，

上海中醫(yī)藥大學基礎醫(yī)學院中醫(yī)四診信息化實驗室(上海，201203)上海中醫(yī)藥大學中醫(yī)信息科學與技術中心(上海，201203)

中醫(yī)學有著數千年的歷史，具有獨特完整的理論體系和豐富的實踐經驗，然而僅憑陰陽五行、四氣五味這些玄妙的理論，很難讓世人透徹認識和理解。如何促進中醫(yī)藥事業(yè)與現代社會同步發(fā)展，傳統醫(yī)學與現代科學技術相結合是必由之路。中醫(yī)工程學的出現，標志著古代中醫(yī)學已賦有當代工程技術的科學內涵，。中醫(yī)學的精髓在于“辨證論治”，而辨證是以“望、聞、問、切”四診為依據，通過四診合參，達到審查病因、闡述病機、確定治療原則以及判斷預后等目的。但傳統中醫(yī)診斷往往取決于醫(yī)師的主觀意識、經驗累積，受限于當時的環(huán)境因素，缺乏客觀指標，難以重復驗證等，成為中醫(yī)藥現代化發(fā)展的瓶頸。

短短幾十年中醫(yī)診斷工程技術發(fā)展迅速，中醫(yī)診斷的客觀化研究使中醫(yī)診斷由功能想象的描述逐漸向闡明機制的方向過渡，使中醫(yī)診斷學由主觀、定性的經驗醫(yī)學發(fā)展成為兼有微觀的、定量的現代中醫(yī)診斷學。中醫(yī)診斷工程的發(fā)生和發(fā)展，對于中醫(yī)學的振興、開拓和發(fā)揚光大將起到關鍵作用。

1 望診研究

中醫(yī)舌診是通過觀察舌質和舌苔的變化以了解機體生理功能和病理變化的診察方法。近30年來，舌圖像采集設備及舌圖像分析方法進展很大。采集環(huán)境多相對封閉,如采用箱體、積分球式箱體、黑幕布攝影棚等。人工光源為熒光光源、固定鹵鎢燈、相機閃光燈、LED燈等，光源顯色性、色溫均模擬白天自然光。如北京工業(yè)大學沈蘭蓀[1]等，采用OSRAM標準光源研制舌象分析儀，并基于HIS彩色模型在舌圖像分割、彩色校正、舌色舌苔分類方法等進行研究。清華大學與北京西苑醫(yī)院聯合[2]研制“舌診專家”軟件，對舌質、舌苔進行定量分析識別。上海中醫(yī)藥大學中醫(yī)四診信息化實驗室建立了舌象采集的標準條件，并開展了舌色與苔色、舌質老嫩、點刺、瘀點等特征的識別研究，10余年來先后研制了TP-I型、ZBOX-I型舌脈象數字分析儀，已在多家高等中醫(yī)院校及臨床研究機構應用。課題組運用ZBOX-I型脈象數字化分析儀采集哮喘患者的舌脈象信息，分析了哮喘不同分期、不同證型舌脈象參數的差異[3]；并且運用該儀器采集慢性胃炎患者舌象參數，分析其與胃黏膜糜爛、炎癥、Hp感染等病理改變的相關性[4]。由此證明該舌象分析系統對臨床診斷有輔助作用。

中醫(yī)面診是通過觀察人體面部皮膚的色澤變化來診察病情的一種方法。20世紀80年代以來，隨著顏色光學理論的發(fā)展和測色儀器的更新，面部色診實驗研究在國內外逐步展開。國內應用色差計、光電血管容積儀、紅外熱像儀器對面部色診的一些理論進行了闡釋，并將客觀的面色信息用于臨床辨證，為臨床提供了客觀定量的數據。取得了一定進展。如蔡光先[5-7]用日產便攜式色差計進行病理五色定量測定、氣虛證面色測定以及慢性肝炎患者面色測定等研究工作。王鴻謨[8-10]等在中醫(yī)面部色診的應用中,強調定色位、辨色質、相色氣三項原則,制定了臟腑面部中心坐標圖。這些都為中醫(yī)面診客觀化、標準化研究提供了寶貴的經驗。

大學生思想政治教育是高等教育中較為重要的一門學科。輔導員的工作是否完善是影響學生發(fā)展的關鍵因素之一。因此輔導員工作除了帶有很強的學術性，還需要人格魅力。具體而言，輔導員應該做學生的表率，善于發(fā)現和解決問題、平等對待每個學生、把以情感人與以理服人相結合、開展豐富多彩的課外教育活動、幫助學生處理好情感問題等。

