CN107016438B - 一种基于中医辨证人工神经网络算法模型的系统 - Google Patents

Abstract

本发明公开了一种基于中医辨证人工神经网络算法模型的系统，能够增强对不同优势病种的辨证分类能力、提高中医辩证论治的效率和准确率，并且能够扩展中医生诊疗病种的范围，提升对疑难杂症的诊疗能力，缩短年轻中医生临床经验积累时间，所述系统包括：症状输入层模块，用于接收输入的患者病症数据；第一隐藏层模块，用于对所输入的病症数据进行量化编码；第二隐藏层模块，用于根据所述病症数据的量化编码，进行相关函数计算，获取对应的病因、病位、病性和病势特征分类；以及证型输出层模块，用于当病症的病因、病位、病性和病势特征与药材的性味特征的一致性高于预设阈值时，输出所述症状与对应证型的结果数据。

Description

一种基于中医辨证人工神经网络算法模型的系统

技术领域

本发明涉及中医辩证论治数字化技术领域，尤其涉及一种基于中医辨证人工神经网络算法模型的系统。

背景技术

“辨证论治”是中医认识疾病和治疗疾病的基本原则，是中医学对疾病的一种特殊的研究和处理方法，包括辨证和论治两个过程。“辨证”就是把四诊(望诊、闻诊、问诊、切诊)所收集的资料、症状和体征，通过分析、综合，辨清疾病的病因、性质、部位，以及邪正之间的关系，概括、判断为某种性质的证，反映出疾病发展过程中某一阶段的病理变化的本质，是中医临床诊疗的核心技术。

中医存在了2300多年，总结了各种疾病的证候演变规律和治疗体系，基于个体诊疗，形成了独特思维方式和技术，并在现代研究中不断与信息技术结合和发展，形成了80-90年代的知识库和证素等众多研究成果，然而现有的中医辨证数字化领域并没有高效地利用这些研究成果的方法和系统。

人工神经网络(Artificial Neural Network，ANN)，是20世纪80年代以来人工智能领域兴起的研究热点。它从信息处理角度对人脑神经元网络进行抽象，建立某种简单模型，按不同的连接方式组成不同的网络。在工程与学术界也常直接简称为神经网络或类神经网络。神经网络是一种运算模型，由大量的节点(或称神经元)之间相互联接构成。每个节点代表一种特定的输出函数，称为激励函数(activation function)。每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重，这相当于人工神经网络的记忆。网络的输出则依网络的连接方式，权重值和激励函数的不同而不同。而网络自身通常都是对自然界某种算法或者函数的逼近，也可能是对一种逻辑策略的表达。

最近十多年来，人工神经网络的研究工作不断深入，已经取得了很大的进展，其在模式识别、智能机器人、自动控制、预测估计、生物、医学、经济等领域已成功地解决了许多现代计算机难以解决的实际问题，表现出了良好的智能特性。如IBM的Watson通过MSK专业培训后，不论是社区医院还是全球顶级医院，都在通过大量的研究成果、医疗记录和临床试验来了解、学习该学科的最新动态，像肿瘤专家一样为临床医师提供以证据为基础的治疗方案。Google I/O报告称：人工智能是过去一年的主要研究方向，涉足于医疗等行业。Google Brain以及Google在2014年1月以5亿美元收购的DeepMind，都在深度学习这一领域集中力量开发。DeepMind开发的AphaGo，已经在围棋比赛中战胜了人类冠军。人工神经网络技术已近成熟，对医疗发展具有巨大的帮助。

然而，现有的人工智能在对医疗领域的探索主要包括现代医学领域，处于起步阶段，而且是建立在现代医学信息标准化程度很高的基础上的，如IBM的Watson基于学习大量的研究成果、医疗记录和临床试验来建立肿瘤知识库，同时还存在不同病种的神经网络模型差异以及深度学习效率和方法的不足。目前中医四诊信息的客观化和数字化还处于不断探索阶段，中医辨证思维的智能化处于起步阶段，相关辩证轮值专用模型算法和深度学习的人工智能技术还存在诸多空白。

