامل یک سیستم خبره فازی همراه با یک بیس دانشی با منبع دوگانه است. دو سری قوانین لازم هستند ، که به صورت استنباطی از مثالهای ارائه شده و به صورت استقرایی توسط فیزیک دانان بدست آمده اند. یک شبکه عصبی فازی سعی میکند که از داده های نمونه یاد گرفته و این اجازه را می دهد که قوانین فازی برای دانش پایه را استخراج کنیم.تشخیص electroencephalograms با تفسیر عناصر نموداری بعنوان یک نوع مشاهده در روش ما بکار گرفته می شود. نتایج اولیه نشان دهنده احتمالات مورد نظر با استفاده از روش ما می باشد.

 

۱- مقدمه:

روشهای تکراری شناسایی و ارزیابی پدیده خاص را کار تشخیصی می نامند ،که یکی از کاربردهای اصلی برای هوش مصنوعی (AI) می باشد. با توجه به اینکه رنج وسیعی از چنین کاربرهای تشخیصی وجود دارد . اگرچه رنج وسیعی از چنین کاربردهای تشخیصی در پزشکی وجود دارد ولی این بخش مورد توجه استفاده کنندگام از هوش مصنوعی قرار دارد. عمومی ترین روشهای AI در بخش پزشکی مبتنی بر دانش و مدلسازی رفتار تشخیصی متخصصان است . انواع مختلفی از چنین سیستمهای خبره ای از زمانی که SHRTLIFFE روش SHRTLIFFE MYCIN  را بعنوان یک سیستم خبره برای تشخیص آسیبهای خونی انسان طراحی و معرفی کرد ، بوسیله پزشکان مورد استفاده قرار گرفته است. یکی از بزرگترین مشکلات بر سر راه طراحی یک سیستم خبره مناسب ، گردآوری و دانش پایه آن است. ما روش جدیدی را معرفی میکنیم که در آن دانش پایه با منبع دوگانه بوسیله یادگیری قیاسی واستقرایی ایجاد می شود. شیکه های عصبی نیز از این راه برای تشخیص استفاده میکنند . آنها قادرند رابطه بین مجموعه داده ها را با داشتن اطلاعات نمونه که نشاندهنده لایه های ورودی و خروجی آنها است ،یاد بگیرند. در حوزه تشخیص الگو در داده های پزشکی ، شبکه های عصبی زیر بنای روشهایی است که باعث دستیابی به نتایج قابل توجهی شده اند. برای انجام وظیفه چمع آوری دانش پایه که بخشی از روش ترکیبی ما است ، شبکه های عصبی جدیدی معرفی شده اند. منطق فازی که در علوم پزشکی نیز ظاهر شده اند ، با توضیحات شفاهی مبهم سروکار دارند. واژه هایی همانند کم ، زیاد یا احتمالاً برای مدلسازی با استفاده از روشهای منطقی مرسوم ،دشوار هستند. متغیرهای زبانی معرفی شده بوسیله توضیحات فازی ، توضیحات شبه گفتاری نزدیک به گفتارهای یک شخص طیبعی است. تمامی روشهای بالا دارای مزایا و معایبی هستند که در بخش ۲ توضیح داده خواهند شد. ترکیب این روشها نه تنها باعث افزایش مزیتها آن می شود بلکه باعث حذف برخی از نقاط ضعف آنها نیز میشود. تاکنون فقط چند روش در تشخیص پزشکی ، روشهای چندگانه هوش مصنوعی را با هم ترکیب کرده اند، که البته با مدلسازی یک پروسه تشریحی پزشکی به نتایج خوبی هم رسیده اند.

 

اگر چه رنج وسیعی از چنین کاربردهای تشخیصی در پزشکی وجود دارد این بخش جزواستفاده کنندگان بلقوه هوش مصنوعی هستند .عمومی ترین روشهای AI در بخش پزشکی سیستمهای مبتنی بر دانش ومدل سازی رفتار تشخیص متخصصین است .انواع مختلفی از چنین سیستمهای خبره ای از زمانی که Shortliffe روش MYCIN Shortliffe را بعنوان یک سیستم خبره برای تشخیص آسیبهای خونی انسان طراحی ومعرفی کرد ،بوسیله پزشکان مورد استفاده قرار گرفته است .یکی از بزرگترین مشکلات بر سر راه طراحی یک سیستم خبره مناسب گردآوری ودانش پایه آن است .ما روش جدیدی را معرفی می کنیم که در آن یک دانش پایه با منبع دوگانه بوسیله یادگیری استنتاجی واستقرایی ایجاد میشود .شبکه های عصبی نیز از این راه برای تشخیص استفاده می کنند. آنها قادرند روابط بین مجموعه داده هارا با داشتن اطلاعات نمونه که نشاندهنده لایه های ورودی وخروجی آنها است ،یاد بگیرند.