DNA條形碼技術可以直接從基因水平提供鑒定依據，將有助于非分類學專業(yè)工作者對中藥用植物進行快速、準確地鑒定，是傳統鑒定方法的補充和拓展，具較好的推廣和應用價值[24]。本研究結果分析了DNA條形碼技術應用于中藥用植物鑒定中被廣泛關注的問題，證明了ITS2序列作為DNA條形碼能穩(wěn)定、準確鑒別濱海白首烏藥用植物，為保障臨床安全用藥提供有效手段，也為蘿藦科植物分子鑒定和遺傳多樣性研究奠定了基礎。

20世紀80年代，計算機信息處理技術開始運用于中醫(yī)領域，其中以研發(fā)中醫(yī)專家系統為主要標志，基本上都是基于規(guī)則的決策推理[35-36]，其缺點是自主“學習”能力和“適應”能力較差，知識自動更新困難。21世紀初對中醫(yī)辨證推理開展了比較深入的研究，如采用人工神經網絡建立中醫(yī)辨證系統[37]、應用數據挖掘技術和決策樹方法進行中醫(yī)證型分類[38]。由于受限于當時四診信息標準化采集手段及其信息化技術水平，參與辨證的客觀化指標量化不足，影響了最終的辨證結果。隨著科學技術的發(fā)展，中醫(yī)四診信息客觀采集和分析系統的研究日益完善，在此基礎上開展問診、舌面、脈、聲診等四診客觀信息的融合研究成為中醫(yī)診斷客觀化研究的必然發(fā)展趨勢。多年來本課題組在承擔上海市科委專項基金項目、國家973項目、國家“十五”攻關項目及“十一五”科技支撐計劃等研究期間，與國內多家知名大學和企業(yè)合作進行了中醫(yī)脈診、問診、望診和聲診等檢測系統的研究，研制出中醫(yī)四個診法的采集與分析系統，其能夠提供的客觀化指標基本覆蓋了四診的信息，解決了參與辨證的客觀化指標量化不足的缺陷，為開展“四診合參”的信息融合研究奠定了基礎。

2 聲診研究

早在20世紀70年代中期，已有學者探索將人工智能技術應用于中醫(yī)問診領域[19]，隨著計算機信息技術的發(fā)展，越來越的研究者開始關注問診模型的研究。中醫(yī)診斷的優(yōu)勢在于將人體作為一個整體復雜動態(tài)系統，從癥狀體征等信息探查系統內部變化，辨析疾病證候。本課題組以系統科學的系統觀和方法論為指導，選擇隱結構方法進行研究，建立了心系的隱結構模型[20]，該模型在定性與定量層面與中醫(yī)理論進行比較，有較好的一致性，為中醫(yī)辨證的客觀化提供了依據和方法；選擇條件隨機場、互信息、模糊數學等方法，定量與定性結合分析慢性胃炎癥狀、體征及證候間的復雜非線性關系，篩選證候診斷的關鍵癥狀、體征及微觀指標組合(主癥)，同時結合多標記學習和深度學習算法，模擬中醫(yī)辨證中的大腦深度思維模式，處理中醫(yī)辨證過程中的復雜性及非線性，構建符合中醫(yī)辨證思維的臨床主癥辨證模式，建立了慢性胃炎中醫(yī)證候模型[21]，模型的預測結果表明證型的相互關系與中醫(yī)理論是基本一致的，得到的模型性能優(yōu)越。

但中醫(yī)聲診客觀化研究存在一些問題，如聲診研究聲樣采集方法和聲樣尚未規(guī)范統一，同類研究的對比性較差；研究對象多為單一疾病，缺乏對臨床多病種的對比研究；聲學特征值的變化與情感起伏的對應關系尚未定論等問題。

3 問診研究

問診在四診中占有重要地位，被視為“診病之要領，臨證之首務”。傳統問診是耳聞口述，其受醫(yī)患雙方的主觀因素影響最大。根據文獻[16]報道，用以表達四診信息的癥狀表詞有817個。由發(fā)生部位和性質聯合組成的復合癥狀有2317個。如果再考慮癥狀的發(fā)生原因、誘發(fā)、加重等因素，形成的復合癥狀達4500個之多。為了滿足臨床科研的需求，人們在傳統中醫(yī)癥狀量化方法的基礎上，吸取了現代醫(yī)學和心理學中的一些較為成熟的對主觀癥狀的量化分級方法，在中醫(yī)癥狀的量化表達方面進行了嘗試。

