林 佳 梁 暉 阮 甦

福建中醫(yī)藥大學(xué)附屬人民醫(yī)院，福建福州 350004

基于模糊徑向基神經(jīng)網(wǎng)絡(luò)的失眠古文獻(xiàn)癥藥研究

林 佳 梁 暉 阮 甦

福建中醫(yī)藥大學(xué)附屬人民醫(yī)院，福建福州 350004

目的運(yùn)用模糊徑向基神經(jīng)網(wǎng)絡(luò)對失眠“癥狀”與“方藥”之間的關(guān)系進(jìn)行建模，實(shí)現(xiàn)對中醫(yī)醫(yī)案中失眠診治經(jīng)驗(yàn)知識的挖掘與固化。方法參照國家標(biāo)準(zhǔn)《中醫(yī)證候診療術(shù)語證候部分》對《中華醫(yī)典》中379條包含失眠癥狀和方藥的條文進(jìn)行規(guī)范化整理；選取其中320條作為訓(xùn)練樣本，采用徑向基神經(jīng)網(wǎng)絡(luò)進(jìn)行失眠癥藥模型的構(gòu)建，利用模糊減法聚類和模糊C均值聚類分析確定隱含層個數(shù)與聚類中心，運(yùn)用最小二乘法訓(xùn)練網(wǎng)絡(luò)連接權(quán)值。結(jié)果利用另外59條條文作為檢驗(yàn)樣本進(jìn)行模型的驗(yàn)證，模型預(yù)測正確50條，正確率84.7%。模型預(yù)測正確率較高，能較好的建立癥狀與方藥之間的內(nèi)在關(guān)系。結(jié)論利用模糊徑向基神經(jīng)網(wǎng)絡(luò)能實(shí)現(xiàn)失眠中醫(yī)“癥狀”與“方藥”之間的智能化映射，可為失眠中醫(yī)診治知識的研究提供服務(wù)。

神經(jīng)網(wǎng)絡(luò)；失眠；古文獻(xiàn)；癥藥

失眠（insomnia）是指患者對睡眠時(shí)間和（或）睡眠質(zhì)量不滿足并影響日間社會功能的一種主觀體驗(yàn)[1]。早在《黃帝內(nèi)經(jīng)》中醫(yī)就有了關(guān)于失眠病機(jī)的闡述，幾千年來的中醫(yī)古籍中蘊(yùn)含著大量經(jīng)過臨床驗(yàn)證且行之有效的中醫(yī)臨床醫(yī)案記載。但中醫(yī)古籍中記載的內(nèi)容涉及十分廣泛，各種內(nèi)容龐雜而糾集在一起，使得中醫(yī)在失眠疾病診療中也存在著辨證分型不一致，療效標(biāo)準(zhǔn)不一，可重復(fù)性不高，可操作性不強(qiáng)等問題。神經(jīng)網(wǎng)絡(luò)，是一種智能化的信息處理模型，通過模擬生物學(xué)的神經(jīng)元結(jié)構(gòu)與信息響應(yīng)機(jī)制，形成復(fù)雜知識的學(xué)習(xí)、推理能力，適合于復(fù)雜領(lǐng)域的數(shù)學(xué)建模，在包含中醫(yī)內(nèi)科學(xué)的各學(xué)科中廣受重視[2-5]。模糊技術(shù)，通過模糊邏輯模擬人思維過程，則能更好的實(shí)現(xiàn)復(fù)雜高級知識的表達(dá)[6-7]。因此，將模糊技術(shù)融入到神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)中，則能增強(qiáng)網(wǎng)絡(luò)的模糊知識學(xué)習(xí)與推理能力，適合于無明確函數(shù)關(guān)系、多參量、強(qiáng)耦合的中醫(yī)癥藥等復(fù)雜系統(tǒng)的建模。因此，本文融合模糊技術(shù)與神經(jīng)網(wǎng)絡(luò)技術(shù)對傳統(tǒng)中醫(yī)癥藥關(guān)系進(jìn)行建模，實(shí)現(xiàn)對中醫(yī)病案中復(fù)雜的失眠數(shù)據(jù)知識的挖掘，形成癥狀與處方用藥間的智能化關(guān)聯(lián)。

