Mars500志愿者健康狀態中醫監測數據分析

李勇枝,李國正,高建義,張志楓,范全春,許家佗,白桂娥,陳凱先,石宏志,孫 勝,劉 宇,陳家昌,米 濤,賈新紅,趙 爽,邵峰峰,劉軍蓮,郭雨萌

(1.中國航天員科研訓練中心,北京100094;2.同濟大學控制科學與工程系,上海201804; 3.上海中醫藥大學,上海201203;4.上海道生醫療科技有限公司,上海201203)

Mars500志愿者健康狀態中醫監測數據分析

李勇枝1,李國正2,高建義1,張志楓3,范全春1,許家佗3,白桂娥1,陳凱先3,石宏志1,孫 勝2,劉 宇1,陳家昌2,米 濤1,賈新紅4,趙 爽1,邵峰峰2,劉軍蓮1,郭雨萌2

(1.中國航天員科研訓練中心,北京100094;2.同濟大學控制科學與工程系,上海201804; 3.上海中醫藥大學,上海201203;4.上海道生醫療科技有限公司,上海201203)

為研究航天員如何適應長期密閉環境對人體健康(生理、心理、精神)和機體功能的挑戰,提出一種基于多標記學習的證候診斷模型。采用中醫“望、聞、問、切”的方法,采集長期密閉環境下人體生命活動的狀態數據,并運用數據挖掘方法研究、闡釋其特點及變化規律。實驗結果表明,該融合數據分類模型能達到80%的平均分類精度。

航天;密閉環境;中醫;數據挖掘;特征選擇

1 概述

隨著我國載人航天三步走戰略的發展,以及全面推進載人空間站工程長期載人飛行任務的全面展開,建基月球、探險火星已成為下一階段的發展目標。為了有效保障航天員健康安全高效的工作,研究航天員的健康狀態,評估與預警技術至關重要。

中醫藥在悠久的發展歷史中形成了自己獨特的理論體系、思維模式和診療方法。中醫的整體觀、“天人相應”、辨證論治等思想,特別是中醫對健康狀態的辨識和養生保健的調理干預措施,有望對長期太空飛行的健康保障做出獨特貢獻。

在“火星500模擬載人飛行實驗”的“Mars500長期密閉環境人體中醫辨證研究”項目中,采取中醫“望、聞、問、切”的診法,研究長期密閉環境下人體生命活動的狀態,闡釋其特點及變化規律,是運用中醫理論與技術研究航天員健康保障的一次具有重要科學意義的探索。這項研究力圖揭示長期密閉環境下的人體中醫辨證和證候演變規律,取得的研究結果為進一步地深入研究、解決長期載人航天飛行的健康保障問題奠定基礎。本項研究具有鮮明的中國科技原創特色,對于促進未來航天飛行中運用中醫技術進行監測、診斷和進一步實時干預人體健康狀態,形成具有中國特色的航天醫學保障體系,具有重要意義。

數據挖掘是從海量、不完全、有噪聲、模糊、看似隨機的數據集合中,提取隱含其中、事先未預知、有價值的知識和規律的過程。目前,數據挖掘的主流算法有很多,這些算法各有特點,根據主題的不同可以采用不同的算法。如中醫方劑的研究多采用關聯規則分析找出復方中的配伍規律;中醫定量診斷可以用貝葉斯網絡或者多標記學習進行建模;對中醫醫案的挖掘可以應用聚類分析等

當前,已有越來越多中醫藥領域的研究工作引入最新的數據挖掘技術。例如,將特征選擇技術和證候預測方法應用于肝硬化中醫診斷,以輔助肝硬化治療過程中的證候判斷[1];中醫領域中高維數據癥狀分類相似度計算建模[2]和基于中醫癥狀和西醫風險因子的骨質疏松癥患病風險建模[3]屬于典型的中醫藥數據建模分析的相關研究。

由于Mars500的實驗成本非常高,參試志愿者需要從事的科學任務非常繁重,時間寶貴,供本次研究采集實驗數據的時間較短,造成采集的實驗數據量非常少。參與實驗的各國志愿者總共只有6名,采集到的樣本數據只有222條,樣本特征數目比較多,常規方法很難適用,數據采集后得到的專家證候判讀結果是多標記情形。因此,本文通過特征選擇方法選出與辯證相關的重要特征,然后使用多標記分類器建立分類模型。