در حوزه تشخیص الگودر دادهای پزشکی ،شبکه عصبی زیر بنای روشهایی است که باعث دستیابی به نتایج قابل توجهی شده اند .برای انجام وظیفه جمع آوری دانش پایه که بخش از روش ترکیبی ما است ،شبکه های عصبی جدیدا معرفی شده اند منطق فازی که در علوم پزشکی نیز ظاهر شده است ،با بیانات شفاهی نا مشخص سر وکار دارد .واژه هایی همانند زیاد ،کم یا احتمالا برای تبدیل شدن به مدل با استفاده از منطق مرسوم سخت هستند .متغیر های زبانی معرفی شده بوسیله بیانات فازی توضیحات شبه زبانی (گفتاری)نزدیک به گفتارهای یک شخص طبیعی است .تمامی روشهای بالا دارای مزایا ومعایبی هستند که در بخش ۲ توضیح داده خواهند شد .ترکیب این روشها نه تنها باعث افزایش مزیتهای آن ها می گرددبلکه باعث حذف برخی از معایب آنها نیز میشود .تاکنون فقط چند روش در تشخیص پزشکی ،روشهای چند گانه هوش مصنوعی را با هم ترکیب کرده اند ،که البته با مدلسازی یک پروسه تشریحی پزشکی به نتایج خوبی هم رسیده اند .

در اینجا ما سیستم ترکیبی را توضیح خواهیم داد که شامل یک سیستم خبره فازی برای استنتاج مبتنی بر قانون همراه با یک شبکه عصبی فازی برای کسب دانش مبتنی بر مورد علاوه بر دانش مبتنی بر توضیحات یک فرد خبره می باشد . (بخش ۳) دریافت خودکار قوانین توسط شبکه به موازات قانونمند کردن قوانین تجربی اجرا می شود . برای سیستم ترکیبی دو حالت برای پردازش نتایج وجود دارد : یک مود یادگیری برای تغذیه دانش پایه و مود اجرایی برای تشخیص اطلاعات بیمار . تمامی اجزای سیستم بر پایه نمایش فازی استوار هستند که بعنوان یک رابط شخص بین اجزا و فازی کردن اطلاعات ورودی ضروری عمل می کنند . از زیر بخش

۲-۳ یک تکنیک نقشه زیری بسیار موثر معرفی خواهد شد که متغیرهای فازی را به علائم عصبی تبدیل می کند . برای مشاهده پردازش اطلاعات واقعی پزشکی در چنین سیستمی ، ما از تشخیص های electroenephalograms(EEGs) را برای نشان دادن استفاده می کنیم . این نوع از اطلاعات پزشکی که به صورت الکترونیکی اندازه گیری و ذخیره شده است ، برای پردازش خودکار بسیار مناسب هستند زیرا نیازی به تبدیل به علائم الکترونیکی ندارند . سایر انواع اطلاعات نیز برای تشخیص در سیستم ها مناسب هستند . ما سیستم خودمان را سوای از کاربردهای احتمالی و هدف عنوان شده توسط MC Clelland توضیح خواهیم داد . بنابراین برای نشان دادن چند گانگی پدیده و برای هر پدیده به ۸ نرون نیاز است . از آنجایکه تعداد ویژگیهای قرار گرفته در هر بخش از زمان در EEG تغییر می کند (هر نمونه بوسیله یک وسیله مصنوعی تغییر نخواهد کرد) به تصویری نیاز است که توانایی کد گذاری پدیده چندگانه بوسیله تعدادی عصب ثابت را داشته باشد . ما یک الگوی نقشه بندی را توسعه داده ایم که بر اساس آن و بوسیله محاسبه نتیجه فرعی که به تفضیل بعدا در مورد آن صحبت خواهیم کرد دو متغیر فازی را در یک شبکه مناسب برای نمایش ارائه قرار می دهد . دو متغیر چهار واژه ای بوسیله ۱۶ نرون N frequency x amplitude       (N دفعه X شدت) بدست می آید . (شکل ۲ را ببینید ) هر نرون نشان دهنده ارتباط دو واژه فازی هر متغیر است و بنابراین بر مشکل پیوندی غلبه می کنیم . مقدار فعاللیت یک نزون از طریق ضرب جبری او تابع عضویت به صورت زیر محاسبه شده است :