1 資料與方法

1.1 古文獻(xiàn)數(shù)據(jù)的來源與規(guī)范化處理

本研究自2016年1月～2017年9月篩選整理《中華醫(yī)典》中明確診斷為不寐病即失眠的條目，選取其中有癥狀和方藥的條目。參照國家標(biāo)準(zhǔn)《中醫(yī)證候診療術(shù)語證候部分》對癥狀進(jìn)行規(guī)范化，最終選取條文379條，包括癥狀56個，藥物78種。將“癥狀”設(shè)定屬性，將出現(xiàn)該癥狀的設(shè)為1，無者設(shè)為0，如表1所示。根據(jù)《中華本草》對中藥藥名進(jìn)行規(guī)范，將“藥物”設(shè)定屬性，將出現(xiàn)該藥物的設(shè)為1，無者設(shè)為0。見表1 ～ 2。

表1 條文-癥狀關(guān)聯(lián)表

表2 條文-藥物關(guān)聯(lián)表

1.2 癥藥模型的構(gòu)建方法

神經(jīng)網(wǎng)絡(luò)本質(zhì)上是通過互聯(lián)大量簡單神經(jīng)元構(gòu)成一個復(fù)雜的拓?fù)渚W(wǎng)絡(luò)，具備高容錯、自學(xué)習(xí)、自適應(yīng)、并行分布處理能力的非線性知識處理系統(tǒng)。目前主要有前饋型、反饋型和自組織三大類數(shù)十種模型[8]，其中徑向基神經(jīng)網(wǎng)絡(luò)是前饋網(wǎng)絡(luò)的典型代表，具有網(wǎng)絡(luò)結(jié)構(gòu)簡單、非線性映射關(guān)系強(qiáng)、魯棒性好、自學(xué)習(xí)能力優(yōu)越的特點(diǎn)，適合于中醫(yī)智能診療方面的應(yīng)用[9]。徑向基神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層和輸出層構(gòu)成，其中隱含層的個數(shù)與中心是影響模型學(xué)習(xí)能力的關(guān)鍵，也是傳統(tǒng)的徑向基神經(jīng)網(wǎng)絡(luò)構(gòu)建的難點(diǎn)[8]。將模糊技術(shù)融入到徑向基神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)中，則能克服徑向基神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)中的難題，增強(qiáng)網(wǎng)絡(luò)的模糊知識學(xué)習(xí)與推理能力[10]。因此，本文利用RBF神經(jīng)網(wǎng)絡(luò)，結(jié)合模糊減法聚類和模糊C均值聚類進(jìn)行中醫(yī)失眠“癥狀”與“方藥”間的模型建構(gòu)。

1.2.1 徑向基神經(jīng)網(wǎng)絡(luò)模型 徑向基神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層和輸出層構(gòu)成，其拓?fù)浣Y(jié)構(gòu)如圖1所示。

圖1 徑向基神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

輸入層接收輸入信息并將信息傳輸?shù)诫[含層，X=[x1,…，xi…xn]T為癥狀的樣本集合，輸入層的節(jié)點(diǎn)數(shù)n與癥狀的樣本個數(shù)一致。隱含層包含一組徑向基向量，與輸入、輸出層互聯(lián)，是模糊知識提取與固化的隱空間。輸出層輸出網(wǎng)絡(luò)的響應(yīng)結(jié)果，為癥狀對應(yīng)的治療方藥。

圖1結(jié)構(gòu)的RBF神經(jīng)函數(shù)表達(dá)式為：

1.2.2 基于模糊聚類的徑向基神經(jīng)網(wǎng)絡(luò)建模 在RBF神經(jīng)網(wǎng)絡(luò)的建模包含隱含層節(jié)點(diǎn)個數(shù)m的確定、聚類中心的學(xué)習(xí)與基于最小二乘法的權(quán)值的求解等過程。隱含層個數(shù)m與模型學(xué)習(xí)的有效性直接相關(guān)，本文采樣模糊減法聚類方法進(jìn)行隱含層個數(shù)的確定，解決傳統(tǒng)試湊法精度與效率不高的問題。并利用模糊C-均值聚類方法進(jìn)行聚類中心的求解，解決傳統(tǒng)C-均值聚類方法魯棒推理能力不足的問題。最后，基于最小二乘法求解連接權(quán)值。

