基于自適應諧振理論的神經網絡中醫證候診斷系統

Submitted by neurta on Tue, 05/26/2020 - 12:00
人工智能,中醫藥,藍??萍? typeof=

1.一種基于自適應諧振理論的神經網絡中醫證候診斷系統,其特征是:該系統包括

(1)中醫四診信息預處理模塊,運用數據清理技術及屬性篩選技術,對中醫四診信息數據庫進行分析,清除零屬性指標和空值屬性指標及冗余屬性指標,指導八綱、臟腑證候辨證模塊動態建立;

(2)證候辨證模塊,和中醫四診信息預處理模塊連接并從中醫四診信息預處理模塊讀入數據,采用灰色關聯分析方法對四診信息屬性加權,形成新的輸入數據,再運用改進的自適應諧振理論模型推導出八綱、臟腑證候的診斷結果,如虛證、實證、里證、表證、氣證、血證和/或肺虛證;

(3)規則存儲模塊,與中醫四診信息預處理模塊和證候辨證模塊建立雙向連接關系,將改進的自適應諧振理論模型訓練結果,以規則的形式進行保存,為八綱、臟腑辯證提供經驗規則,對未知證候病例的診斷結果進行預測;

(4)可視化模塊,與中醫四診信息預處理模塊和證候辨證模塊連接,為使用者可視化系統的輸入四診信息和證候的辨證規則。

2.如權利要求1所述的基于自適應諧振理論的神經網絡中醫證候診斷系統,其特征是:所述的中醫四診信息數據庫,包含病人基本信息表、問診表、面色表、舌象表、脈象表和穴位表,其中,基本信息表的病例號作為主碼,其它各表的病例號作為外碼與基本信息表連接,形成中醫四診信息預處理模塊的多源高維輸入癥狀矢量,如頭暈、頭痛、前額痛或頭兩側痛,共381維;中醫四診信息預處理模塊采用數據清理技術對零屬性指標和空值屬性指標做清除預處理,采用屬性篩選技術去除冗余屬性指標,增強輸入矢量的特征對比度,指導證候辨證模塊神經網絡動態建立。

3.如權利要求2所述的基于自適應諧振理論的神經網絡中醫證候診斷系統,其特征是:If病人的某屬性指標含有空值(缺失)

then該屬性指標不作為多源高維輸入癥狀矢量內容之一,或者對該缺失數據進行處理后再作為多源高維輸入癥狀矢量內容之一。

4.如權利要求1所述的基于自適應諧振理論的神經網絡中醫證候診斷系統,其特征是:證候辨證模塊中,采用灰色關聯分析方法對中醫癥狀屬性特征加權,形成新的網絡辨證模型輸入矢量X′,由下述公式得到:

Image removed.

X′=(w1x1,w2x2,L)

其中rij為癥狀i相對于證候j的灰色關聯度,m為證候類別個數。

5.如權利要求4所述的基于自適應諧振理論的神經網絡中醫證候診斷系統,其特征是:If辨證目標是里證

Input四診屬性指標值X

Then運用灰色關聯分析計算出四診屬性指標權值wi

Output修正得到新的四診屬性指標值X′=X·wi。

6.如權利要求1所述的基于自適應諧振理論的神經網絡中醫證候診斷系統,其特征是:證候辨證模塊中,根據先驗信息引入離散度警戒參數σ,并采用可變的相位警戒參數ρ,有效保證模型辨證分類正確。其公式為:

Image removed.

ρnew=ρold±e|Δσ|

7.如權利要求1所述的基于自適應諧振理論的神經網絡中醫證候診斷系統,其特征是:證候辨證模塊中采用質心學習方式修網絡模型正連接權值,其公式為:

Image removed.