Ndelta = udelta*uzero = 0.6*0.6=0.36

جمع فعالیت حاصل از یک پدیده طیفی برای ساده کردن قابلیت تفسیر مجدد قواعد یادگرفته شده بوسیله شبکه یک خواهد بود .

 

۳-۳ : شبکه عصبی فازی

ویژگیهای فازی که بوسیله روش الگو بندی دو بعدی برای شبکه عصبی نشان داده شده است : آنگاه برای شناخته شدن توسط شبکه یادگرفته می شوند . به منظور استخراج دانش گردآوری شده از یک شبکه فازی عصبی بنام fune در شبکه سه لایه ای خود استفاده می کنیم . ساختار احساسی چند لایه ای خاص بوسیله یک الگوریتم سلسله ای یاد گرفته می شود . در لایه میانی سه نوع نرون وجود دارد که به صورت توپوگرافیگی با یکدیگر تشکیل گروه داده اند . یک گروه از نرونهای توان فقط تابع or را برای ورودهای چند گانه انجام دهد ، در حالیکه گروه دیگر فقط عمل and را انجام می دهد . از آنجائیکه ممکن است قواعد نامشخصی وجود داشته باشد ، گروه سومی از نرونها وجود دارند که دارای ورودی های منفرد و عمل and را انجام می دهد . از آنجائیکه ممکن است قواعد نامشخصی وجود داشته باشد ، گروه سومی از نرونها وجود دارند که دارای ورودی های منفرد و خروجیهای منفرد هستند . خروجی نرون به آسانی همانند یک عمل or بر روی تمامی نرونهای میانی عمل می کند . به عبارت ساده تر شبکه کاملا بهم متصل شده درونی نشاندهنده تمامی توابع منطقی احتالی از منطق or منطق and و ۱۶ منطق نامشخص است . در حین پروسه یادگیری تمامی اتصلاات زیر یک محدوده خاص محدود می شوند . این روش تقلیل بوسیله Lecun در سال ۱۹۹۰ معرفی شد تا بدینطریق سرعت یادگیری افزایش یابد البته این کار برای محدود کردن تعداد قواعد حاصله نیز مفید است . این نکته برای ما جالب است زیرا ما به طور مشخص این قواعد را بعد از یادگیری جدا می کنیم و می خواهیم از قواعدی که دشت چشم گیری ندارند ، دوری کنیم . شبکه ای که برای تشخیص bulbus های مصنوعی آموزشی داده شده است در فرم نهایی خود در شکل ۲ نشان داده شده است .

بعنوان یک مثال اگر ورودی نرون نشاندهنده یک bulbus artifact(ba) بر اساس روش ساده شده ۲ باشد ف تفاوت تکرار بالا خواهد بود در حالیکه اجزای تکراری بقیه کم است . شی تشخیص داده شده در خروجی نرون با حالت فعال آن یعنی ۱ نشان داده شده است . برخی از ورودیها مشارکت کمتری در عمل شناسایی انجام می دهند ، زیرا این اتصالات با ارزش وزنی کم قبلا نادیده گرفته شده اند .

برای ساده شدن ما فقط از مقادیر ۵ و ۱ استفاده می کنیم ، البته آنها در واقعیت رخ نخواهند داد .

 

۴-۳ سیستم خبره فازی :

قلب سیستم ترکیبی ما یک سیستم خبره فازی بنام fuxxyclips است که از Clips بدست آمده است .