（1）利用模糊減法聚類確定隱含層個數(shù)和初始中心

模糊減法聚類[11-12]是基于密度指標(biāo)的分類方法，通過樣本點(diǎn)密度指標(biāo)推定聚類個數(shù)與中心。設(shè)樣本數(shù)據(jù)為領(lǐng)域半徑內(nèi)的密度指標(biāo)ri為：

則模糊聚類的基本步驟為：

①假定所有n個樣本數(shù)據(jù)都是候選的聚類中心；

②比較密度指標(biāo)ri的大小，將密度最大點(diǎn)作為聚類中心xm1，并設(shè)定該聚類中心的影響半徑為rb，以確保在該影響半徑內(nèi)不出現(xiàn)另一中心；

③修正所有樣本點(diǎn)的密度指標(biāo)ri：

④重復(fù)b和c直至所有密度指標(biāo)小于給定值，從而獲得聚類中心的個數(shù)和初始中心值。

（2）利用模糊C-均值聚類確定聚類中心

模糊C-均值聚類[13-14]是一種基于隸屬度的聚類方法，適合于無明顯界限場合的分類。通過隸屬度矩陣U表達(dá)模糊聚類結(jié)果。

為隸屬度值，反映樣本數(shù)據(jù)某個聚類中心的程度，應(yīng)滿足以下條件：

給定模糊權(quán)重指數(shù)為c≥1，中心個數(shù)為m的模糊聚類目標(biāo)函數(shù)可描述為：

e、f式的求解以模糊減法聚類獲得的中心為初值，通過迭代方法得到目標(biāo)函數(shù)的最優(yōu)解，以獲得模糊聚類中心。

（3）利用最小二乘法確定連接權(quán)值

徑向基神經(jīng)網(wǎng)絡(luò)的輸出表達(dá)式為：

可表示為如下形式：

將樣本的輸出矢量Y和隱含層節(jié)點(diǎn)的輸出矩陣F(x)代入，通過最小二乘法即可求解出權(quán)值矩陣W。

1.2.3 模型的訓(xùn)練與建構(gòu) 從379個樣本中選取320個作為訓(xùn)練樣本，59個作為驗(yàn)證樣本。利用MATLAB R2016a構(gòu)建人工神經(jīng)網(wǎng)絡(luò)模型。設(shè)定模糊減法聚類的領(lǐng)域半徑ra=0.6，聚類中心影響半徑rb=1.25r，減法聚類分析獲得16個中心，繼而基于模糊C-均值聚類方法計(jì)算聚類中心。確定網(wǎng)絡(luò)結(jié)構(gòu)為56×16×78，即輸入層56 個節(jié)點(diǎn)，對應(yīng)56個癥狀；隱含層16個節(jié)點(diǎn)；輸出層78個節(jié)點(diǎn)，對應(yīng)78種藥物。最后，運(yùn)用最小二乘法求解連接權(quán)值，從而實(shí)現(xiàn)失眠癥藥模型的構(gòu)建。

2 結(jié)果

本研究共選取379條失眠古文獻(xiàn)條文，運(yùn)用其中320個條文結(jié)合上述方法構(gòu)建了失眠的癥藥模型，并利用另外59個檢驗(yàn)樣本進(jìn)行模型的驗(yàn)證。結(jié)果表明，模型預(yù)測正確50條，正確率84.7%。選取酸棗仁湯證、歸脾湯證、溫膽湯證、天王補(bǔ)心丹證的典型癥狀表現(xiàn)作為輸入值，運(yùn)用模型進(jìn)行計(jì)算，比較各湯證實(shí)際值與標(biāo)準(zhǔn)值之間的誤差，可知酸棗仁湯證及溫膽湯證各藥物的預(yù)測誤差均在0.1 以內(nèi)；歸脾湯的人參、黃芪、白術(shù)預(yù)測誤差均在0.1 以內(nèi)，對其它藥物的預(yù)測誤差在0.2以內(nèi)；天王補(bǔ)心丹的生地、麥冬預(yù)測誤差在0.1 以內(nèi)，其它藥物的預(yù)測誤差在0.3以內(nèi)。由此可見，模型預(yù)測正確率較高，能較好的建立癥狀與方藥之間的內(nèi)在關(guān)系。