2 數據采集與預處理

2.1 原始數據的采集

2.1.1 采集對象的信息

本文研究項目的信息采集對象是在Mars500密閉環境下的6名志愿者(其中黃種1人,白種5人)。男性,年齡在26歲～38歲之間,平均年齡為31.83歲。采集的基本信息包括姓名、性別、出生年月等。

2.1.2 志愿者中醫診斷信息的采集

采集設備為“DS01-T型中醫舌面脈問數據采集及輔助診斷系統”,如圖1所示,該設備對航天員志愿者的問診、望診(面色、舌象)、切診(脈象)數據進行采集,從2010年6月3日—2011年11月4日,每2周采集一次。

圖1 DS01-T型中醫舌面脈問數據采集及輔助診斷系統

2.2 數據特征的中醫判讀

數據特征的判讀與分析采用中醫專家判讀和軟件分析2種方式。中醫專家共3名,資質要求為具有20年以上臨床經驗的主任醫師。先單獨分析,如果三人一致者,則予以確定;如果發生有一人(或一人以上)不一致,則須另邀2名專家與前3位專家(資質同上)共同協商確定。

2.2.1 中醫專家對于望診信息的分析判讀

專家對舌面望診信息的判讀,是對模擬艙內逐次導出的舌面照片進行信息分析,給出舌面特征的定性描述及可能代表的中醫醫理意義。

中醫專家對航天員志愿者的舌診、面診照片進行判讀要結合前期臨床采集的舌面診數據庫中確定的典型樣本,用類比法認定,減少經驗誤差。專家判讀的結論作為辨證的依據之一。

2.2.2 中醫專家對于脈象信息的分析判讀

專家對脈象切診信息的判讀,是分析模擬艙內逐次導出的脈圖,結合基于以往數據庫所建立的各種常見脈象模型,分析研究航天員志愿者的脈位、脈率、脈力、節律、脈形等脈圖信息,給出脈象特征的定性判讀及可能代表的中醫醫理意義,作為辨證的依據之一。

2.2.3 中醫專家對于問診癥狀的分析判讀

首先需對“Mars500長期密閉環境條件下中醫基本證候癥狀量表”中部分癥狀描述用語的含義進行梳理,轉換成規范的中醫臨床診斷標準術語,如將“有饑餓感但吃不多”轉換為“饑不欲食”。

中醫專家依據癥狀出現的頻次和程度并結合臨床經驗確定主要癥狀和一般癥狀,對問診信息進行中醫判讀,分析實驗者的健康狀態。

2.2.4 中醫專家證候判讀

中醫專家對于問診、面色、舌象、脈象綜合信息進行四診合參證候的分析與判讀。

2.2.5 數據集描述

在數據采集期間,對6名宇航員志愿者各進行37次采樣,共得到222個樣本。其中,望診數據包括面色、舌色、苔色、舌形數據集;切診數據集包括:左手脈象和右手脈象;問診數據來自于中醫評測量表。進行初步預處理,剔除3個無效樣本,最終得到219個有效樣本。望診數據集共包含245個特征,切診數據集共有30個特征,望問切融合數據集共有389個特征。本次研究將專家辨證結果拆分為11個證素組成研究對象的類標集。

3 建模分析算法

通過以上分析,本次研究對象是小樣本多標記問題,所以,需要對樣本進行特征子集的選擇和多標記建模預測。

3.1 特征選擇方法

傳統的特征選擇算法都是針對單標記學習的,而在本次研究中,每個樣本都帶有多個標簽,屬于多標記學習問題,因此,本文中使用多標記特征選擇算法來篩選最優的特征子集。

3.1.1 混合優化多標記特征選擇

混合優化多標記特征選擇(HOML)[4]是結合多標記學習算法提出的一種混合優化的技術,該技術綜合了遺傳算法[5]、模擬退火[6]、蟻群算法[7]等技術的優勢,并利用學習器的預測結果選擇特征。對于小樣本問題,較之其他標準的互信息特征選擇方法在建模精度上有良好效果。

HOML算法系統如圖2所示,其基本思想是先用模擬退火算法(SA)進行全局搜索。當溫度比較高時,SA接受每一個特征子集,從而在搜索空間上進行隨機近鄰搜索。而當溫度接近0℃時,SA只接受那些能提高解決問題效力的特征子集。SA占用HOML大約50%的時間,然后用遺傳算法(GA)進行優化。遺傳算法的交叉算子使得評分高的特征子集之間可以交換信息,而變異算子為種群引入了新的基因,保持了基因多樣性。GA占用HOML大約30%的時間。最后在前2個階段產生的100個最佳特征子集中選出最優的特征子集,用爬山貪婪算法進行k近鄰搜索(k代表特征的維度)。