而且，中医的辩证思维内涵的整体观、个体化诊疗尤其具有独特性。虽然建立了大量文献和数据库，但中医本身复杂流派，四诊信息非标准化和同病异治异病同治的手段，及其模糊数据结构特征的信息处理规律还没被充分揭示，在已有研究中，多是模仿名中医辩证过程进行简单的逻辑推理和知识库关联，不足以临床高效的应用需求。一方面，申请人团队过往应用的46位量化码和基于知识库的推荐算法，在准确性虽然已达到80％，但仍然需进一步提升优化。另一方面，单向算法局限于文献样本和计算单元，在一些情况下对复杂函数的表示能力有限，针对复杂分类问题其泛化能力受到一定制约。

发明内容

本发明的目的之一至少在于，针对上述现有技术存在的问题，提供一种基于中医辨证人工神经网络算法模型的系统，能够增强对不同优势病种的辨证分类能力、提高中医辩证论治的效率和准确率，并且能够扩展中医生诊疗病种的范围，提升对疑难杂症的诊疗能力，缩短年轻中医生临床经验积累时间。

为了实现上述目的，本发明采用的技术方案为：

一种基于中医辨证人工神经网络算法模型的系统，其包括：

症状输入层模块，用于接收输入的患者病症数据；

第一隐藏层模块，用于对所输入的病症数据进行量化编码；

第二隐藏层模块，用于根据所述病症数据的量化编码，进行相关函数计算，获取对应的病因、病位、病性和病势特征分类；以及

证型输出层模块，用于当病症的病因、病位、病性和病势特征与药材的性味特征的一致性高于预设阈值时，输出所述症状与对应证型的结果数据。

优选地，所述患者病症数据包括根据望闻问切四诊采集的患者病症和体质特征信息。

优选地，所述量化编码包括：根据中医辨证要素，将所输入的病症数据分解为48位编码量化的病症数据。

优选地，所述第一隐藏层模块进一步用于通过单极性Sigmoid函数

将病症数据映射到0至1之间，并作为第二隐藏层模块的激励函数。

优选地，所述第一隐藏层模块进一步用于根据输入的中医症状的向量矩阵

获取48位症状编码集合G＝(g₁,g₂,g₃,…,g_i…,g_n)，其中，g_i表示每种症状的所对应的48位归经码，每位编码的取值范围为0～9，

优选地，所述第二隐藏层模块和证型输出层模块还用于通过知识数据库分别获取初始的第一层间连接权重值矩阵

和第二层间连接权重值矩阵，其中k和l均为大于1的正整数

优选地，所述第二隐藏层模块进一步用于通过公式

获取第二隐藏层模块的输出值，并根据中医的病因、病位、病性和病势特征分别获取对应的分类结果矩阵H＝(H₁，H₂，H₃，H₄)；其中，

通过

表示取叠加值的前13位，

表示取叠加值的第14至25位数值，

表示取叠加值得第26至31位数值，

表示取叠加值得后17位；其中，函数location(h^a-b)：h→h^a-b，表示取48位编码第a至b位之间的编码，剩余位数以零代位。

优选地，所述证型输出层模块进一步用于根据公式

获取由病因、病位、病性和病势特征叠加所得出的证型矩阵

优选地，所述证型输出层模块进一步用于当证型矩阵

与期望输出

的误差小于预设阈值时，输出所获取的症状与对应证型的结果数据。

优选地，所述系统进一步包括向后传播误差调整模块，其用于当证型矩阵

与期望输出

的误差大于预设阈值时，通过修改第一隐藏层模块的编码值和/或层间连接权重值，以获取校正后的输出结果数据。

综上所述，由于采用了上述技术方案，本发明至少具有以下有益效果：

依据中医辨证论治理法方药一线贯通原理(从症状采集、辨证、治发确定、开具处方的整个过程)，采用人工智能深度学习技术，构建的中医辩证人工神经网络算法模型，将中医望闻问切四诊获得的患者临床症状和体征信息数字化作为输入层，把病症体征分解为48位编码作为神经网络中的第一层激励函数；分层提取“因、位、性、势”特征，形成神经网络中的第二层激励函数；通过算法指令计算激励函数间的距离“加权值”求出的“证候”编码，作为输出层，建立趋近于理想范围的中医辩证数学模型，形成足以辅助中医临床辨证的高效应用外脑，其增强了对不同优势病种的辨证分类能力、提高了中医辩证论治的效率和准确率，能够扩展中医生诊疗病种的范围，提升对疑难杂症的诊疗能力，缩短年轻中医生临床经验积累时间。