本課題組率先在國內開展面色檢測系統研制，采用自制的環(huán)形發(fā)光二極管光源，較好實現了面色照片的真實還原；在外觀設計上采用一次性吸塑面，使設計更具有人性化；暗箱設計便于臨床采集攜帶。該系統通過對面部色和澤的分析，闡述中醫(yī)氣血盛衰等原理在此基礎上，我們進一步研制了舌面一體檢測儀器，結合機器視覺、背光模組等技術，建立適合舌象、面色采集的標準環(huán)境。通過對上海地區(qū)1000余例健康正常人的四季面色特征進行客觀測量和定量分析檢測，在一定程度上驗證了中醫(yī)學關于人體面色“春青、夏赤、秋白、冬黑”的理論。

量表是用來量化觀察中所得印象的一種測量工具，主要評定被調查者的“主觀感受”，與中醫(yī)問診的內容相似。近年來，中醫(yī)界引進了不少國外的標準化調查問卷及量表，并加以修改。有些中醫(yī)機構也自行設計了一批問卷及量表，用于癥狀的系統性收集和癥狀、證候規(guī)范。王哲等[17]采用臨床流行病學調查、條目分析及經驗性篩選等方法，編制簡明抑郁癥中醫(yī)證候自評量表；劉鳳斌等[18]根據中醫(yī)臨床辨證思維邏輯，提出了中醫(yī)脾胃疾病PRO(patient reported outcomes)量表理論結構模型的構建思路。我們以心系病證為研究對象，在文獻梳理及課題組專家討論基礎上初步形成量表的條目池，并對癥狀進行相應規(guī)范，研制了中醫(yī)心系問診采集量表。在量表制作完善的基礎上，結合現代計算機技術，研制了問診信息采集系統，實現了問診病史記錄的完整性、規(guī)范性及數字化。

中醫(yī)聲診是聞診的總要部分。聲診是指醫(yī)生通過聽患者的聲音來辨析患者病情的變化?！秲冉洝访鞔_指出五音、五聲與五臟相配，因此，憑借病人聲音，可以辨五臟之病，辨陰陽虛實[10]。但因個人聽覺的差異及各自生理、病例因素的影響，往往易造成聲診的漏診或誤診。因此，使用現代信息技術研究中醫(yī)聲診，提供客觀的量化指標，可以避免主觀和客觀因素的干擾，輔助疾病的辨識。國內外中醫(yī)聲診客觀化研究較少，且研究方式不一致，主要對語音、咳聲以及五音進行分析等。林源[11]等運用電腦音頻分析儀，分析哮喘治療前后發(fā)音改變的規(guī)律，高也陶[12]利用二十五音分析儀實時測定發(fā)音的頻率，根據“五臟相音”理論，研究了健康人的二十五音規(guī)律。我們課題組研制了聲診采集分析系統，包括自制聲音采集硬件、語音分析與識別軟件?，F代聲學采錄設備提高了聲音采集的保真性，聲診分析技術正在不斷的提高，尤其隨著混沌和分形理論的出現，語音信號非線性分析的研究越來越多。本課題組運用了基于小波包方法，結合非線性分析方法分析了寒、熱、虛、實證型受測者的聲診信息[13]；分析了肺系疾病不同證型不同病種受測者的聲診信息[14]，并基于“五臟相音”理論，分析五臟疾病患者的聲診信息，發(fā)現五臟疾病患者聲音的部分頻段的特征有顯著差異[15]。

4 脈診研究

早在20世紀50年代，科研工作者開始探索脈診的客觀化研究，在脈學理論、脈診方法、脈象儀的研制以及脈象信息分析等方面均開展了大量工作，取得了長足進展。一方面，研制了多種脈象儀對脈搏波進行描記，能客觀重現脈象的變化規(guī)律[22-23]；另一方面，運用各種信號處理方法對脈圖進行分析，如時域分析[24]、頻域分析、小波分析和希爾伯特-黃變換(HHT)[25]、非線性動力學分析等[26]，實現了脈象信號的分類識別以及脈象原理探討。