圖2 DS01-T型中醫舌面脈問數據采集及輔助診斷系統

3.1.2 嵌入式多標記特征選擇(MEFS)算法

本文采用的MEFS[8]算法是結合多標記學習算法提出的一種嵌入式特征選擇算法,其算法系統如圖3所示。其中,子集的搜索采用序列后向選擇搜索算法,特征的評價采用預報風險準則。

圖3 MEFS算法系統

預報風險準則:預報風險[9]是對新觀察數據進行分類的預期性能的估計。在數據建模過程中,預報風險可用來估算模型預測精度和選擇模型,其中,最小化預報風險原則經常被用于最優模型的選擇。通過結合嵌入式的降維思想,將預報風險的方法用于特征選擇。通過計算當所有樣例在某個特征的數值被所有樣例在該特征的平均值代替時的訓練正確率的變化來評價各個特征,用Si表示此訓練正確率的變化,如下所示:

其中,ACC表示訓練模型的訓練集上的預測精度;ACC(xi)表示將訓練集實例的第i個特征用該特征的平均值代替后的訓練精度。對應Si值最小的特征將被刪除,因為該特征值的變化對結果的影響最小,也就是說該特征對區分類標的作用最小,甚至起負作用。

預報風險用于嵌入式特征選擇的工作取得了很好的效果,所使用的分類器包括ML-KNN等。為了將預報風險準則用到多標記學習中,本文采取多標記學習性能的評價指標Average precision作為預報風險的計算指標。

MEFS算法的描述如下:定義x∈RD表示D維的特征空間,降維的目標維數為d,特征子集u=[1, 2,…,D],刪除特征的序列為r=[…],f(x)表示多標記學習模型在訓練集上的預測性能度量函數,f(xi)表示將訓練集的第i個特征的所有實例的數值被該特征的平均值代替后,模型在訓練集上的預測性能度量。

因此,MEFS算法的預報風險計算公式為:

3.2 多標記分類方法

在本文研究中,每個樣本都帶有多個標簽,而對每個樣本的標簽進行判定屬于多標記分類問題。

多標記分類問題起源于文本的分類和醫學診斷的分 類[10],并在機器學習領域得到關注。現有的多標記分類算法可以分為2種:一種是問題轉化方法(problem transfor-mation methods);另一種是算法適應方法(alogorithm adapta-tion methods)。問題轉化方法將多標記分類問題轉化為一個或者多個單標記分類或者回歸問題,算法適應方法對特定的學習算法進行擴展改進,使其能夠直接處理多標記數據。本文使用多標記k近鄰(ML-KNN)算法[11]、分類器鏈(CC)算法[12]和RAKEL(Random k-Labelsets)算法[13]。其中,ML-KNN屬于算法適應方法,它將KNN算法擴展到多標記學習上,CC和RAKEL屬于問題轉化方法。

3.2.1 多標記k近鄰算法

多標記k近鄰(ML-KNN)算法是在KNN基礎上提出的一種多標記學習算法。其多標記學習特性適用的證候結果不是單純證,而是夾雜或者兼證的情況。其基本思想是采用 k近鄰 (k-nearest neighbors)分類準則,統計近鄰樣本的類別標記信息,通過最大化后驗概率(Maximum A Posteriori, MAP)的方式推理未知示例的標記集合。ML-KNN算法的具體流程如下[14]:

(1)計算與每個樣本關聯的每個類標的條件分布概率。

(2)計算測試樣本xi與每個訓練樣本之間的距離,并找出與之最近的k個樣本,對每個測試樣本重復進行以上操作。

(3)根據與xi最近的k個訓練樣本類標的條件概率來預測xi的類標,然后對每個測試樣本重復以上操作。

(4)根據多標記學習的評價準則評估預測的結果。

3.2.2 分類器鏈(CC)算法

分類器鏈(CC)算法是在 BR(Binary Relevance)算法的基礎上提出的,依然使用BR所使用的二叉分類。CC與BR的最大不同是,CC考慮到訓練數據集中標簽之間的關聯關系,它將這些基分類器ci,i=1,2,…,n串聯起來形成一條鏈。