附图说明

图1是根据本发明实施例的一种基于中医辨证人工神经网络算法模型的系统的结构示意图；

图2是根据本发明实施例的一种基于中医辨证人工神经网络算法模型的系统所建立的症状理法方药一线贯通示意图；

图3是根据本发明实施例的一种基于中医辨证人工神经网络算法模型的系统所生成的因位性势图与性味归经图。

具体实施方式

下面结合附图及实施例，对本发明进行进一步详细说明，以使本发明的目的、技术方案及优点更加清楚明白。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

图1是根据本发明实施例的一种基于中医辨证人工神经网络算法模型的系统，能够针对于某一优势病种输入相关症状，在设定某一权重值的条件下，利用设计的激活函数，计算得出证型编码，该结果作为下一阶段神经网络计算的输入值；以此层层递进，智能实现某一症状理法方药一线贯通。

其中，该系统可以依据辨证神经网络模型提供的激励函数，建立每个连接与一个神经元节点的关联，作为下一层连接的输入/输出单元，在相连接层之间设置权重，第一次权重由知识库初始设置，通过训练模型，调整这些权重，直到最终得出最佳编码值，即最佳智能辨证模型。

如图1所示，该系统主要包括症状输入层模块、第一隐藏层模块、第二隐藏层模块、以及证型输出层模块。在优选的实施例中，前述个模块可以集成在一个硬件计算设备中(例如，计算机、服务器、客户端电脑、或者其他具有计算能力的电子设备)，在本发明另一实施例中，这些模块也可以分别设置在不同的计算机硬件设备的不同逻辑单元中。

其中，症状输入层模块可以通过计算机人机交互接口(例如，GUI用户界面，WEB网页输入界面等)，输入根据望闻问切四诊采集的患者病症和体制特征信息的文本描述信息，并以预设的数据格式存储为相应的数据文件。例如，可以将输入的中医症状文本数据表示为症状向量矩阵

其可以包括某一种疾病对应的所有症状的文本数据集合,例如，症状x₁为“咳嗽”，症状x₂为“鼻塞流涕”等；其中，n为该疾病所对应的症状的数量，且为大于1的正整数，i为1与n之间的任意整数。

第一隐藏层模块可以根据向量矩阵

获取该疾病对应症状的所有归经码集合G＝(g₁,g₂,g₃,…,g_i…,g_n)，其中，g_i表示每种症状的所对应的48位归经码，例如，48位归经码

中每位编码的取值范围为0～9。该归经码的具体编码值可以根据行业标准或者使用者预先设置的症状编码对应表确定，从而将所输入的病症数据分解为48位编码量化的病症数据。例如，在使用10进制Unicode编码的情况下，当x₁为“咳嗽”时，确定对应的编码值

其他47位填充0。

在优选的实施例中，第一隐藏层模块可以进一步通过单极性Sigmoid函数

并根据中医辨证要素(例如，通过分析、综合、辨清将一种疾病的病症概括、判断为某种性质)，将所输入的病症数据分解为48位编码量化的病症数据(例如将病症数据映射到0至1之间)。进一步地，将该函数作为第二隐藏层模块的激励函数。由于f(x)具有连续性、可导的特点，且有f'(x)＝f(x)[1-f(x)]，因此能够提高映射准确率，并提高计算效率。

