基于自适应谐振理论的神经网络中医证候诊断系统

Submitted by neurta on Tue, 05/26/2020 - 12:00
人工智能,中医药,蓝海科技

1.一种基于自适应谐振理论的神经网络中医证候诊断系统,其特征是:该系统包括

(1)中医四诊信息预处理模块,运用数据清理技术及属性筛选技术,对中医四诊信息数据库进行分析,清除零属性指标和空值属性指标及冗余属性指标,指导八纲、脏腑证候辨证模块动态建立;

(2)证候辨证模块,和中医四诊信息预处理模块连接并从中医四诊信息预处理模块读入数据,采用灰色关联分析方法对四诊信息属性加权,形成新的输入数据,再运用改进的自适应谐振理论模型推导出八纲、脏腑证候的诊断结果,如虚证、实证、里证、表证、气证、血证和/或肺虚证;

(3)规则存储模块,与中医四诊信息预处理模块和证候辨证模块建立双向连接关系,将改进的自适应谐振理论模型训练结果,以规则的形式进行保存,为八纲、脏腑辩证提供经验规则,对未知证候病例的诊断结果进行预测;

(4)可视化模块,与中医四诊信息预处理模块和证候辨证模块连接,为使用者可视化系统的输入四诊信息和证候的辨证规则。

2.如权利要求1所述的基于自适应谐振理论的神经网络中医证候诊断系统,其特征是:所述的中医四诊信息数据库,包含病人基本信息表、问诊表、面色表、舌象表、脉象表和穴位表,其中,基本信息表的病例号作为主码,其它各表的病例号作为外码与基本信息表连接,形成中医四诊信息预处理模块的多源高维输入症状矢量,如头晕、头痛、前额痛或头两侧痛,共381维;中医四诊信息预处理模块采用数据清理技术对零属性指标和空值属性指标做清除预处理,采用属性筛选技术去除冗余属性指标,增强输入矢量的特征对比度,指导证候辨证模块神经网络动态建立。

3.如权利要求2所述的基于自适应谐振理论的神经网络中医证候诊断系统,其特征是:If病人的某属性指标含有空值(缺失)

then该属性指标不作为多源高维输入症状矢量内容之一,或者对该缺失数据进行处理后再作为多源高维输入症状矢量内容之一。

4.如权利要求1所述的基于自适应谐振理论的神经网络中医证候诊断系统,其特征是:证候辨证模块中,采用灰色关联分析方法对中医症状属性特征加权,形成新的网络辨证模型输入矢量X′,由下述公式得到:

Image removed.

X′=(w1x1,w2x2,L)

其中rij为症状i相对于证候j的灰色关联度,m为证候类别个数。

5.如权利要求4所述的基于自适应谐振理论的神经网络中医证候诊断系统,其特征是:If辨证目标是里证

Input四诊属性指标值X

Then运用灰色关联分析计算出四诊属性指标权值wi

Output修正得到新的四诊属性指标值X′=X·wi。

6.如权利要求1所述的基于自适应谐振理论的神经网络中医证候诊断系统,其特征是:证候辨证模块中,根据先验信息引入离散度警戒参数σ,并采用可变的相位警戒参数ρ,有效保证模型辨证分类正确。其公式为:

Image removed.

ρnew=ρold±e|Δσ|

7.如权利要求1所述的基于自适应谐振理论的神经网络中医证候诊断系统,其特征是:证候辨证模块中采用质心学习方式修网络模型正连接权值,其公式为:

Image removed.

