中医健康状态辨识模型算法研究.docxVIP

中医健康状态辨识模型算法研究 健康状态是指人们在生活过程中受到自然和社会因素的影响，以及内脏、经络和血液的适应和调节所形成的状态。中医健康状态辨识是根据中医学理论,对采集的宏观、中观、微观等表征参数进行综合分析,辨别程度、位置、性质等状态要素,而对相应的状态作出判断的思维认识过程。借助现代计算机技术及信息处理技术能够为中医状态理论研究和辨识工具的研发提供方法学支持,模型和算法的合理应用是中医健康状态辨识研究的核心,也是中医辨证思维的集中体现。 广义的模型(model)是指所研究的系统、过程、事物或概念的一种表达形式,狭义模型则指根据实验、图样放大或缩小而制作的样品,本研究中笔者以讨论中医健康状态辨识的广义模型为主。算法(algorithm)是一系列解决问题的清晰指令,算法代表着用系统的方法描述解决问题的策略机制,即能够对一定规范的输入,在有限时间内获得所要求的输出。通常模型比算法居于更高的抽象层面,相同的问题模型可以由不同的算法用不同的时间、空间或效率来解决。 状态识别与中医的辩证思维 状态表征参数的集合筛选是中医健康状态辨识的前提和依据,模型算法除了实现表征参数对状态要素贡献度的计算外,还必须解决以下3个问题。 1. 参数的表达和分类计算 2. 计算隐藏参数和验证器的验证密码 3. 状态因素的混合和缓慢 基于环境的模型算法 将个体人健康态区分为未病态、欲病态(前证)、已病态(显证),这是一个常规的分类问题。该类问题的解决在人工智能、数据挖掘、机器学习等领域都有深入的涉及,但各有偏重。 早期建立的中医专家系统多围绕某一位或某几位专家的辨证论治思维,以建立单病种诊疗系统为主体,实现一个基于规则推理的名老中医诊断和治疗某病证或某几种病证的“专家系统”,如:1979年关幼波名老中医诊治肝炎专家系统、姚贞白妇科专家诊疗系统等。之后陆续开发的中医专家系统不下300个,遍及中医内、外、妇、儿等临床各科。后期,一些比较先进的推理技术和方法开始逐步得到应用,如近似推理、不确定性推理及分级推理等。该类系统最大的“瓶颈”就是不具备灵活、准确、动态的专家知识获取和修正机制。因此提出了对机器学习领域各种较为成熟的知识获取模型算法的极大需求。一个机器学习系统至少应该由环境、知识库、学习环节和执行环节,4个模块组成,如图1所示。环境主要指信息环境,如从患者身上采集的四诊信息。学习环节是模型算法应用的主要环节,通过对环境信息的分析、综合、类比、推理等思维学习过程获取知识,并存入知识库。在学习环节常用到的分类模型算法与数据挖掘中的分类模型基本保持一致,唯一不同的就是机器学习是一个循环往复的过程,能实现对知识库的不断的更新和修正,而数据挖掘过程往往得到一个阶段性的知识规则成果。知识库是存储知识的物理容器。执行环节用于处理系统面临的决策问题,如输入某人的四诊信息,经执行环节运算得出证,并对证的判定结论的准确性作出评价。当较差的状态判定评价结果反馈到学习环节,则会激活新一轮学习过程。 模糊数学模型善于解决现实世界中存在的各种模糊现象和关系。如解决在中医病证诊断中存在的体质(强、弱)、咳嗽(轻、中、重)、疼痛程度(很疼、比较疼、有点疼、不太疼)、肝肾阴虚诊断(像、很像、不太像)等这类模糊概念的判别问题。该模型的最大缺点就是很难根据中医辨证思维规律设计适合的隶属函数。人工神经网络是一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型。神经网络是由大量的节点(或称“神经元”,或“单元”)和之间相互联接构成。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(weight),这相当于人工神经网络的记忆。在学习阶段,通过调整神经网络的权,依据更准确的预测输入样本的类标号来学习。该模型的最大缺点就是网络拓扑和大量模型参数均凭工程人员的经验产生且构建的网络模型很难找到好的领域解释。贝叶斯网络是一个图形模型,能描述属性子集间的依赖关系,是针对不确定性知识表达和推理的方法。通常贝叶斯网络由一个有向无环图和针对图中每一个节点的条件概率表两部分组成。有向无环图中每个节点代表一个随机变量,每条弧代表一个概率依赖。如果一条弧由节点Y到Z,则Y是Z的双亲或直接前驱,而Z是Y的后继。给定其双亲,每个变量条件独立于图中的非后继。该模型将概率推理和网络结构有效结合起来,能充分利用训练案例中归纳出来的统计知识开展概率推理,而生成的网络结构则能将专家头脑中极其复杂且高度非线性的知识清晰地表达出来。因此,在中医病证诊断领域得到了较为普遍的应用。该模型最大的缺点就是当模型的学习样例数比较少即案例的分布较为片面时,或案例的缺失信息较多时往往无法得到很好的分类判定模型。 综上所述,经典中医专家系统面