این سیستم خبره شامل عمدتا سه بخش است دانش پایه با منبع دوگانه شامل مجموعه قواعدی به صورت یادگیری استنتاجی و استقرایی دانش پایه کاربری که وضعیت واقعی یک بیمار است که وارد شده است و مکانیسم واسطه که شامل تشخیص هایی از طریق مقایسه پایه دانش است زمانی که قرار است قواعدی برای پایه دانش از یک سیستم خبره بدست آید دو روش یادگیری اعمال می شود یادگیری قیاسی و یادگیری استقرایی . یادگیری قیاسی عموما بوسیله یادگیری مبتنی بر توضیح انجام می شود بدین معنی که سیستم تصور می کند که قواعد باعث دستیابی به توانایی تصمیم گیری مورد نظر می شود . یادگیری استقرایی زمانی بکار گرفته می شود که دانش ناقص است اما مثالها نقش یک معلم را برای آموزش تکنیکهای یادگیری در ماشین ایفا می کنند . پای دانشی ما شامل در سری قواعد مجزا از هم می باشد . اولین آنها به صورت قیاسی از یک متخصص و بر اساس یادگیری توصیفی بدست می آید . سری دوم به صورت استقرایی از طریق یادگیری ماشین در یک شبکه عصبی بدست می آید . پایه دانشی بر مبنای منبع دوگانه بدست آمده شامل مجموعه ای از این دو سری قواعد مستقل است . آنها ممکن است شامل قواعدی باشند که از نظر منطقی و نتیجه گیری معادل هم باشند اما میزان قطعیت در آنها که ناشی از تناقض در حالت بدتر است با هم متفاوت هستند . like polland در سال ۱۹۸۶ اظهار داشت که که ما مجاز هستیم که از این قواعد متناقض بعنوان ویژگی طبیعی پروسه های تصمیم گیری استفاده کنیم و بنابراین شروع به مدلسازی آنها کردیم . مثال زیر ممکن است برخی از جنبه های این موضوع را روشن کند :

قاعده wife (همسر) اگر شب شده است پس به خانه برگردد .

قاعده رئیس : اگر شب شده است پس در اداره بمان .

اگر شخصی از همسر و رئیس به یک میزان تبعیت کند (شدت قوانین یکسان باشد) نیاز به یک قانون سوم برای تصمیم گیری دارد . همانند قانون Ijcal : اگر مهلت مقرر نزدیک است پس در اداره بمان که به فرد کمک می کند تا یک تصمیم اتخاذ کنند .

همین روش برای مبنای دانش با منبع دوگانه ارائه شده است . پدیده های بسیار خوبی در داده های نمونه ای وجود دارد اما با توجه به قوانین تخصصی به صورت مجزا تعریف شده اند . در چنین حالتی سر در گمی ایجاد شده بوسیله قوانین شدید دیگر یا یک قانون اضافی که باعث می شود فرد بتواند نتیجه گیری احتمالی را انجام دهد ، حل می شود . علاوه هر یک بخشی توصیفی در کاربرد پزشکی این نکته نیز مهم است که نتیجه گیری ندانستن نیز وجود دارد که به کار بر می گوید اگر پدیده غیر طبیعی تشخیص داده شد نمی تواند در آن مداخله کند .

 

۴- نتایج اولیه (مقدماتی ) :

زمانی که در مورد نتایج در تشخیص های پزشکی صحبت می کنیم ، اولین نکته ای که به آن توجه می کنیم بخشی است که در مورد توجه قرار گرفته است . بر خلاف کار تشخیص عمومی نمی توان عملکرد کلی سیستم را بر مبنای میانگین خطا مشاهده کرد در حالیکه این روش برای تشخیص شخصیت مناسب است . کارآیی تشخیص بایستی به دو بخش نادیده گرفتن عارضه که به آن نگاتیوهای کاذب گفته می شود و تشخیص اتفاقی عارضه که واقعا وجود ندارد و به آن پوزیتیو کاذب می گویند ، تقسیم کرد . بوسیله این دو معیار این امکان وجود دارد که تصمیم گرفت که آیا دو را می توان از هم جدا دانست یا اینکه با هم پوشانی دارند . برای انواع تشخیص های خاص این نکته بسیار مهم است که به طور مطلق هیچ پوزیتیو کاذبی نداشته باشیم در حالیکه کمی نگاتیو کاذب همچنان قابل قبول است همانند تشخیص مرگ مغزی . بر عکس در برخی شرایط این نکته اهمیت دارد که هیچ نگاتیو کاذب نداشته باشیم همانند تشخیص حملات صرعی در موارد اورژانس . (هر دو نمونه از طبقه بندی وظایف تشخیصی EEG انتخاب شده اند )