其中tji和bij为网络下行和上行连接权值矢量,下标J为接受的获胜类别神经元标号。

8.如权利要求1所述的基于自适应谐振理论的神经网络中医证候诊断系统,其特征是:规则存储模块保存的内容有:训练样本数据表的索引值,训练样本的数量和维数,辨证证候名称,对应的SWART2网络反馈参数、灵敏参数、警戒参数,以及网络最终训练状态的连接权值矢量。

9.如权利要求1所述的基于自适应谐振理论的神经网络中医证候诊断系统,其特征是:可视化模块用图形和/或动画手段显示各模块数据。

说明书

基于自适应谐振理论的神经网络中医证候诊断系统

技术领域

本发明属于中医信息化智能诊断技术领域。具体涉及一种中医证候诊断系统,是一种基于自适应谐振理论神经网络的中医证候诊断系统。

背景技术

中医从整体观的角度出发,通过四诊手段获取病人在特定时空里的状态信息,进行一系列的分析、归纳、判断的思辨过程,继而识别证候。在传统的中医辨证过程中,诊断结果的准确性取决于医生的学识及其临床经验,具有很强的主观性和不确定性,大大限制了中医的发展。为了实现中医辨证的客观化、定量化、智能化,其中一个核心的问题就是准确地模拟中医的诊断过程,即建立中医证候诊断模型,实现计算机智能诊断系统。人工神经网络与人脑存储知识十分相似,具有联想、并行处理和容错的功能,可以将中医诊断系统提高到一个新的水平,为中医智能诊断提供了一条新的有效途径。其将大量的训练样本,通过特定的学习算法得到网络各种神经元之间的连接权,而获得需要的特征信息。

经对现有技术的文献检索发现,采用突破传统“专家系统”概念的先进人工智能技术,如王存冉、胡金亮等研制的基于神经网络的中医证候诊断模型,对中医辨证的研究做了有益的尝试,并尝试用计算机规范中医证型,利用电脑程序模拟中医辨证施治。充分发挥了神经网络超强的记忆、存储、自适应学习、非线性等特点,避免了在诊断过程中对知识和规则的依赖,避免了从领域专家获取知识的困难,而只要求提供大量的病例样本,为挖掘中医辨证规律提供了方便。所应用的神经网络模型是客观的,不是经验的,所以在一定程度上减少了主观因素的影响。

但目前王存冉等应用的神经网络的诊断模型如BP、对传网络模型,通常采取预先设计好的网络结构,学习算法易于陷入局部最优,收敛速度慢,训练所获得的知识是隐式的,难以被人理解,且不支持增量病例在线实时学习,因此不能真实有效的反映出证候与症状之间的实时辨证关系。

发明内容

本发明所要解决的技术问题在于克服现有技术中存在的不足和缺陷,提供一种基于增量病例在线实时学习的SWART2中医证候诊断模型,使其对量化的中医四诊特征信息进行处理并得到证候诊断结果,能建立四诊信息与证候之间的客观辨证模型,并以数据库的形式存储症状信息和对应证候的辨证诊断规则,使系统诊断过程更快速准确。

本发明为解决上述技术问题而提供的一种基于自适应谐振理论的神经网络中医证候诊断系统,包括:

(1)中医四诊信息预处理模块,运用数据清理技术及属性筛选技术,对中医四诊信息数据库进行分析,清除零属性指标和空值属性指标及冗余属性指标,指导八纲、脏腑证候辨证模块动态建立;

(2)证候辨证模块,和中医四诊信息预处理模块连接并从中医四诊信息预处理模块读入数据,采用灰色关联分析方法对四诊信息属性加权,形成新的输入数据,再运用改进的自适应谐振理论模型推导出八纲、脏腑证候的诊断结果,如虚证、实证、里证、表证、气证、血证和/或肺虚证;

(3)规则存储模块,与中医四诊信息预处理模块和证候辨证模块建立双向连接关系,将改进的自适应谐振理论模型训练结果,以规则的形式进行保存,为八纲、脏腑辩证提供经验规则,对未知证候病例的诊断结果进行预测;