式中Ci為工件Ji的完工時間。表1所示為一個FJSP實例，共有4個工件和3臺機器。以工件J1為例進行說明，工件J1的加工過程包括3道具有順序約束的工序，加工路線為O11→O12→O13，每道工序可能有多臺可以選擇的機器進行加工，如工序O11有M1、M2和M3共3臺機器可以選擇，對應的加工時間分別為3、4和4，工序O11只能選擇其中一臺機器進行加工，如表1所示，當工序O11選擇機器M3進行加工時，對應的加工時間為4，其他工件以此類推。

不論是長春市還是其他城市，各個高校的足球課程的上課模式幾乎都是老套的教學大綱和訓練方法.如果采用結合俱樂部訓練的模式去訓練，這個課程需要花費大量的時間精力去學習，去思考，去設計.打破這種陳舊安逸的狀態(tài)，無疑會受到一些大學老師的反對.

基于該脈象數據庫，運用時域方法，可以得到脈象的脈位、節(jié)律、脈力、脈緊張度、脈流利度等信息。本課題組進行了冠心病患者的時域參數與冠脈狹窄程度及超聲心動圖關系的探討[27]，對妊娠不同階段脈象時域參數變化進行了觀察研究[28]，并對原發(fā)性肺癌脈圖參數特征及治療干預后的變化進行了觀察[29]，得到對臨床有參考價值的結論。我們運用血液動力學方法，分析了平、弦、滑等臨床常見脈圖的波速與反射系數取值區(qū)間，研究了常見脈象的形成機理[30]。運用時頻結合的方法如HHT研究冠心病與正常人的脈象特征差異，比較了同一患者支架植入手術前后脈搏信號的差異，得出HHT方法對于區(qū)別冠心病患者與正常人的脈象以及冠心病患者支架植入術前后的脈象變化有顯著意義[31]。運用非線性動力學方法如樣本熵分析、多尺度熵分析、遞歸定量分析研究了冠心病的脈象特征[32-34]，比較了其與正常人、高血壓患者脈搏信號的差異，通過繪制三組脈象非線性動力學參數的ROC診斷曲線。發(fā)現脈象的非線性動力學參數對這三類人群的診斷效率較理想；對冠心病患者脈象的遞歸定理參數與其血脂、血凝和冠脈造影病變支數進行了關聯研究，發(fā)現脈象的遞歸定量分析參數能夠反映高密度脂蛋白膽固醇(HDL-ch)和低密度脂蛋白膽固醇(LDL-ch)的相對大小，在一定程度反映人體凝血系統、纖維系統的失調，在一定程度上能預測冠脈病變程度。

?愛新覺羅·弘歷:《汲惠泉烹竹爐歌疊舊作韻》，裴大中、倪咸生修，秦緗業(yè)等纂:《光緒無錫金匱縣志》，《中國地方志集成·江蘇府縣志輯》第24冊，第26頁。

國內研制的脈象儀有很多，主要包括北京醫(yī)療器械總廠生產的BYS-14型脈象儀，天津醫(yī)療器械研究所研制的MTY-A型脈圖儀，上海醫(yī)療器械研究所研制的MX-3型脈象儀，南昌無線電儀器廠生產的MX811型脈圖儀和MS-Z80脈圖數據處理機，山東海洋學院研制的實時多功能脈象儀。上海中醫(yī)藥大學先后研制了ZM-I型、ZM-III型智能脈象儀以及TP-I型、ZBOX-Ⅰ型脈象數字化分析儀，建立了中醫(yī)脈象采集規(guī)范，深入開展了脈象信息分析研究，建立了大樣本的臨床常見脈象數據庫。

5 四診信息融合研究

綜上舌面診研究取得了一定的進展，但仍存在亟待解決的問題。如現有的舌象采集設備多是從單一角度采集舌象，但人的視覺是多維立體的；照相機采集的單幀圖像易受光源電壓和舌體運動影響，而且購置的相機受限于廠家的生產，并存在知識產權糾紛隱患。在舌象信息分析方面如何提取舌神的榮枯，舌形的老嫩等，尚需研究者繼續(xù)努力。在面診研究方面，老年面部色著不勻的識別，面部紋理光澤的分析，以及五志七情信息的提取，均為難點。