其中，第二隐藏层模块可以通过知识数据库获取初始的第一层间连接权重值

具体地，该知识库可以根据国家药典所确定的方剂药材功效码建立对应的知识数据库。

进而，第二隐藏层模块可以通过公式

获取第二隐藏层模块的输出值，并根据中医的病因、病位、病性和病势特征分别获取对应的分类结果矩阵H＝(H₁，H₂，H₃，H₄)；其中，

具体地，可以通过

表示取叠加值的前13位，

表示取叠加值的第14至25位数值，

表示取叠加值得第26至31位数值，

表示取叠加值得后17位；其中，函数location(h^a-b)：h→h^a-b，表示取48位编码第a至b位之间的编码，剩余位数以零代位。

证型输出层模块可以通过知识数据库获取初始的第二层间连接权重值

以及期望输出为

其中k和l均为大于1的正整数。具体地，可以根据国家药典所确定的方剂药材功效码建立对应的知识数据库。

进一步地，可以根据公式

获取由病因、病位、病性和病势特征叠加所得出的证型矩阵

其可以表示由“因、位、性、势”叠加所得出的所有可能证型。因此，在优选的实施例中，仅在获取的证型p_k与期望输出

的误差小于预设阈值时(例如，线性拟合度大于70％时)，才输出所获取的症状与对应证型的结果数据。

在优选的实施例，通过显示器、打印输出设备等输出所获取的证型结果。在优选的实施例中，还可以进一步输出整个计算过程。例如，如图2所示，通过本发明实施例提供的系统，建立起了从症状(例如，咳嗽、鼻塞流涕、薄白苔等)到证型(例如，风寒袭表证、气虚外感证、风热犯肺证等)的对应，并通过人工智能神经网络分层计算分析出对应的病因、病位、病性和病势特征(例如，补阳益气，辛温解表等)，从而获得治疗该病症对应所需要的药材，并实现某一症状理法方药一线贯通图形动态展示。

图3是根据本发明实施例的一种基于中医辨证人工神经网络算法模型的系统所生成的因位性势图与性味归经图。具体地，因位性势图为柱状图与性味归经图为方药模型性味归经折线图。其中，柱状图表示辨证结果的病位归经，是通过本发明实施例的基于中医辨证人工神经网络算法模型的系统通过学习、训练，病输出以及调整所得出，例如于所输入的病症症状所对应的证型结果(例如，对应治疗该病症的方剂药材)；折线图是根据知识数据中已有的中药材功效码得出的方剂药材的性味归经图。具体地，方剂药材功效码可以依据国家药典知识库，作为校验的对照参数，例如，一种疾病所对应的病位归经图与性味归经图的拟合度越高，说明所输出的方药结构数据越准确。

在优选的实施例中，所述系统进一步包括向后传播误差调整模块，可以当证型p_k与期望输出

的误差大于预设阈值时，通过修改第一隐藏层模块的编码值和/或层间连接权重值，以获取校正后的输出结果数据。

具体地，可以将设输出误差E，定义为：

则对于第二层间连接权重值矩阵

有第二层间连接权重值校正量

其中，常数η表示比例系数，其可以在数据训练中反应学习速率；δ表示学习规则类，其定义为

其中，y_k表示预期输出的从症状对应到治法的48位编码值，p_k表示实际输出证型的48位编码值；进一步地，可以获取对应于每一症状与对应证型对的第二层间连接权重值校正量

相应地，对于第一层间连接权重值矩阵

有第一层间连接权重值校正量

其中常数η表示比例系数，δ表示学习规则类，其定义为

进一步地，可以获取对应于每一症状与对应证型对的第一层间连接权重值校正量

进一步地，可以通过将实际输出的证型矩阵

与期望输出的矩阵

的误差进行反向推导，可同时得知48位因、位、性、势的错误编码点，对48为编码进行矫正校正。例如，误差反向推到调整权值W₁₁与V₁₁，可知症状x₁对应的48位编码中13位“因”存在问题。如果误差E为正，则对13位编码逐位减1；如果误差E为负，则对13位编码逐位加1。修改编码及权值后进行重新计算，再次进行结果匹配，如实际输出结果与期望输出结果的拟合度高于预设的阈值，则停止学习、训练，否则继续依据误差E的值进行修正运算。

应当理解，说明书通篇所提到的“一实施例”或“优选的实施例”意味着与实施例有关的特定特征、结构或特性包括在本发明的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在优选的实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解，在本发明的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，可以仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。

上述作为分离部件说明的单元或模块可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。

另外，在本发明各实施例中的单元(例如，各功能单元、处理器、存储器等)可以全部集成在一个单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

