基于BP神經網絡的中醫辨證模型構建方法探討

徐 亮陳守強侯建輝畢文霞袁 鋒

（1山東中醫藥大學，濟南，250014；2山東中醫藥大學第二附屬醫院心臟中心，濟南，250001；3山東管理學院信息工程學院，濟南，250001）

?

基于BP神經網絡的中醫辨證模型構建方法探討

徐 亮1陳守強2侯建輝1畢文霞1袁 鋒3

（1山東中醫藥大學，濟南，250014；2山東中醫藥大學第二附屬醫院心臟中心，濟南，250001；3山東管理學院信息工程學院，濟南，250001）

摘要目的：以氣虛證辨證模型為例，探討中醫辨證模型構建方法。方法：將684例名老中醫醫案錄入電子病歷中，利用其統計功能，創建驗案癥狀表；將驗案癥狀表導入Matlab軟件中；利用BP神經網絡程序，隨機將669例醫案作為訓練數據，剩余15份病例作為測試數據。結果：測試數據與模型數據之間的絕對誤差中，有3例大于0. 6，其余12例小于0. 3；靈敏度為83. 3%，特異性為77. 8%，預測一致性為80%。結論：本文以氣虛證為例，結合BP神經網絡技術，創建了一種中醫辨證模型，準確率較高，并為挖掘名老中醫辨證經驗提供了一條新的途徑，值得推廣。

關鍵詞辨證模型；BP神經網絡；氣虛；中醫

The Research on the Constructlon of the TCM Dlfferentlatlon Model Based on BP Neural Network

Xu Liang1，Chen Shouqiang2，Hou Jianhui1，Bi Wenxia1，Yuan Feng3
（1 Shandong University of Traditional Chinese Medicine in Jinan，Ji'nan 250014，China；2 Heart Center of the Second Hospital Affiliated to Shandong University of Traditional Chinese Medicine in Jinan，Ji'nan 250001，China；3 School of Information Engineering of Shandong Management University in Jinan，Ji'nan 250001，China）

Abstract Objectlve：To construct a Traditional Chinese Medicine（TCM）differentiation model by taking qi deficiency syndrome differentiation model as an example. Methods：To input the 684 cases and medication records of TCM distinguished veteran doctors into the electronic medical records management system and build a table of symptoms using its statistical function. Then using BP neutral network to input the symptoms table into Matlab software and take 669 medical records as training data randomly. The last 15 medical records are taken as test data. Results：The absolute error in test data and model data shows that there are 3 cases that are greater than 0. 6，and the other 12 cases were less than 0. 3. The accuracy is 83. 3%，specificity is 77. 8%，and predication consistency is 80%. Concluslon：This research has developed a TCM syndrome differentiation model with high accuracy based on BP neural network，and explored a new way to summarize experience of TCM distinguished veteran doctors. Therefore，it is worthy of popularizing.

Key Words TCM differentiation model；BP neural network；Qi deficiency syndrome；TCM

“醫圣”張仲景奠定了辨證論治的基礎，而辨證論治也是中醫學的精髓之一。證，指疾病發展到某一階段的病理本質的概括［1］，包括病因、病機等。辨證是指通過對望、聞、問、切四診信息進行綜合分析，判斷疾病病理本質的過程。正確的辨證，是遣方用藥的基礎，是療效的保證。但辨證過程中，很多資料難以具體描述和精確量化，給辨證的系統化和客觀化研究帶來了很大困難［2］。

BP神經網絡，人工生物網絡的一種，通過模仿生物大腦神經元之間的聯系，模擬人大腦學習功能，建立輸入到輸出非線性的映射［3-5］，并且通過自身調節各數據的權重，是輸出結果接近期望值，有著傳統統計方法無法比擬的適應性、容錯性及自組織性等優點［6-7］。在國內外，有學者已將BP神經網絡成功地用于某些疾病的輔助診斷和預后分析方面［8］，例如：急性心肌梗死診斷、缺血性心腦血管病、腫瘤等疾病的診斷及預測［9-13］。中醫望、聞、問、切四診信息多為非線性數據，四診各信息共同決定一個辨證過程，通過大量中醫醫案數據對神經網絡進行訓練，調節各數據的權重，使輸出結果更接近于真實。名老中醫為中醫發展的寶貴財富，名老中醫醫案則成為名老中醫經驗的結晶，通過搜集名老中醫病歷，建立名老中醫醫案數據庫，醫案數據中包含著名老中醫辨證經驗。本文以氣虛證辨證模型為例，利用名老中醫數據庫的大量數據，應用神經網絡技術，探討中醫辨證模型的構建方法，同時，能夠挖掘名老中醫辨證經驗。