脈象客觀化研究方面仍有許多問題亟待解決。如中醫(yī)“三部九候”脈診理論與方法的運用研究不足，三探頭傳感器尚未走進臨床；壓力傳感器獲取的信息不能完全體現中醫(yī)28脈，中醫(yī)脈診客觀呈現需要多通道復合原理的傳感器；有40余年現代化研究歷史的脈診尚未建立標準圖譜及參數標準，而近期韓國向國際標準化組織(ISO)提交的脈象儀技術標準的提案已獲通過，我國醫(yī)學精華之一——脈診在異國結出勝利果實！值得國人深思反省。

本世紀初，機器學習與統計方法的逐漸成熟為中醫(yī)的四診信息融合提供了方法學的指導。信息融合算法主要源于對現有的信息處理方法的引用和改進，涉及到的理論也非常廣泛。隨著科學技術的發(fā)展，本課題組對四診信息融合研究做了許多創(chuàng)新性的嘗試。2010年我們課題組借助自行研制的中醫(yī)四診檢測系統獲取患者的舌、面、脈、問、聲音等四診綜合信息，應用人工神經網絡、支持向量機等信息融合技術進行臨床證候的識別研究，取得了一系列有意義的結果[39]。最近，我們課題組對機器學習領域的多標記學習進行了研究，提出了基于標記相關特征的多標記學習算法(Revelant Feature for Each Label， REAL)[40]，建立了793例心系疾病四診信息融合的辯證模型，通過互信息最大化挑選出與證型最相關的特征子集，建立心氣虛證、心陽虛證、心陰虛證、痰濁證、血瘀證和氣滯證的識別模型；并同時運用ML-KNN[41]、BSVM[42]、ECC[43]、BP-MLL[44]、Rank-SVM[45]、LIFT[46]6種先進的多標記算法建立上述四診信息融合的辨證模型，以識別率作為評價準則，對上述多標記算法建立的辯證模型進行了比較，結果基于REAL算法的辨證模型，其整體識別率最高，平均識別率達到86.6%。REAL模型能很好地處理兼證，更適合中醫(yī)的辨證思想，該模型充分關注了證型和癥狀的關系，適合于建立四診信息融合的辨證模型。

我們發(fā)現中醫(yī)證型對應的主次癥信息缺乏規(guī)范化，直接影響了智能辨證算法有效性的設計；缺乏大量其分布均與的樣本，影響模型的“學習”能力和“適應”能力。

2.2.2 BIND BIND≥4分者24例，其預測神經系統不良預后的靈敏度為76.9%，特異度為75.9%，陽性預測值為43.5%，陰性預測值為93.2%。

6 中醫(yī)診斷工程技術的展望

中醫(yī)診斷技術是中醫(yī)診治疾病的關鍵手段，在漫長的中醫(yī)學發(fā)展過程中承載著豐富的理論內涵和深厚的實踐經驗，為中華民族的繁榮昌盛做出了重大貢獻。近現代以來，學者們對中醫(yī)診斷的現代化研究進行了廣泛深入的探索，中醫(yī)診斷技術呈現出新的發(fā)展態(tài)勢。

中醫(yī)現代化任重而道遠，大量的難題需要中醫(yī)工程技術予以解決。有中醫(yī)學自身的認識統一問題；有傳感器研發(fā)改進問題；有診法分析識別技術的提高以更符合中醫(yī)原理；有標準數據庫及參數標準的建設問題，等等。隨著中醫(yī)工程學的深入發(fā)展，我們期待中醫(yī)診斷技術有大的突破，以能更好地為中醫(yī)藥臨床療效評價、中藥新藥評審的臨床試驗建立具有中醫(yī)特征的評價指標，為健康評估體系提供技術依據；同時，開展中醫(yī)診斷客觀化、規(guī)范化及標準化研究，對于鞏固我國醫(yī)學在國際上的主導地位，確立我國醫(yī)學的自主知識產權具有重要意義，為中醫(yī)國際化奠定基礎。

[1] 沈蘭蓀，趙忠旭，王愛民，等.基于圖像處理的中醫(yī)舌像分析儀的研究[J].國外電子測量技術，1999，(6)：33-35.

[2] 翁維良，黃世敬.中醫(yī)舌診客觀化研究[J].中國工程科學，2001，3(1)：78-82.

[3] 張曉丹. 支氣管哮喘中醫(yī)臨床辨證舌脈象信息特征研究[D].上海中醫(yī)藥大學研究生碩士 畢業(yè)論文，2009.

[3] 張曉丹. 支氣管哮喘中醫(yī)臨床辨證舌脈象信息特征研究[D].上海中醫(yī)藥大學，2009.