其中tji和bij為網絡下行和上行連接權值矢量,下標J為接受的獲勝類別神經元標號。

8.如權利要求1所述的基于自適應諧振理論的神經網絡中醫證候診斷系統,其特征是:規則存儲模塊保存的內容有:訓練樣本數據表的索引值,訓練樣本的數量和維數,辨證證候名稱,對應的SWART2網絡反饋參數、靈敏參數、警戒參數,以及網絡最終訓練狀態的連接權值矢量。

9.如權利要求1所述的基于自適應諧振理論的神經網絡中醫證候診斷系統,其特征是:可視化模塊用圖形和/或動畫手段顯示各模塊數據。

說明書

基于自適應諧振理論的神經網絡中醫證候診斷系統

技術領域

本發明屬于中醫信息化智能診斷技術領域。具體涉及一種中醫證候診斷系統,是一種基于自適應諧振理論神經網絡的中醫證候診斷系統。

背景技術

中醫從整體觀的角度出發,通過四診手段獲取病人在特定時空里的狀態信息,進行一系列的分析、歸納、判斷的思辨過程,繼而識別證候。在傳統的中醫辨證過程中,診斷結果的準確性取決于醫生的學識及其臨床經驗,具有很強的主觀性和不確定性,大大限制了中醫的發展。為了實現中醫辨證的客觀化、定量化、智能化,其中一個核心的問題就是準確地模擬中醫的診斷過程,即建立中醫證候診斷模型,實現計算機智能診斷系統。人工神經網絡與人腦存儲知識十分相似,具有聯想、并行處理和容錯的功能,可以將中醫診斷系統提高到一個新的水平,為中醫智能診斷提供了一條新的有效途徑。其將大量的訓練樣本,通過特定的學習算法得到網絡各種神經元之間的連接權,而獲得需要的特征信息。

經對現有技術的文獻檢索發現,采用突破傳統“專家系統”概念的先進人工智能技術,如王存冉、胡金亮等研制的基于神經網絡的中醫證候診斷模型,對中醫辨證的研究做了有益的嘗試,并嘗試用計算機規范中醫證型,利用電腦程序模擬中醫辨證施治。充分發揮了神經網絡超強的記憶、存儲、自適應學習、非線性等特點,避免了在診斷過程中對知識和規則的依賴,避免了從領域專家獲取知識的困難,而只要求提供大量的病例樣本,為挖掘中醫辨證規律提供了方便。所應用的神經網絡模型是客觀的,不是經驗的,所以在一定程度上減少了主觀因素的影響。

但目前王存冉等應用的神經網絡的診斷模型如BP、對傳網絡模型,通常采取預先設計好的網絡結構,學習算法易于陷入局部最優,收斂速度慢,訓練所獲得的知識是隱式的,難以被人理解,且不支持增量病例在線實時學習,因此不能真實有效的反映出證候與癥狀之間的實時辨證關系。

發明內容

本發明所要解決的技術問題在于克服現有技術中存在的不足和缺陷,提供一種基于增量病例在線實時學習的SWART2中醫證候診斷模型,使其對量化的中醫四診特征信息進行處理并得到證候診斷結果,能建立四診信息與證候之間的客觀辨證模型,并以數據庫的形式存儲癥狀信息和對應證候的辨證診斷規則,使系統診斷過程更快速準確。

本發明為解決上述技術問題而提供的一種基于自適應諧振理論的神經網絡中醫證候診斷系統,包括:

(1)中醫四診信息預處理模塊,運用數據清理技術及屬性篩選技術,對中醫四診信息數據庫進行分析,清除零屬性指標和空值屬性指標及冗余屬性指標,指導八綱、臟腑證候辨證模塊動態建立;

(2)證候辨證模塊,和中醫四診信息預處理模塊連接并從中醫四診信息預處理模塊讀入數據,采用灰色關聯分析方法對四診信息屬性加權,形成新的輸入數據,再運用改進的自適應諧振理論模型推導出八綱、臟腑證候的診斷結果,如虛證、實證、里證、表證、氣證、血證和/或肺虛證;

(3)規則存儲模塊,與中醫四診信息預處理模塊和證候辨證模塊建立雙向連接關系,將改進的自適應諧振理論模型訓練結果,以規則的形式進行保存,為八綱、臟腑辯證提供經驗規則,對未知證候病例的診斷結果進行預測;

(4)可視化模塊,與中醫四診信息預處理模塊和證候辨證模塊連接,為使用者可視化系統的輸入四診信息和證候的辨證規則。

本發明中,優選地,上述中醫四診信息數據庫,包含病人基本信息表、問診表、面色表、舌象表、脈象表和穴位表,其中,基本信息表的病例號作為主碼,其它各表的病例號作為外碼與基本信息表連接,形成中醫四診信息預處理模塊的多源高維輸入癥狀矢量,如頭暈、頭痛、前額痛或頭兩側痛,共381維;中醫四診信息預處理模塊采用數據清理技術對零屬性指標和空值屬性指標做清除預處理,采用屬性篩選技術去除冗余屬性指標,增強輸入矢量的特征對比度,指導證候辨證模塊神經網絡動態建立,例如:

If病人的某屬性指標含有空值(缺失)

then該屬性指標不作為多源高維輸入癥狀矢量內容之一,或者對該缺失數據進行處理后再作為多源高維輸入癥狀矢量內容之一。

優選地,本發明上述證候辨證模塊中,采用灰色關聯分析方法對中醫癥狀屬性特征加權,形成新的網絡辨證模型輸入矢量X′,由下述公式得到:

Image removed.

X′=(w1x1,w2x2,L)

其中rij為癥狀i相對于證候j的灰色關聯度,m為證候類別個數。

例如:If辨證目標是里證

Input四診屬性指標值X

Then運用灰色關聯分析計算出四診屬性指標權值wi

Output修正得到新的四診屬性指標值X′=X·wi

優選地,本發明上述證候辨證模塊中,根據先驗信息引入離散度警戒參數σ,并采用可變的相位警戒參數ρ,有效保證模型辨證分類正確。其公式為:

Image removed.

ρnew=ρold±e|Δσ|

優選地,本發明上述證候辨證模塊中采用質心學習方式修網絡模型正連接權值,其公式為:

Image removed.

其中tji和bij為網絡下行和上行連接權值矢量,下標J為接受的獲勝類別神經元標號。

優選地,本發明上述規則存儲模塊保存的內容有:訓練樣本數據表的索引值,訓練樣本的數量和維數,辨證證候名稱,對應的SWART2網絡反饋參數、靈敏參數、警戒參數,以及網絡最終訓練狀態的連接權值矢量。

優選地,本發明上述可視化模塊用圖形和/或動畫手段顯示各模塊數據。

本發明針對中醫診斷的特殊應用領域,建立了一種引入加權和監督機制的改進ART2網絡模型,即SWART2模型,性能優于傳統ART2網絡,取得了良好的效果。同時與其他規則存儲模塊和可視化模塊相互聯系,減少計算時間,提高使用效率和系統的適應性。

附圖說明

圖1是本發明原理框圖。

圖2是本發明SWART2網絡結構示意圖。

圖3是本發明算法流程圖。

圖4是本發明清除零屬性及空值屬性的界面示意圖。

圖5是本發明灰色關聯分析方法屬性加權的界面示意圖。

圖6是本發明改進的自適應諧振理論辨證模型訓練的界面示意圖。

圖7-8是本發明的訓練規則保存及查看界面示意圖。

具體實施方式

下面結合附圖和具體實施例,進一步闡述本發明。這些實施例應理解為僅用于說明本發明而不用于限制本發明的保護范圍。在閱讀了本發明記載的內容之后,本領域技術人員可以對本發明作各種改動或修改,這些等效變化和修飾同樣落入本發明權利要求所限定的范圍。

如圖1所示,本發明一較佳實施例提供的基于自適應諧振理論的神經網絡中醫證候診斷系統,包括:中醫四診信息預處理模塊、SWART2證候辨證模塊、規則存儲模塊和可視化模塊,其連接關系為:中醫四診信息預處理模塊與SWART2證候辨證模塊連接,中醫四診信息預處理模塊處理中醫四診癥狀信息,使之規范化、量化以指導SWART2證候辨證模塊的辨證模型動態建立;規則存儲模塊與SWART2證候辨證模塊建立起雙向連接關系,保存和提供經驗辨證規則信息;可視化模塊與中醫四診信息預處理模塊和SWART2證候辨證模塊連接,讀取輸入輸出數據,并可視化展示在使用者面前。

本實施例的具體實現過程如下:

1)中醫四診信息預處理模塊

中醫四診信息預處理模塊運用數據清理技術及屬性篩選技術,對中醫四診信息數據庫進行分析,清除零屬性指標和空值屬性指標及冗余屬性指標,最終形成新訓練樣本集合,(頭暈,頭痛,……脈位,脈力,脈勢,脈數),指導證候辨證模塊動態建立。

中醫四診信息預處理模塊實現輸入矢量的特征對比度增強,是通過將每個病例樣本的多源癥狀量化成多維矢量模式,X=(x1,x2,L),X的每個分量“xi”(i=1,2,...)對應一個四診癥狀特征。中醫四診信息預處理模塊對輸入的癥狀矢量模式進行變換,并利用一個非線性變換f()抑制原樣本中無關與冗余信息噪聲的影響,增強向量的顯著特征,以產生一個更便于進行識別的特征矢量。

Image removed.