1　資料與方法

1. 1 一般資料 684份名老中醫醫案來自書籍、論文，將其錄入醫案分析系統中。

2　方法

2. 1 BP算法基本原理 神經網絡的基本單位為神經元，與生物學中的神經元類似，能夠接受、處理、輸出功能。一定數量的神經元連接在一起，構成一個神經網絡，神經網絡包括輸入層、隱含層和輸出層。神經元之間通過權連接，權值的大小代表上一層神經元對下一層神經元的影響程度，各神經元的作用函數為Sigmoid函數，而同一層的神經元之間無相互作用。BP（Back Propagation）［14-15］，該算法解決了多層神經網絡權值調整問題。該方法建立在梯度下降法的基礎上的，通過向后傳播學習算法，從而實現對權值的調整，故又稱為反向傳播算法。訓練過程由正向傳播和反向傳播組成：1）正向傳播過程中，即用一組訓練樣本對神經網絡進行訓練，每一個樣本包含輸入和輸出信息，輸入信息由輸入層傳向隱含層，并在隱含層進行處理，之后傳入輸出層；2）以輸出值與期望值比較，如果輸出值與期望值差別較大，則轉入反向傳播過程，計算每一層實際輸入值與期望輸入值的誤差，并將誤差信號按照原來的通道返回，修改每層神經元的權值，最終使得誤差信號最小。經過充分訓練后的神經網絡，獲得了各層連接之間的權值，該神經網絡各層權值的分配即為神經網絡所獲取的知識，能夠反映樣本數據的特征，其中包含各變量之間潛在的關系。進過訓練后的神經網絡，具有合適的權值連接，當給予輸入后，會輸出與目標相近的數值，由此構成非線性映射模型。

2. 2 驗案癥狀表的建立 684份名老中醫醫案來自書籍、論文，將其錄入醫案分析系統中。以氣虛證的辨證為例，通過驗案分析系統統計功能，分別定義“問診”和“望聞切診”為列變量，在條件框中輸入“乏力”，若醫案中包含此癥狀，則該醫案中的“問診”或“望聞切診”標記為“1”，若無此癥狀則標記為“0”，建立數據表，復制該表中的“問診”或“望聞切診”列到新建表格中，命名為“驗案癥狀表”。在條件框中錄入其他癥狀，同樣方式，復制該表中的“問診”或“望聞切診”列到驗案癥狀表中。選擇其他氣虛常見癥狀，按上述方法，建立如下表1，“ID”為某條驗案的ID。此外，某些癥狀存在表述方式不同的情況，如頭暈與眩暈，在條件框中輸入該癥狀的多種表述方式，選擇“or”型分析。

表1　驗案癥狀表（節選）

2. 3 數據導入與分析 將建立好的驗案癥狀表導入到Matlab軟件中，隨機選擇669份醫案作為訓練數據，剩余15份病例作為測試數據。

2. 4 設置BP神經網絡參數 BP神經網絡三個層參數設置如下：1）輸入層設計：輸入層神經元的個數與變量的個數相同［16］。參考《中醫基礎理論》，并結合臨床經驗，本研究中選取乏力、氣短等11個癥狀變量，故輸入層神經元為11個。2）隱含層的設計：一般來說，隱層單元數太少，神經網絡缺乏充分的訓練，無法識別未學習過的樣本；若層單元數太多，能夠對神經網絡進行充分的訓練，但當輸入模式與訓練集稍有變化，則不能判別，而且顯著的增加訓練時間，容易出現過度擬合［17-18］。參考Kolmogorov定理，確定隱含層單元數范圍，之后參考靈敏度修剪算法［19］，設定合適的隱層單元數為8。3）輸出層的設計：輸出層的神經元個數與期望得出的變量數一致，本研究為1個神經元（是氣虛證，輸出1；非氣虛證，輸出為0）。其模式示意圖，如圖1所示。