شکل ۳ یک نمودار عمومی را برای نشان دادن پوزیتیوهای کاذب (خط نقطه چین) در مقابل نگاتیوهای کاذب (خط پر) بعنوان تابعی از آستانه e (دیاگرام FP|FN ) در تشخیص bulbus artifacts(ba) نشان می دهد . هنگامی که ما منطق فازی را بکار می بندیم می توانیم بجای نتایج منفصل و جداگانه به نتایج فازی برسیم . اما از دفازی کننده استاندارد و استفاده نمی کنیم . مثال تشخیص های ba را در EEG ها نشان می دهد . تشخیص سیستم مبنی بر وجود یا عدم وجود ba بوسیله یک مقدار عددی که رنج ۵ تا ۱ قرار دارد نشان داده می شود . برای تشخیص باینری به یک آستانه دیگر سوای از آنچه که برای BA فرض شده است نیاز می باشد . در شکل ۳ یک فاصله وسیع بین پوزیتیو کاذب و نگاتیو کاذب وجود دارد . مثال شکل ۴ به طور واضح میزان دقت سیستم را نشان می دهد .

نمودار یک فاصله باریک را برای آستانه نشان مید هد که نشاندهنده خطاهای احتمالی در داده های آتی است . سیستم می تواند به درستی تمامی ba های موجود در بیمار ثبت شده با این علائم را تشخیص دهد که در نوار باریک نگاتیوهای کاذب (نقطه پیک سمت راست در شکل ۴) نشان داده شده است .

با توجه به اینکه میزان بالای پوزتیوهای کاذب : این فرض را قوت می بخشد که کارایی تشخیص کیفیت کمی دارد و آستانه e مین ۵/۰ تا ۱۰ درصد است BA های تشخیص داده شده نمی تواند واقعا درست باشد . با بازیگریهای انجام شده مشاهده شده است که این پوزیتیوهای کاذب در حقیقت همان BA ها هستند ، اما دارای شدت حداقل هستند و بنابراین در تشخیص های بصری نادیده گرفته می شوند . تنها ۸/۱% از پوزیتیوهای کاذب باقیمانده بالای حد e=0/94 ، BA ها نبودند ولی الکترود artifact شروع به grapholements کرد که نشان دهنده BA ها بر حسب تکرار و شدت است و تنها می توان آنها را از روی شکلشان از هم جدا کرد .

بنابراین بدون مقایسه آشکار یک سیستم و یک فرد متخصص از طریق این نتایج اولیه میزان دقت تصمیم گیری سیستم را محاسبه کردیم . مقایسه دو سری قوانین که بعنوان مبنایی برای پایه دانشی یا منبع دوگانه عمل می کند در نتیجه جالب توجه در پی دارد :

مجموعه قوانین ایجاد شده به روش استقرایی از قوانین بدست آمده قیاسی از یک متخصص بیشتر است . این قوانین اضافی در نگاه اول زائد به نظر می رسند زیرا یک فرد متخصص به آسانی می تواند بین عوارض مختلف بر مبنای معیارهای بیشتر عینی تفاوت قائل شود .

اما در مورد سیستم الکترونیکی که برای تشخیص انواع گسترده عوارض طراحی شده است این نکته بسیار مهم است که تمامی توضیحات اضافی نادیده گرفته شده توسط متخصص دانسته شود.

قوانین استخراج شده با توجه به میزان اعضای فازی از دقت بالاتری برخوردار هستند ، زیرا آنها به طور واقعی با توجه به مثالها محاسبه شده ا ند در مورد مثال ما برای bulbus artifact پزشک قانون زیر را بر قرار کرده است :

اگر تکرار= دلتا و شدت = بالا آنگاه ba

قوانین پایه ایجاد شده به صورت خودکار شامل مجموعه ای از قوانین با شدت های مختلف است . منطقها نتیجه گیریها و شدت قانون در جدول زیر نشان داده شده است . (با اتصالات شبکه ای در شکل ۲ مقایسه کنید ) فقط قوانین که شدت آن (RS) بالای ۱ است لیست شده و قوانین با شدت کمتر حذف شده است .