3 討論

本研究從文獻(xiàn)數(shù)據(jù)中提取了失眠癥狀與方藥的描述條文共379條，通過設(shè)定“癥狀”和“藥物”的屬性進(jìn)行了量化處理，并通過模糊技術(shù)與神經(jīng)網(wǎng)絡(luò)的結(jié)合構(gòu)建了失眠癥藥知識系統(tǒng)，建立了癥狀與方藥之間的非線性映射關(guān)系，實(shí)現(xiàn)了“癥狀”到“藥物”的預(yù)測。利用59個驗(yàn)證樣本進(jìn)行驗(yàn)證，獲得模型的預(yù)測正確率為84.7%。經(jīng)典方劑酸棗仁湯證、溫膽湯、歸脾湯和天王補(bǔ)心丹的君藥和臣藥預(yù)測誤差均在0.1 以內(nèi)，說明模型對癥藥關(guān)系的預(yù)測準(zhǔn)確性較高。癥藥模型的預(yù)測準(zhǔn)確性與建模方法的選擇和應(yīng)用密切相關(guān)。采用傳統(tǒng)的徑向基神經(jīng)網(wǎng)絡(luò)[15]進(jìn)行對比分析，發(fā)現(xiàn)中心個數(shù)對模型的預(yù)測能力有較大的影響。本文方法建構(gòu)的模型預(yù)測正確率比傳統(tǒng)方法有較大的改進(jìn)，在隱含層及中心個數(shù)不變的情況下，利用模糊C-均值聚類方法代替?zhèn)鹘y(tǒng)的C-均值聚類方法，能提升模型的學(xué)習(xí)能力與復(fù)雜知識的表達(dá)能力。但在59個驗(yàn)證樣本中，有9個樣本未預(yù)測正確，說明在模型的建構(gòu)研究上依然存在一些不足，究其原因，主要由以下方面造成：從文獻(xiàn)數(shù)據(jù)中提取了癥狀與方藥的描述條文時(shí)，由于存在文獻(xiàn)中的癥狀表述不夠貼切，方藥描述不夠精確的情況，使得規(guī)范化處理時(shí)存在偏差。在神經(jīng)網(wǎng)絡(luò)建模時(shí)，聚類參數(shù)的參數(shù)選擇對聚類分析結(jié)果會產(chǎn)生影響，進(jìn)而影響網(wǎng)絡(luò)的精度和泛化能力，因此，參數(shù)的選擇與優(yōu)化有待進(jìn)一步研究。

綜上所述，本文利用神經(jīng)網(wǎng)絡(luò)方法探討失眠病癥狀與方藥的對應(yīng)關(guān)系，初步構(gòu)建了失眠的癥藥模型，經(jīng)測試及案例驗(yàn)證，證明其過程符合中醫(yī)理論。探索了失眠中醫(yī)智能化的診療方法，為臨床進(jìn)行失眠癥藥的研究提供有益借鑒。

[1] 中華醫(yī)學(xué)會神經(jīng)病學(xué)分會睡眠障礙學(xué)組.中國成人失眠診斷與治療指南[S].中華神經(jīng)科雜志，2012，45（7）：534-540．

[2] 劉旺華，洪凈，李花，等.人工神經(jīng)網(wǎng)絡(luò)在中醫(yī)診斷信息化中的應(yīng)用[J/OL].湖南中醫(yī)藥大學(xué)學(xué)報(bào)，2017，37（7）：809-812.

[3] 劉旺華，洪凈，李花，等.人工神經(jīng)網(wǎng)絡(luò)在中醫(yī)診斷信息化中的應(yīng)用[J].湖南中醫(yī)藥大學(xué)學(xué)報(bào)，2017，37（7）.