(4)可视化模块,与中医四诊信息预处理模块和证候辨证模块连接,为使用者可视化系统的输入四诊信息和证候的辨证规则。

本发明中,优选地,上述中医四诊信息数据库,包含病人基本信息表、问诊表、面色表、舌象表、脉象表和穴位表,其中,基本信息表的病例号作为主码,其它各表的病例号作为外码与基本信息表连接,形成中医四诊信息预处理模块的多源高维输入症状矢量,如头晕、头痛、前额痛或头两侧痛,共381维;中医四诊信息预处理模块采用数据清理技术对零属性指标和空值属性指标做清除预处理,采用属性筛选技术去除冗余属性指标,增强输入矢量的特征对比度,指导证候辨证模块神经网络动态建立,例如:

If病人的某属性指标含有空值(缺失)

then该属性指标不作为多源高维输入症状矢量内容之一,或者对该缺失数据进行处理后再作为多源高维输入症状矢量内容之一。

优选地,本发明上述证候辨证模块中,采用灰色关联分析方法对中医症状属性特征加权,形成新的网络辨证模型输入矢量X′,由下述公式得到:

Image removed.

X′=(w1x1,w2x2,L)

其中rij为症状i相对于证候j的灰色关联度,m为证候类别个数。

例如:If辨证目标是里证

Input四诊属性指标值X

Then运用灰色关联分析计算出四诊属性指标权值wi

Output修正得到新的四诊属性指标值X′=X·wi

优选地,本发明上述证候辨证模块中,根据先验信息引入离散度警戒参数σ,并采用可变的相位警戒参数ρ,有效保证模型辨证分类正确。其公式为:

Image removed.

ρnew=ρold±e|Δσ|

优选地,本发明上述证候辨证模块中采用质心学习方式修网络模型正连接权值,其公式为:

Image removed.

其中tji和bij为网络下行和上行连接权值矢量,下标J为接受的获胜类别神经元标号。

优选地,本发明上述规则存储模块保存的内容有:训练样本数据表的索引值,训练样本的数量和维数,辨证证候名称,对应的SWART2网络反馈参数、灵敏参数、警戒参数,以及网络最终训练状态的连接权值矢量。

优选地,本发明上述可视化模块用图形和/或动画手段显示各模块数据。

本发明针对中医诊断的特殊应用领域,建立了一种引入加权和监督机制的改进ART2网络模型,即SWART2模型,性能优于传统ART2网络,取得了良好的效果。同时与其他规则存储模块和可视化模块相互联系,减少计算时间,提高使用效率和系统的适应性。

附图说明

图1是本发明原理框图。

图2是本发明SWART2网络结构示意图。

图3是本发明算法流程图。

图4是本发明清除零属性及空值属性的界面示意图。

图5是本发明灰色关联分析方法属性加权的界面示意图。

图6是本发明改进的自适应谐振理论辨证模型训练的界面示意图。

图7-8是本发明的训练规则保存及查看界面示意图。

具体实施方式

下面结合附图和具体实施例,进一步阐述本发明。这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明记载的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等效变化和修饰同样落入本发明权利要求所限定的范围。

如图1所示,本发明一较佳实施例提供的基于自适应谐振理论的神经网络中医证候诊断系统,包括:中医四诊信息预处理模块、SWART2证候辨证模块、规则存储模块和可视化模块,其连接关系为:中医四诊信息预处理模块与SWART2证候辨证模块连接,中医四诊信息预处理模块处理中医四诊症状信息,使之规范化、量化以指导SWART2证候辨证模块的辨证模型动态建立;规则存储模块与SWART2证候辨证模块建立起双向连接关系,保存和提供经验辨证规则信息;可视化模块与中医四诊信息预处理模块和SWART2证候辨证模块连接,读取输入输出数据,并可视化展示在使用者面前。

本实施例的具体实现过程如下:

1)中医四诊信息预处理模块

中医四诊信息预处理模块运用数据清理技术及属性筛选技术,对中医四诊信息数据库进行分析,清除零属性指标和空值属性指标及冗余属性指标,最终形成新训练样本集合,(头晕,头痛,……脉位,脉力,脉势,脉数),指导证候辨证模块动态建立。

中医四诊信息预处理模块实现输入矢量的特征对比度增强,是通过将每个病例样本的多源症状量化成多维矢量模式,X=(x1,x2,L),X的每个分量“xi”(i=1,2,...)对应一个四诊症状特征。中医四诊信息预处理模块对输入的症状矢量模式进行变换,并利用一个非线性变换f()抑制原样本中无关与冗余信息噪声的影响,增强向量的显著特征,以产生一个更便于进行识别的特征矢量。

Image removed.