圖1　基于BP神經網絡氣虛辨證模型模式示意圖

3　結果

導出數據，15例測試數據中，6例為氣虛證型，9例為其他證型。測試樣本實際值、模型值、誤差數值如表2所示；測試樣本、模型值如圖2所示。

測試數據與模型數據之間的絕對誤差中，有3例大于0. 6，其余12例小于0. 3，其模型誤差曲線如圖3所示。

當模型值大于0. 6判定為氣虛證，小于0. 3判定為非氣虛證。該組模型預測值準確率統計如表2所示。

表2　測試樣本實際值、模型值、誤差數值

圖2　測試樣本

圖3　模型誤差

表3　模型準確率

4　討論

BP神經網絡通過訓練集對其進行訓練，其中訓練集數據包括錄入值與輸出值，每次錄入一個數據，都會通過調整隱層結點權值，使輸出值盡可能接近預期值。當經過大量的數據訓練之后，神經網絡中各權值不斷調整，達到最佳權值，該權值通過數據形式獲取樣本知識，反映樣本數據特點及關聯。中醫辨證是通過望聞問切，綜合四診信息，來判定證型。雖然各種常見癥狀與證型的判定有一定的關系，而復雜的四診信息共同決定一個證型的判定［20］，所以各四診癥狀與證型是非線性關系。BP神經網絡，在處理非線性數據時，有著常規統計方法無法比擬的優勢，通過不斷調節各數據權重，使輸出值接近于期望值，此過程與中醫辨證過程極為相似。

本文以氣虛證型為例，運用BP神經網絡技術建立辨證模型，靈敏度為83. 3%（氣虛證準確率），特異度為77. 5%（非氣虛準確率），預測的一致率達到80%。證實了BP神經網絡技術在中醫證候研究中的可行性。通過醫案數量的積累、必要的規范化處理，以及對輸入層參數的合理選擇，會較大提高預測的準確性；同時，更加合理的參數設定及優化處理，將大大提高預測精度及運行效率。該方法的建立，為探索中醫辨證論治提供一種全新思路，同時，為名老中醫辨證經驗的挖掘提供新的途徑。

參考文獻

［1］王卓雅，曾光，向茗，等.證素辨證與中醫藥標準化［J］.中醫藥導報，2015，21（4）：1-4.

［2］劉龍，許玲，孫大志，等.一種胃癌模糊辨證模型的建立［J］.中西醫結合醫學雜志，2008，6（11）：1117-1121.

［3］蔣亮. BP神經網絡的優化研究及應用［D］.南昌：南昌大學，2014.

［4］王俊杰，陳景武. BP神經網絡在疾病預測中的應用［J］.數理醫藥學雜志，2008，21（3）：259-262.

［5］岑紅蕾，魯敏，聶晶.基于BP神經網絡的非線性函數逼近仿真研究［J］.農業網絡信息，2015（1）：52-55.

［6］張景陽，潘光友.多元線性回歸與BP神經網絡預測模型對比與運用研究［J］.昆明理工大學學報：自然科學版，2013，38（6）：61-67.

［7］司建波，楊芳，郭蔚瑩，等.基于BP神經網絡的兩階段疾病預測模型［J］.吉林大學學報：工學版，2013（S1）：481-484.

［8］William G. Baxt. Application of artificial neural networks to clinical medicine［J］. The Lancet，1995（346）：1135-1138.

［9］白麗娜.基于BP神經網絡的中醫體質辨識研究［D］.天津：天津理工大學，2014.

［10］陳金宏，吳海云，何耀，等.基于BP神經網絡的老年男性保健人群缺血性心腦血管病預測模型研究［J］.第三軍醫大學學報，2011，33（8）：797-799.

［11］范炤，呂吉元，陳澤華，等.基于BP人工神經網絡的急性前壁心肌梗塞冠脈內支架術一年預后模型研究［J］.中國衛生統計，2010，27（1）：71-73，82.

［12］張鳴.初步構建基于我國肝移植受體的生存評估模型及其與MELD的比較研究［D］.成都：四川大學，2006.

［13］劉清云，呂艷輝.改進的BP神經網絡在醫療中的應用研究［J］.沈陽理工大學學報，2013，32（3）：48-51.

［14］譚文學，王細萍，席金菊，等.基于BP神經網絡模型的疾病確診方法研究［J］.計算機工程與設計，2011，32（3）：1070-1073.

［15］陳艷霞，劉揮.基于BP神經網絡的醫學數據分析［J］.中國實用醫藥，2010，5（18）：275-276.

［16］曾曉青. BP神經網絡在建模中的參數優化問題研究［J］.氣象，2013，39（3）：333-339.

［17］張德慧，張德育，劉清云，等.基于粒子群算法的BP神經網絡優化技術［J］.計算機工程與設計，2015，36（5）：1321-1326.

［18］楊守建，陳懇. BP神經網絡性能與隱藏層結構的相關性探究［J］.寧波大學學報：理工版，2013，26（1）：48-52.

［19］沈花玉，王兆霞，高成耀，等. BP神經網絡隱含層單元數的確定［J］.天津理工大學學報，2008，24（5）：13-15.

［20］向茗，黃惠勇.中醫辨證現代化研究現狀與思路［J］.湖南中醫雜志，2015，31（1）：145-147.