CC算法的描述如下:CC為每一個標簽ci∈L= {c1,c2,…,cn}學習一個分類器hi:x→{￢ci,ci}。學習分類器hi時,CC把cn∈{c1,c2,…,ci-1}都當做特征。假設一個新的樣例x需要被分類,分類器h1判斷x是否屬于標簽c1,設其值為y∈{0,1},得出Pr(c1|x)。分類器h2判斷x是否屬于標簽c2,但是此時會將y1作為輸入得到Pr(c2|x,c1)。以此類推,當hi判斷x是否屬于標簽ci時,會將y1,y2,…,yi-1作為額外的信息輸入得到Pr(ci|x,c1,c2,…,ci-1)。這種鏈的方式使得標簽信息在分類器之間傳遞,考慮到標簽之間的關聯性,克服了BR的缺點,并且仍然保持BR計算復雜度低的優點。在預測一個樣例是否具有某個標簽時,CC算法會將之前得到的所有標簽結果加入到樣例特征中,為預測該標記提供信息。表1給出了CC算法的執行過程,為了表示方便,這里假設特征值由0/1表示,樣本x=[0,1,0,1, 0,0,1,1,0]。

表1 CC算法執行過程

3.2.3 RAKEL算法

RAKEL(Random k-Labelsets)使用隨機標簽組合的方法進行多標記分類,這是一種被廣泛使用的基于問題轉化的方法,它將訓練數據中的每種標簽重新組合,進行二進制編碼,從而形成全新的標簽,這種方法改進了LP(Label Powerset)[15]算法不可預測新標簽組合的缺點,并在一定程度上降低了計算復雜度。

4 實驗結果與分析

4.1 實驗設置與評價指標

本文首先利用ML-KNN、CC和RAKEL分類器對望問切融合數據、望診數據、切診數據進行分類,通過對比實驗結果找出最好的分類模型,然后再將HOML和MEFS特征選擇方法分別加入到最好的分類模型中進行實驗,之后通過實驗結果對比,將分類精度最高的模型作為最終的分類模型。在實驗中, ML-KNN分類器的K參數設置為10,平滑系數設置為1,實驗采用5倍交叉驗證。

本文使用 Average precision,Ranking loss,Oneerror,Hamming loss這4個評價指標進行結果分析。其各項指標的具體定義如下:

Average precision:在樣本的概念標記排序序列中,排在隸屬于該樣本概念標記之前的標記仍屬于樣本標記集合的情況。

Ranking loss:在樣本的概念標記排序序列中出現排序錯誤的情況。

One error:在樣本的概念標記排序序列中,序列最前端的標記不屬于樣本標記集合的情況,對應于單標記學習問題中傳統的分類誤差。

Hamming loss:樣本在單個概念類上的誤分類情況,即隸屬于該樣本的概念類未出現在標記集合中或者不屬于該樣本的概念類出現在標記集合中。

其中,Average precision的值越大越好,其他指標越小越好。

4.2 實驗結果

使用ML-KNN、CC和RAKEL分類器對望問切融合數據、望診數據、切診數據進行分類,結果如表2、表3和表4所示。

表2 使用ML-KNN的分類結果

表3 使用CC的分類結果

表4 使用RAKEL的分類結果

通過對實驗結果的分析對比,發現使用MLKNN在這3組數據上的分類效果明顯比CC和RAKEL的分類效果好,并且ML-KNN在望問切融合數據上的分類結果是最好的。因此,將HOML和MEFS特征選擇方法加入到ML-KNN對于望問切融合數據的分類實驗中,實驗結果如表5和表6所示。

表5 使用HOML的ML-KNN分類結果

表6 使用MEFS的ML-KNN分類結果

使用HOML在望問切融合數據特征的選擇結果如表7所示,特征選擇所選結果所代表的醫學含義如表8所示。

表7 HOML特征選擇

表8 所選特征的醫學含義

通過對比分析上述結果可以發現,在使用MLKNN、CC、RAKEL建立的模型中,融合數據的分類準確率都明顯高于單一診次的數據,因此,在中醫辨證中,四診合參是十分重要的。將HOML和MEFS加入到ML-KNN對于望問切融合數據的分類中進行實驗,發現HOML對于ML-KNN的分類精度有所提升,MEFS對于ML-KNN的分類精度有所下降;同時,通過特征選擇選出對于分類有貢獻的重要特征。因此,可以將含有HOML和ML-KNN的模型作為最終的分類模型。

4.3 結果分析

通過對以上實驗結果的對比表明,ML-KNN和HOML在望問切融合數據上的分類精度是最好的,為了驗證模型的穩定性,將ML-KNN中的k分別設置為2,4,6,8,10進行實驗,結果如圖4所示。