其中门限阈值θ设定为满足如下约束条件:

Image removed.n=85为症状输入矢量预处理后的维数。

影响大的症状保留,过小的则削弱,此预处理后的中医病例矢量模式输入到证候辨证模块。

2)SWART2证候辨证模块

如图2所示,本实施例提出了一个复杂的半监督加权自适应谐振神经网络模型,即SWART2。算法秉承了经典ART2模型兼具适应性及稳定性、对新信息与原存储信息结合并决策的优点,能够在线增加网络的训练样本容量,改进算法学习方式,同时为算法融入了半监督及加权机制,提高判别精度。

如图3所示,算法流程如下:

步骤一:初始化SWART2网络参数;

所述SWART2网络参数涉及两种参数。

①一个全新网络模型需要初始化的网络参数,包括反馈参数a和b、灵敏度参数c、警戒参数ρ、离散度警戒参数σ(如图6所示)。

②如果采用已经训练过的网络模型,只需从规则存储模块导入事先保存且已经训练好的网络模型参数(如图7、图8所示)。

步骤二:将中医四诊信息预处理模块构建好的病例训练样本输入到网络;

所述的训练样本集合,指的是包含所有已分类样本,“症状值/诊断结果值”,用于对SWART2证候诊断模型进行训练。

步骤三:将改良的SWART2网络训练过程运用于步骤二中的训练样本集合,得到最初的证候辨证模型;

所述的改良的SWART2算法训练过程,以经典的ART2算法为基础,通过正反馈回路算子、竞争算子、匹配算子操作,如果当前症状矢量与某证候原型矢量匹配,将其归入到与之匹配的证候模式类中,调整网络模型权值;如果当前症状矢量与某证候原型矢量不匹配,屏蔽掉该证候原型矢量,则按匹配标准重复前面的各算子操作,在其它证候原型矢量中进行搜索,直至找到匹配的证候原型矢量;如果搜索操作失败,则为该症状矢量建立新的证候原型矢量,完成证候诊断模型的构建。所述的改良的训练对原算法做了具体如下改进:

①症状加权。

原ART2算法假设样本特征属性对输出结果的影响是相同的,而根据中医医理理论,在证候诊断过程中,某些症状对证候有决定性作用,而有些则影响较小。因此需将特征加权引入到网络中,它能更加细致的区分症状特征对八纲、脏腑证候的影响程度。SWART2采用灰色关联分析来获取症状特征权值,然后将这些症状特征权值赋予每个输入样本模式的症状属性,形成新的网络输入模式矢量X′:

Image removed.

X′=(w1x1,w2x2,L)

其中rij为灰色关联分析方法得到的症状i相对于八纲、脏腑证候j的灰色关联度,m为证候类别个数(如图5所示)。

②利用已知“症状值/诊断结果值”训练样本提供的先验知识,在原有相位检测子系统ρ的基础上,增设一个新的检测子系统,进行模式离散度的检查σ,增强证候辨证的准确性。

警戒参数ρ和σ决定了网络辨识分类的精度。原算法警戒参数值初始化是根据经验设定的,如果设定的不合理,不仅影响网络训练的速度,而且使得网络训练结果可能没有现实意义;另外原算法警戒参数值在处理证候和症状特征的辨证过程中一直保持不变,这可能导致训练过程中对某些症状特征区别不开。本发明根据已知诊断结果值不同类别中的训练样本的离散程度设定σ值,并且在训练过程中根据分类误差适当的改变ρ值,间接解决了辨证结果准确度问题。

Image removed.