[4] 徐貴華，袁利，王憶勤，等.慢性腎功能衰竭患者不同腎功能分期舌象客觀化研究[J].中國中西醫(yī)結合腎病雜志,2006，7(9)：530-531.

[5] 蔡光先.508例病理五色定量計測[J].中國醫(yī)藥學報，1996，11(1)：20-21.

[6] 蔡光先.102例氣血虛證患者面部色澤定量分析[J].湖南中醫(yī)學院學報，1990，(4)：217-218.

[7] 蔡光先，艾英.慢性肝炎患者面色定量實驗研究[J].中國中醫(yī)基礎醫(yī)學雜志，1996，2(2)：37.

[8] 王鴻謨，張棟.中醫(yī)色診學定位與紅外熱像數字化研究[J].中醫(yī)藥現代化多學科研究與工程技術,2004，6(4)：45-47.

[9] 王鴻謨.面部色部定位研究[J].山東中醫(yī)雜志,2006,25(5):291-293.

[10] 王斌,楊愛萍.談中醫(yī)聞診的重要意義[J].陜西中醫(yī),2005,26(12): 1398.

[11] 林源，林萬慶，陳旭軍. 哮喘病的灸療前后二十五音頻率變化的研究[J]. 2008，7(6):29-30.

[12] 高也陶.五臟相音[M].北京:中醫(yī)古籍出版社，2007: 351-412.

[13] 陳春鳳，王憶勤，顏建軍，等. 中醫(yī)聞診信號采集與分析在虛、實證型辨別中的應用[J]. 中西醫(yī)結合學報，2010, 8(10) : 944-948.

[14] 陳春鳳.342例肺系不同病證患者的語音特征分析[D].上海中醫(yī)藥大學，2011.

[15] Chunfeng Chen，Yiqin Wang，Jianjun Yan，et al.Analysis of 903 Voice Signals of Patients with Five Organs Illness and Normal Persons in Traditional Chinese Medicine Auscultation[A].2010 IEEE International Conference on Bioinformatics & Biomedicine Workshops[C].China，Hongkong，2010.12：745-748.

[16] 王憶勤.中醫(yī)診斷學研究思路與方法[M].上海：上?？茖W技術出版社.2008：149-371.

[17] 王哲，胡隨瑜，陳澤奇．簡明抑郁癥中醫(yī)證候自評量表初步編制[J]. 中國行為醫(yī)學科學，2005，14(10):945.

[18] 劉鳳斌，王維瓊．中醫(yī)脾胃系疾病PRO量表理論結構模型的構建思路[J]. 廣州中醫(yī)藥大學學報，2008, 25(1):12.

[19] 宋寶珠，程釗，孫立友，等.中醫(yī)專家電腦系統研究概況[J].安徽中醫(yī)學學院學報，1987，6(4)：57-60.

[20] Zhaoxia Xu,Nevin L Zhang,Yiqin Wang ,et al.Statistical Validation of Traditional Chinese Medicine Syndrome Postulates in the Context of Patients with Cardivascular Disease[J]. The Journal of Alterative and Complementary Medicine, 2013， 18(11): 1-6.

[21] Liu Guoping, Yan Jianjun ,WangYiqin. Application of multi-label learning using the relevant feature for each label (REAL) Algorithm in the Diagnosis of Chronic Gastritis.Evidence-Based Complementary and Alternative Medicine[J]. 2012 (2012), Article ID 135387, 9 pages.doi:10.1155/2012/135387.

[22] 燕海霞，王憶勤，李福鳳.中醫(yī)脈象傳感器的研究進展[J].上海中醫(yī)藥大學學報,2005，19(1)：62-64.

[23] 湯偉昌，李睿. 三部脈象檢測系統的研究[J]. 中國醫(yī)療器械雜志,2005,29(3): 164-166.

[24] 燕海霞，王憶勤，李福鳳.脈象信號分析方法的研究與應用新解[J].中醫(yī)藥學刊,2005，23(1)：129-130，190.

[25] 李福鳳，王憶勤，孫仁，等.基于Hilbert-Huang變換和時域方法的冠心病患者脈圖波形特征研究[J].中國心血管病研究,2008，6(4)：244-246.