其中門限閾值θ設定為滿足如下約束條件:

Image removed.n=85為癥狀輸入矢量預處理后的維數。

影響大的癥狀保留,過小的則削弱,此預處理后的中醫病例矢量模式輸入到證候辨證模塊。

2)SWART2證候辨證模塊

如圖2所示,本實施例提出了一個復雜的半監督加權自適應諧振神經網絡模型,即SWART2。算法秉承了經典ART2模型兼具適應性及穩定性、對新信息與原存儲信息結合并決策的優點,能夠在線增加網絡的訓練樣本容量,改進算法學習方式,同時為算法融入了半監督及加權機制,提高判別精度。

如圖3所示,算法流程如下:

步驟一:初始化SWART2網絡參數;

所述SWART2網絡參數涉及兩種參數。

①一個全新網絡模型需要初始化的網絡參數,包括反饋參數a和b、靈敏度參數c、警戒參數ρ、離散度警戒參數σ(如圖6所示)。

②如果采用已經訓練過的網絡模型,只需從規則存儲模塊導入事先保存且已經訓練好的網絡模型參數(如圖7、圖8所示)。

步驟二:將中醫四診信息預處理模塊構建好的病例訓練樣本輸入到網絡;

所述的訓練樣本集合,指的是包含所有已分類樣本,“癥狀值/診斷結果值”,用于對SWART2證候診斷模型進行訓練。

步驟三:將改良的SWART2網絡訓練過程運用于步驟二中的訓練樣本集合,得到最初的證候辨證模型;

所述的改良的SWART2算法訓練過程,以經典的ART2算法為基礎,通過正反饋回路算子、競爭算子、匹配算子操作,如果當前癥狀矢量與某證候原型矢量匹配,將其歸入到與之匹配的證候模式類中,調整網絡模型權值;如果當前癥狀矢量與某證候原型矢量不匹配,屏蔽掉該證候原型矢量,則按匹配標準重復前面的各算子操作,在其它證候原型矢量中進行搜索,直至找到匹配的證候原型矢量;如果搜索操作失敗,則為該癥狀矢量建立新的證候原型矢量,完成證候診斷模型的構建。所述的改良的訓練對原算法做了具體如下改進:

①癥狀加權。

原ART2算法假設樣本特征屬性對輸出結果的影響是相同的,而根據中醫醫理理論,在證候診斷過程中,某些癥狀對證候有決定性作用,而有些則影響較小。因此需將特征加權引入到網絡中,它能更加細致的區分癥狀特征對八綱、臟腑證候的影響程度。SWART2采用灰色關聯分析來獲取癥狀特征權值,然后將這些癥狀特征權值賦予每個輸入樣本模式的癥狀屬性,形成新的網絡輸入模式矢量X′:

Image removed.

X′=(w1x1,w2x2,L)

其中rij為灰色關聯分析方法得到的癥狀i相對于八綱、臟腑證候j的灰色關聯度,m為證候類別個數(如圖5所示)。

②利用已知“癥狀值/診斷結果值”訓練樣本提供的先驗知識,在原有相位檢測子系統ρ的基礎上,增設一個新的檢測子系統,進行模式離散度的檢查σ,增強證候辨證的準確性。

警戒參數ρ和σ決定了網絡辨識分類的精度。原算法警戒參數值初始化是根據經驗設定的,如果設定的不合理,不僅影響網絡訓練的速度,而且使得網絡訓練結果可能沒有現實意義;另外原算法警戒參數值在處理證候和癥狀特征的辨證過程中一直保持不變,這可能導致訓練過程中對某些癥狀特征區別不開。本發明根據已知診斷結果值不同類別中的訓練樣本的離散程度設定σ值,并且在訓練過程中根據分類誤差適當的改變ρ值,間接解決了辨證結果準確度問題。

Image removed.