圖4 各項指標隨k值的變化情況

通過分析圖4,可以得出如下結論:(1)隨著k值的變化,各項指標的值都有所變化,但是變化的范圍很小,所以模型的穩定性較好;(2)當k取值為4時,模型的性能在 Average precision、One Error、Hamming loss的指標比k取其他值時要好。

本次研究利用訓練樣本建立多標記模型,通過測試樣本驗證了模型的輸出結果比較穩定,而且預測的準確率也比較高,特別在望問切數據集上,其預測準確率達到了80%。最后,應用該多標記模型來預測新的樣本,如圖5所示,輸入是要預測的新樣本,樣本的特征由若干癥狀組成;輸出是對新樣本的預測結果,由11個證素組成。因此,所建立的多標記模型就是利用癥狀來判別證候。

圖5 多標記模型

5 結束語

本文應用上海道生公司的設備“DS01-T型中醫舌面脈問數據采集及輔助診斷系統”,采集面色診、舌診、脈象信息和“Mars500長期密閉環境條件下中醫基本證候癥狀量表”的觀察記錄數據,并通過中醫專家結合DS01-T的分析軟件進行特征判讀與參數提取,最后利用特征選擇HOML和多標記學習MLKNN建立癥狀和證候的關系模型。實驗結果表明,利用特征選擇HOML和多標記學習ML-KNN相結合的方法,其分類準確率要高于只應用多標記學習ML-KNN建立的分類器。所以,利用特征選擇HOML選取出來的特征結果是十分有效的。

航天醫學是發展載人航天事業的重要學科之一,載人航天的發展離不開航天醫學的保障。航天醫學的目的是使人體在特殊宇宙空間環境中能適應、耐受、完成航天的作業任務。它給航天員提供全程的醫學監督和醫學保障,對航天員在飛行前、飛行中和飛行后的健康狀況進行監督,及時發現身體異常狀況,并采取防治措施。隨著數據挖掘技術的快速進步,其在許多行業已經取得令人矚目的成就。數據挖掘技術與航天醫學的結合,將在人體健康監測數據研究方面發揮越來越重要的作用。

[1] Wang Yan,Ma Lizhuang,Liu Ping.Feature Selection and Syndrome Prediction for Liver Cirrhosis in Traditional Chinese Medicine[J].Computer Methods and Programs in Biomedicine,2009,95(3):249-257.

[2] Peng Jing,Tang Changjie,Yang Dongqing,etal. Similarity Computing Model of High Dimension Data for Symptom Classification of Chinese Traditional Medicine [J].Applied Soft Computing,2009,9(1):209-218.

[3] Zhou X H,Li S L,Tian Feng,et al.Building a Disease Risk Model of Osteoporosis Based on Traditional Chinese Medicine Symptoms and Western Medicine Risk Factors [J].Statistics in Medicine,2012,31(7):643-652.

[4] Shao Huan,Li Guozheng.Symptom Selection for Multilabel Data of Inquiry Diagnosis in Traditional Chinese Medicine[J].Science China Information Sciences, 2011,41(11):1372-1387.

[5] Yang J,Honavar V.Feature Subset Selection Using a Genetic Alogorithm[J].IEEE Intelligent Systems and Their Applications,1998,13(2):44-49.

[6] Meiri R,ZahaviJ.Using Simulated Annealing to Optimize the Feature Selection Problem in Marketing Applications[J].European JournalofOperational Research,2006,171(3):842-858.

[7] Dréo J,Siarry P.Continuous Interacting Ant Colony Alogorithm Based on Dense Heterarchy[J].Future Generation Computer Systems,2004,20(5):841-856.

[8] You Mingyu,Liu Jiaming,Li Guozheng,et al.Embedded Feature Selection for Multi-label Classification of Music Emotions[J].International Journal of Computational Intelligence Systems,2012,5(4):668-678.

[9] 葛 雷,李國正,尤鳴宇.多標記學習的嵌入式特征選擇[J].南京大學學報:自然科學,2009,45(5): 671-676.

[10] Tsoumakas G,Katakis I.Multi-label Classification:An Overview[J].International Journal of Data Warehousing and Mining,2007,3(3):1-13.

[11] Zhang Minling,Zhou Zhihua.ML-KNN:A Lazy Learning Approach to Multi-label Learning[J].Pattern Recognition,2007,40(7):2038-2048.

[12] Read J,Pfahringer B,Holmes G,et al.Classifier Chains for Multi-label Classification[J].Machine Learning, 2011,85(3):333-359.