[26] Rui Guo, Yiqin Wang, Haixia Yan, et al.Recurrence quantification analysis on pulse morphological changes in patient with coronary heart disease[J]. Journal of Traditional Chinese Medicine, 2012,32(4): 571-577,

[27] 李福鳳，王憶勤，姚笛，等.冠心病脈圖特征與冠脈狹窄程度、超聲心動圖的關聯研究[J].世界科學技術-中醫(yī)藥現代化,2008，10(1)：53-59,

[28] 倪正仙，王憶勤，張曉丹，等.240例妊娠中期和妊娠晚期脈象觀察[J].時珍國醫(yī)國藥,2009，20(4)：947-948,

[29] 燕海霞，王憶勤，朱惠蓉，等.50例肺癌患者中西醫(yī)結合治療后舌脈象參數的變化[J].中西醫(yī)結合學報,2009，7(3)：218-222,

[30] 郭睿，王憶勤，燕海霞，等.中醫(yī)常見脈象的血液動力學參數分析[J]. 上海中醫(yī)藥大學學報. 2010,24(78):26-29.

[31] 李福鳳，王憶勤，孫仁，等.14例冠心病患者冠脈支架介入治療前后脈圖變化觀察[J].中醫(yī)雜志,2008，49(8)：734-737.

[32] Rui Guo, Yiqin Wang, Jin Xu,et al. Research on Zheng Classification Fusing Pulse Parameters in Coronary Heart Disease, Evidence-Based Complementary and Alternative Medicine,vol.2013,doi:10.1155/2013/602672.

[33] 郭睿，王憶勤，燕海霞，等. 基于樣本熵的冠心病脈象分析[J].中華中醫(yī)藥雜志,2013,10(28): 3015-3017.

[34] 郭睿，王憶勤，燕海霞，等.基于遞歸定理分析的冠心病中醫(yī)脈象特征提取與分析[J]. 中西醫(yī)結合學報, 2011，9(11): 1226-1233.

[35] 呂漢興，孫德保，程良銓，等.中醫(yī)專家系統辨證推理的決策模型[J].華中科技大學學報(自然科學版)，1989，17(6)：67-72.

[36] 羅運模.中醫(yī)專家系統MONKEY的實現方法與技術[J].計算機學報，1988，(6)：371-377.

[37] 邊沁，何裕民，施小成，等.基于MFB-P算法的中醫(yī)證型的神經網絡模型初探[J].中國中醫(yī)基礎醫(yī)學雜志，2001，7(5)：66-69.

[38] 李海鯤，胡存剛，宗仁鶴.基于數據庫的中醫(yī)專家診斷系統的研究[J].微處理機，2005，26(1)：26-28.

[39] Yiqin Wang， Rui Guo, Haixia Yan, et al . Study on Intelligent Syndrome Differentiation in Traditional Chinese Medicine Based on Information Fusion Technology[A]. 2010 IEEE International Conference on Bioinformatics &Biomedicine(BIBM)[C]Hongkong. Dec.18-21,2010.

[40] 王憶勤.基于標記相關特征的多標記學習算法的四診信息融合辨證模型的研究[J].全國第十一次中醫(yī)診斷學術年會論文集，2011.

[41] A. McCallum. Multi-label text classification with a mixture model trained by EM. In Working Notes of the AAAI'99 workshop on Text Learning , Orlando, FL. 1999.

[42] M.R.Boutell, J.Luo, X.Shen, and C.M.Brown. Learning multi-label scene classification[J]. Pattern Recognition, 2004, 37(9): 1957-1771.

[43] J.Read,B.Pfahringer, G.Holmes, and E.Frank. Classifier chains for multi-label classification[J]. In W.Buntine, M.Grobelnik, and J.Shawe-Taylor, editors, Lecture Notes in Artificial Intelligence 5782, pages 254-269.Springer,Berlin, 2009

[44] M L Zhang and Z H Zhou.Multilabel neural networks with applications to functional genomics and txt categorization [J]. IEEE Transactions on Knowledge and Data Engineering, 2006 ， 18(10): 1338-1351.

[45] A.Elisseeff and J.Weston. A kernel method for multi-labelled classification[J]. In T.G.Dietterich, S.Bechker, and Z.Ghahramani,editors, Advances in Neural Information Processing System 14,pages 681-687. MIT Press, Cambridge, MA, 2002

[46] ML Zhang. LIFT: Multi-label learning with label-specific features [A]. Proceedings of the 22nd International Joint Conference on Artificial Intelligence (IJCAI'11)[C] Barcelona, Spain, 2011.