ρnew=ρold±e|Δσ|

其中,m為診斷結果類別值,σi為每個診斷結果類的所含樣本離散程度。

③質心學習方式修正連接權值。

隨著大量新的癥狀矢量不斷增加到訓練網絡中,經典的ART2網絡在快速學習過程中其連接權值修正受癥狀輸入矢量序列影響,易引起模式漂移現象,使得網絡模型不能對呈單方向漸變分布的輸入模式,進行正確的分類辨識。故而在修正原有網絡結構快速學習帶來的缺陷,采用類似質心計算的方式修正連接權值,以消除八綱、臟腑證候原型模式的漂移現象。

Image removed.

其中tij和bij為網絡下行和上行連接權值矢量,下標J為接受的獲勝類別神經元標號。

與原有的ART2模型相比,本實施例提出的SWART2算法得到的分類結果更為精確、提取的分類規則更符合現實意義。新算法的特征加權和可變警戒參數,降低了樣本的錯分率,更提高了分類模型的準確型,非常適用于醫學領域等訓練樣本動態增加的情況等。

3)規則存儲模塊

一旦發現SWART2證候辨證模塊產生的規則是新的,則進行規則保存操作。規則保存的內容有:訓練樣本數據表的索引值,訓練樣本的數量和維數,辨證證候名稱,對應的SWART2網絡反饋參數、靈敏參數、警戒參數,以及網絡最終訓練狀態的連接權值矢量。

4)可視化模塊

可視化模塊提供可視化工具將中醫四診信息預處理模塊和證候辨證模塊的輸入輸出量及規則存儲模塊中的規則用圖形、動畫的形式顯示出來,并為使用者提供交互平臺,允許使用者根據演示結果介入規則存儲、中醫四診信息預處理和證候判斷的相耳作用之中,使得系統更具直觀性、人性化和交互性。

下面以中醫八綱表里辯證為例,闡述改進自適應諧振理論模型的辨證診斷建模過程,并給出部分辨證規則。

我們將表里辨證分為兩類,表證和里證。根據中醫四診數據庫中已采樣的數據樣本,可以得到“癥狀值/診斷結果值”訓練樣本。

1、基于數據清理技術及屬性篩選技術的中醫四診信息預處理

預處理的偽代碼如下:

(1)輸入:X=(頭暈,頭痛,前額痛,頭兩側痛,……),共381維四診信息數據。

(2)For?i=1?to?381

If屬性xi?Is空值或零屬性

Then從X中刪除屬性xi

對清洗過的數據屬性,針對中醫四診癥狀與表里辨證的關聯性強弱進行屬性篩選,調用FeatureSelection(X)過程。

(3)輸出:Xnew=(頭暈,頭痛,……,脈位,脈勢),維數為85

2、基于改進自適應諧振理論模型的辨證診斷建模

(1)模型輸入:

If運用灰色關聯分析對Xnew屬性加權

Then模型輸入為(x′1,Y1),L,(x′85,Y85);

ElseImage removed.L,Image removed.

初始化網絡參數a=10,b=10,c=0.1,ρ=0.85,σ=8.5(根據訓練樣本先驗信息確定)。

(2)迭代建模過程:

For每一個訓練樣本

計算:①p=F1STM(x′)

②競爭F2-STM:Image removed.Image removed.

③匹配Match(p,T)

④測試If?Testing(Match,ρ,σ)==true

Then更新網絡權值Image removed.

And將當前該樣本歸類到對應的表證或者里證類別中;

Else返回①

所有樣本訓練結束,根據已知證候類別計算測試錯誤率Er:

If?Er滿足要求then保存訓練規則參數及結果;

Else重新對訓練樣本建模,直到滿足要求。

(3)輸出訓練規則并保存:訓練樣本數據表的索引值,訓練樣本的數量和維數,辨證證候名稱,對應的SWART2網絡反饋參數、靈敏參數、警戒參數,以及網絡最終訓練狀態的連接權值矢量,錯誤率Er。

3、對已采樣病例進行表里證候預測

(1)根據病例號打開已采樣的病例;

(2)如果四診信息采集完全,應用事先訓練好的表里辨證規則進行辨證,判斷出該病例的表里證候類型;

否則,不進行預測,返回。

上述算法中使用了一些經驗值,如網絡參數a=10,b=10,c=0.1,這些經驗值均來自于日常實驗的分析。

冯仰妍破处门