ρnew=ρold±e|Δσ|

其中,m为诊断结果类别值,σi为每个诊断结果类的所含样本离散程度。

③质心学习方式修正连接权值。

随着大量新的症状矢量不断增加到训练网络中,经典的ART2网络在快速学习过程中其连接权值修正受症状输入矢量序列影响,易引起模式漂移现象,使得网络模型不能对呈单方向渐变分布的输入模式,进行正确的分类辨识。故而在修正原有网络结构快速学习带来的缺陷,采用类似质心计算的方式修正连接权值,以消除八纲、脏腑证候原型模式的漂移现象。

Image removed.

其中tij和bij为网络下行和上行连接权值矢量,下标J为接受的获胜类别神经元标号。

与原有的ART2模型相比,本实施例提出的SWART2算法得到的分类结果更为精确、提取的分类规则更符合现实意义。新算法的特征加权和可变警戒参数,降低了样本的错分率,更提高了分类模型的准确型,非常适用于医学领域等训练样本动态增加的情况等。

3)规则存储模块

一旦发现SWART2证候辨证模块产生的规则是新的,则进行规则保存操作。规则保存的内容有:训练样本数据表的索引值,训练样本的数量和维数,辨证证候名称,对应的SWART2网络反馈参数、灵敏参数、警戒参数,以及网络最终训练状态的连接权值矢量。

4)可视化模块

可视化模块提供可视化工具将中医四诊信息预处理模块和证候辨证模块的输入输出量及规则存储模块中的规则用图形、动画的形式显示出来,并为使用者提供交互平台,允许使用者根据演示结果介入规则存储、中医四诊信息预处理和证候判断的相耳作用之中,使得系统更具直观性、人性化和交互性。

下面以中医八纲表里辩证为例,阐述改进自适应谐振理论模型的辨证诊断建模过程,并给出部分辨证规则。

我们将表里辨证分为两类,表证和里证。根据中医四诊数据库中已采样的数据样本,可以得到“症状值/诊断结果值”训练样本。

1、基于数据清理技术及属性筛选技术的中医四诊信息预处理

预处理的伪代码如下:

(1)输入:X=(头晕,头痛,前额痛,头两侧痛,……),共381维四诊信息数据。

(2)For i=1 to 381

If属性xi Is空值或零属性

Then从X中删除属性xi

对清洗过的数据属性,针对中医四诊症状与表里辨证的关联性强弱进行属性筛选,调用FeatureSelection(X)过程。

(3)输出:Xnew=(头晕,头痛,……,脉位,脉势),维数为85

2、基于改进自适应谐振理论模型的辨证诊断建模

(1)模型输入:

If运用灰色关联分析对Xnew属性加权

Then模型输入为(x′1,Y1),L,(x′85,Y85);

ElseImage removed.L,Image removed.

初始化网络参数a=10,b=10,c=0.1,ρ=0.85,σ=8.5(根据训练样本先验信息确定)。

(2)迭代建模过程:

For每一个训练样本

计算:①p=F1STM(x′)

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

③匹配Match(p,T)

④测试If Testing(Match,ρ,σ)==true

Then更新网络权值Image removed.

And将当前该样本归类到对应的表证或者里证类别中;

Else返回①

所有样本训练结束,根据已知证候类别计算测试错误率Er:

If Er满足要求then保存训练规则参数及结果;

Else重新对训练样本建模,直到满足要求。

(3)输出训练规则并保存:训练样本数据表的索引值,训练样本的数量和维数,辨证证候名称,对应的SWART2网络反馈参数、灵敏参数、警戒参数,以及网络最终训练状态的连接权值矢量,错误率Er。

3、对已采样病例进行表里证候预测

(1)根据病例号打开已采样的病例;

(2)如果四诊信息采集完全,应用事先训练好的表里辨证规则进行辨证,判断出该病例的表里证候类型;

否则,不进行预测,返回。

上述算法中使用了一些经验值,如网络参数a=10,b=10,c=0.1,这些经验值均来自于日常实验的分析。