本领域技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(Read Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的介质。

当本发明上述集成的单元以软件功能单元的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本发明具体实施方式的详细说明，而非对本发明的限制。相关技术领域的技术人员在不脱离本发明的原则和范围的情况下，做出的各种替换、变型以及改进均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于中医辨证人工神经网络算法模型的系统，其特征在于，所述系统包括：

症状输入层模块，用于接收输入的患者病症数据；

第一隐藏层模块，用于对所输入的病症数据进行量化编码；

第二隐藏层模块，用于根据所述病症数据的量化编码，进行相关函数计算，获取对应的病因、病位、病性和病势特征分类；以及

证型输出层模块，用于当病症的病因、病位、病性和病势特征与药材的性味特征的一致性高于预设阈值时，输出所述症状与对应证型的结果数据；

所述系统进一步包括向后传播误差调整模块，其用于当证型矩阵

与期望输出的

误差大于预设阈值时，通过修改第一隐藏层模块的编码值和/或层间连接权重值，以获取校正后的输出结果数据；

所述传播误差调整模块调整步骤包括：

获取对应于每一症状与对应证型对的第二层间连接权重值校正量；

获取对应于每一症状与对应证型对的第一层间连接权重值校正量；

通过将实际输出的证型矩阵与期望输出的矩阵的误差进行反向推导，同时得知48位因、位、性、势的错误编码点，对48位编码进行矫正校正；

所述第二层间连接权重值校正量表示为：

ΔV_jk＝η(y_k-p_k)p_k(1-p_k)h_j，(j＝1,...4)，其中，η表示比例系数，y_k表示预期输出的从症状对应到治法的48位编码值，p_k表示实际输出证型的48位编码值，h_j，(j＝1,...4)是取48位编码叠加值的四种提取方式，k是大于1的正整数；

所述第一层间连接权重值校正量表示为：

其中，η表示比例系数，δ表示学习规则类，

G＝(g₁,g₂,g₃,…g_i,…g_n)，g_i表示每种症状的所对应的48位归经码。

2.根据权利要求1所述的系统，其特征在于，所述患者病症数据包括根据望闻问切四诊采集的患者病症和体质特征信息。

3.根据权利要求1所述的系统，其特征在于，所述量化编码包括：根据中医辨证要素，将所输入的病症数据分解为48位编码量化的病症数据。

4.根据权利要求3所述的系统，其特征在于，所述第一隐藏层模块进一步用于通过单极性Sigmoid函数

将病症数据映射到0至1之间，并作为第二隐藏层模块的激励函数。

5.根据权利要求1所述的系统，其特征在于，所述第一隐藏层模块进一步用于根据输入的中医症状的向量矩阵

获取48位症状编码集合G＝(g₁,g₂,g₃,…,g_i…,g_n)，其中，g_i表示每种症状的所对应的48位归经码，每位编码的取值范围为0～9，

6.根据权利要求5所述的系统，其特征在于，所述第二隐藏层模块和证型输出层模块还用于通过知识数据库分别获取初始的第一层间连接权重值矩阵

和第二层间连接权重值矩阵，其中k和l均为大于1的正整数，

7.根据权利要求6所述的系统，其特征在于，所述第二隐藏层模块进一步用于通过公式

获取第二隐藏层模块的输出值，并根据中医的病因、病位、病性和病势特征分别获取对应的分类结果矩阵H＝(H1，H2，H3，H4)；

其中，

通过

表示取叠加值的前13位，

表示取叠加值的第14至25位数值，

表示取叠加值得第26至31位数值，

表示取叠加值得后17位；其中，函数location(h^{a -b})：h→h^a-b，表示取48位编码第a至b位之间的编码，剩余位数以零代位。

8.根据权利要求7所述的系统，其特征在于，所述证型输出层模块进一步用于根据公式

获取由病因、病位、病性和病势特征叠加所得出的证型矩阵

9.根据权利要求8所述的系统，其特征在于，所述证型输出层模块进一步用于当证型矩阵

与期望输出

的误差小于预设阈值时，输出所获取的症状与对应证型的结果数据。

Images