（2015－03－18收稿 責任編輯：張文婷）

第十三屆世界中醫藥大會“一帶一路”中醫藥文化周（大洋洲·2016）

The 13thWord Congress of Chinese Medicine OBOR TCM CULTURE WEEK（Oceania·2016）

第一輪通知

2016年11月10日－17日·大洋洲

各位專家、各位同仁：

由世界中醫藥學會聯合會主辦的世界中醫藥大會是全球中醫藥領域規模大、參與廣、層次高的學術盛會。至今已在中國、法國、加拿大、新加坡、中國澳門、澳大利亞、荷蘭、英國、馬來西亞、美國、俄羅斯、西班牙成功舉辦了十二屆。第十二屆世界中醫藥大會期間首次舉辦“一帶一路”中醫藥文化周系列活動，為中醫藥在歐洲的發展搭建了廣闊的平臺。

“第十三屆世界中醫藥大會暨‘一帶一路’中醫藥文化周”，將于2016年11月10日－17日在新西蘭奧克蘭市、澳大利亞墨爾本市舉行。活動期間，來自世界各地的中醫藥專家學者、政府官員、企業家將分享他們的理論研究和臨床經驗、科研成果和新發明新創造，大會附設中醫藥服務貿易展覽會。活動期間將組織多種形式的學術考察調研活動。

現就有關事宜通知如下：

一、地點：新西蘭·奧克蘭市、澳大利亞·墨爾本市

二、主題：繼往開來，新世紀中醫藥更美好！

三、會議主要議題及征文內容：（征文要求見附件）

1.中醫藥基礎理論研究；

2.中醫藥臨床實踐：臨床研究方法創新與進展、臨床療效評估體系研究、老中醫臨證經驗總結、特色療法體會及推廣、中醫養生保健治未病研究等；

3.針灸推拿研究實踐：針藥配合臨床研究、特殊針法臨床經驗介紹、中醫針灸治療在區域性疾病治療中的特色與優勢等；

4.中藥研究：中藥方劑學、臨床配伍研究、中藥應用及研究等；

5.中西醫結合研究：理論創新、最新進展、實踐創新、經驗總結；

6.中醫手法流派的傳承與發展；

7.中醫藥國際標準化、信息化研究；

8.中醫藥在世界各國的發展及立法情況，各國中醫教育動態、教育制度現狀及科研情況；

9.中醫藥文化與非物質文化遺產保護；

10.道地藥材與瀕危珍稀動植物保護。

11.中醫藥服務貿易理論研究與實踐及經驗交流。

四、參會人員：

相關國家政府官員，各國中醫藥、傳統醫藥、中西醫結合、現代醫藥及相關領域從事醫療、教育、科研、管理、生產、貿易的專家學者和企業家，世界中聯各國會員。

五、會議安排：

1.學術會議：開、閉幕式，主題演講，分會場專題報告，現場演示工作坊，歡迎晚宴。

2.中醫藥服務貿展覽會：每個展位：3×3 m，1張桌子，2把座椅，1個插座，基本照明，免2人參會注冊費。

3.大會特刊：為了珍藏這一重要活動，將制作《第十三屆世界中醫藥大會特刊》，收錄具備一定資質的機構和個人。本次大會特刊將贈與我會65個國家的246個會員團體、各國駐華使館、我國駐外使館及有關國際組織和相關機構收藏。歡迎報名申請，費用另行通知。

4.參會者可授予國家級繼續教育二類學分證書6分，如有需要，請提前告知大會組委會。

5.“一帶一路”中醫藥國際交流考察：具體安排請咨詢世界中聯國際聯絡部。

六、重要日期：

2016年7月1日大會注冊費優惠截止。

2016年7月31日大會論文投稿截止。

七、會議咨詢、報名處：世界中醫藥大會組委會已開始接受報名，聯系方式如下：

世界中醫藥大會辦公室（國際聯絡部）：邱珺、楊柳、潘眩、稅毅強

電子郵箱：wccm＠vip. 163. com，電話：010－58650243／58650240／58650026／58650058

世界中醫藥大會組委會

2015年11月16日

中圖分類號：R241. 4；R311

文獻標識碼：A dol：10. 3969／j. issn. 1673－7202. 2016. 02. 041

通信作者：陳守強（1972—），男，山東泰安人，副主任醫師，碩士生導師，研究方向：中西醫結合心血管，E-mail：csq23800＠163. com

作者簡介：徐亮（1989—），男，山東濟南人，山東中醫藥大學2009級七年制碩士研究生，研究方向：中西醫結合心血管，E-mail：1181193919＠qq. com

基金項目：2014年山東省科技惠民計劃項目（編號：2014kjhm0115）