[13] Tsoumakas G,Katakis I,Vlahavas L.Random k-labelsets for Multilabel Classification[J].IEEE Transactions on Knowledge and Data Engineering,2011,23(7):1079-1089.

[14] Liu Guoping,Li Guozheng,Wang Yalei,et al.Modelling of Inquiry Diagnosis of Coronary Heart Disease in Traditional ChineseMedicine by Using Multi-label Learning[J].BMC Complementary and Alternative Medicine,2010,10(1):10-37.

[15] Boutell M R,Luo Jiebo,Shen Xipeng,et al.Learning Multi-label Scene Classification[J].Pattern Recognition, 2004,37(9):1757-1771.

編輯 任吉慧

Analysis on TCM Monitoring Data of Healthy Status Collected from Mars500 Volunteers

LI Yong-zhi1,LI Guo-zheng2,GAO Jian-yi1,ZHANG Zhi-feng3,FAN Quan-chun1,XU Jia-tuo3, BAI Gui-e1,CHEN Kai-xian3,SHI Hong-zhi1,SUN Sheng2,LIU Yu1,CHEN Jia-chang2,MI Tao1,
JIA Xin-hong4,ZHAO Shuang1,SHAO Feng-feng2,LIU Jun-lian1,GUO Yu-meng2
(1.China Astronaut Research and Training Center,Beijing 100094,China;
2.Department of Control Science and Engineering,Tongji University,Shanghai 201804,China;
3.Shanghai University of Traditional Chinese Medicine,Shanghai 201203,China;
4.Shanghai Daosheng Medical Technology Co.,Ltd.,Shanghai 201203,China)

In order to study that spacemen how to adapt to challenges which longtime closed environment brings to human health(physiology,psychology,spirit)and bodily function,a differentiation model based on multi-label learning is proposed.This paper adopts“inspection,auscultation and olfaction,inquiry and pulse-taking”diagnose methods of Traditional Chinese Medicine(TCM)to collect human life activity state data in longtime closed environment.It uses data mining methods to study and explain its characteristics and varying patterns.Average precision of classification model built by fusion data reaches 80% in the experiment.

spaceflight;closed environment;Traditional Chinese Medicine(TCM);data mining;feature selection

1000-3428(2014)09-0013-06

A

TP311.13

10.3969/j.issn.1000-3428.2014.09.003

國家自然科學基金資助項目(61273305)。

項目介紹:Mars500實驗是由俄羅斯組織多國參與的航天醫學實驗項目。由6名志愿者在地面密閉實驗艙內模擬火星往返飛行,實驗設施位于莫斯科俄羅斯科學院生物醫學問題研究所(IBMP)。實驗共分3個階段:250天從地球飛往火星的虛擬飛行,30天火星地表停留,240天返程,總共持續520天。在每個階段,全部志愿者生活和工作僅限于實體模型航天器,不能和外部直接交流,若通過互聯網交流會有20 min延遲。實驗人員不能從外界獲取消耗品。由于從飛船發射、飛向火星、火星著陸到返回地球的一系列過程需要近500天時間,因此,這一項目被稱為“Mars500”。在Mars500運行過程中,中國航天員訓練中心探索航天長期密閉環境下中醫藥健康監測的實驗,運用上海道生公司設備采集的面色診、舌診、脈象信息和“Mars500長期密閉環境條件下中醫基本證候癥狀量表”的觀察記錄數據,建立關聯數據庫,進行數據挖掘分析,建立和完善Mars500長期密閉環境條件下中醫基本證候診斷標準和技術方法,分析觀察和初步揭示證候特點和演變規律。通過上述研究取得的階段性成果,為應用中醫藥開展長期載人飛行健康保障研究開創一個良好的開端,提供成功的經驗、方法和思路,為進一步開展更加廣泛、深入和嚴格的研究奠定基礎。

李勇枝(1963-),女,研究員,主研方向:航天實施醫學;李國正,研究員、博士生導師,主研方向:數據挖掘,機器學習;高建義,副研究員、碩士;張志楓,副教授、博士;范全春,副研究員、碩士;許家佗,教授,博士后、博士生導師;白桂娥,副研究員;陳凱先,中國科學院院士;石宏志,副研究員、碩士;孫 勝、劉 宇、陳家昌,碩士研究生;米 濤,助理研究員;賈新紅,碩士;趙 爽,助理研究員;邵峰峰,碩士研究生;劉軍蓮,助理研究員、博士;郭雨萌,博士研究生。

2014-04-03

2014-06-11E-mail:drgzli@gmail.com