این مبنای قانونی توضیح داده شده دلیل این است که چرا سیستم می تواند ۱۰% artifact های با دشت کم را تشخیص دهد (شکل ۴) این حالت بوسیله قانون صرفا تخصصی امکان پذیر نمی باشد

 

۵- نتیجه گیری :

با ترکیب سه روش اصلی هوش مصنوعی در یک سیستم ترکیبی می توانیم بیشتر مزایای آنها را با هم ترکیب و در عین حال از برخی از نقاط ضعف آنها چشم پوشی کنیم سیستم ترکیبی که در این مقاله توضیح داده شده روشهای جدید مدلسازی را در مورد کارهای مشخصی معرفی می کند ک

بجای کسب تمامی اطلاعات پایه به صورت خودکار از نمونه ها یک روش یادگیری استقرایی آغاز می شود یا دانش پایه اصلاح می شود یک روش یادگیری مبتنی بر توصیف پیشرفته شروع می شود و ما از یک منبع دوگانه برای دانش پایه استفاده می کنیم . این دانش پایه شامل دو سری قواعد که از نظر اهمیت یک رده هستند می باشد یکی از این قواعد به صورت قیاصی از قواعد فرموله شده بوسیله یک فرد متخصص ایجاد و دیگری به صورت استقرایی بوسیله یادگیری ماشین در یک شبکه عصبی ایجاد گردیده است . این وضعیت رنج کاملی از منافع حاصل از یادگیری شبکه عصبی را فراهم می کند . بعلاوه قواعد کسب شده خودکار نیز می تواند بررسی شده در سیستم خبره مورد انطباق قرار گیرد و مشکل جعبه سیاه را محدود کند (زیر بخش ۲-۲ را ببینید)

همزمانی دو قاعده پایه دانش با احتمال رقابت دانشی نه تنها مجاز است بلکه مورد توجه نیز می باشد . رقابت قواعد و مکانیسم کسب قواعد بیشتر بخشی از کار تصمیم گیری شناختی است . علاوه بر یکپارچه کردن شبکه فازی عصبی موجود و سیستم خبره فازی برخی از تکنیکهای رابط هوشمند نیز معرفی شده اند که می تواند برای کاربردهای مختلف به خوبی مورد استفاده قرار بگیرند :

کسب روش طراحی دو بعدی که برای تعیین ارزش اعضای متغیر گفتاری به نرونهای لایه ورودی یک شبکه بکار گرفته می شود ، با این روش این امکان وجود دارد که نمایشهای فازی موجود را دارد شبکه های عصبی نمود به نحوی که همزمان اطلاعات موردی از داده های نمونه یکسان بدست آید

یک روش فازی کردن اطلاعاتEEG طیفی که برای بیشتر اطلاعات چند بعدی مخصوصا آنهایی که دارای حوزه اطلاعاتی متناوب همانند طیف صوتی در تشخیص لحن و همچنین تمامی انواع تصاویر پزشکی کار خواهد کرد . نتایج اولیه ما (بخش ۴ را ببینید ) برخی از ویژگیهای آن را مشخص کرده است .

ما احتمال تصمیم گیری سیستم را بهبود بخشیده ایم، هنگام انجام کار تشخیصی bubus artifacts در EEG ها تصمیم گیری سیستم از یک فرد با تجربه دقیق تر بود .

مقایسه دو سری قواعد در دانش پایه با منبع دو گانه مشخص می شود که قواعدی که به صورت استقرایی کسب شده اند گسترده تر و دقیقتر از انواعی هستند که به صورت قیاسی به دست آمده اند . در آینده ما قصد داریم که اثرات تداخلی یک دانش پایه با منبع دو گانه را توضیح دهیم . آنها زمانی اتفاق می افتند که دو پایه شامل قواعد متناقض مشابه با شدت مختلف باشند برای حالتی که قواعد کاملا متناقض هستند نتایج حاصل غیر قابل پیش بینی هستند و یک قاعده را با استفاده از یک مکانیسم بررسی که در آن به کاربر نشان داده می شود که یک حالت تناقض پیش آمده ایجاد می شود .