[4] 李建生，胡金亮，余學(xué)慶，等.基于神經(jīng)網(wǎng)絡(luò)的中醫(yī)證候量化診斷模型探索[J].中醫(yī)學(xué)報(bào)，2005，20（3）：6-8.

[5] 宋偉才，吳艷霞.模糊神經(jīng)網(wǎng)絡(luò)在中醫(yī)臨床診斷中的效果研究[J].醫(yī)學(xué)信息，2015（9）：16-17.

[6] 郭曉軍，高磊磊.基于模糊推理中醫(yī)診斷專家系統(tǒng)[J].機(jī)械設(shè)計(jì)與制造工程，2013，42（5）：63-66.

[7] 李蕾，祁慧敏，楊鳳霞.基于案例與模糊推理的中醫(yī)診斷系統(tǒng)研究[J].信陽師范學(xué)院學(xué)報(bào)：自然科學(xué)版，2014（4）：5-6.

[8] 傅薈璇，趙紅.MATLAB神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計(jì)[M].北京：機(jī)械工業(yè)出版社，2010.

[9] 周慧，張尤賽，龔淼.基于RBF神經(jīng)網(wǎng)絡(luò)的醫(yī)學(xué)圖像分類算法研究[J].電子設(shè)計(jì)工程，2017，25（3）：113-116.

[10] Chen D.Research on traffic flow prediction in the big data environment based on the improved RBF neural network[J].IEEE Transactions on Industrial Informatics，2017，PP（99）：1-10.

[11] 肖春景，張敏.基于減法聚類與模糊c-均值的模糊聚類的研究 [J].計(jì)算機(jī)工程，2005，31（b07）：135-137.

[12] 吳興華，周暉.基于減法聚類及自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)的短期電價(jià)預(yù)測[J].電網(wǎng)技術(shù)，2007，31（19）：69-73.

[13] Gu J，Jiao L，Yang S，et al.Sparse learning based fuzzy c-means clustering[J].Knowledge-Based Systems，2016，119：113-125.

[14] 張翡，范虹.基于模糊C均值聚類的醫(yī)學(xué)圖像分割研究 [J/OL].計(jì)算機(jī)工程與應(yīng)用，2014，50（4）：144-151.

[15] 岳彩青，常青美，龐學(xué)民，等.基于聚類分析的RBF網(wǎng)絡(luò)建模方法及應(yīng)用的研究[J].計(jì)算機(jī)仿真，2006，23（1）：120-123.

Ancient literature of symptoms and prescriptions in the insomnia based on fuzzy radial basis function neural network

LIN Jia LIANG Hui RUAN Su
The People's Hospital Affiliated to Fujian University of Traditional Chinese Medicine,Fuzhou 350004 China

ObjectiveTo build the relationship model between “symptoms” and “prescription” of insomnia by fuzzy radial basis function neural network(RBF),and to realize the development and consolidation of the experience in diagnosis and treatment of insomnia in traditional Chinese medical knowledge.MethodsAccording to the national standard “Clinical Diagnosis and Treatment Term of TCM& Syndrome Part”，the 379th article in “Chinese Medical Classics” containing insomnia symptoms and prescriptions were standardized and arranged.The 379th article were selected as training samples.Insomnia drug model was constructed by radial basis function neural network.Fuzzy subtraction clustering and fuzzy C means clustering analysis were used to determine the number of hidden layers and clustering centers.Using the least square method, the network connection weights were trained.Resultsthe other 59 items were used as the test sample to verify the model.The model prediction was 50 items,and the correct rate is 84.7%.The prediction accuracy of the model was high,which could better establish the internal relationship between symptoms and prescriptions.ConclusionThe fuzzy radial basis function neural network can realize the intelligent mapping between “symptom” and “prescription” of insomnia,and can contribute to the research of TCM knowledge.

Neural network;Insomnia;Ancient literature;Symptom and prescription

R256.23

A

2095-0616（2017）23-50-04

福建省中青年教師教育科研項(xiàng)目（JAT170274）。

2017-09-26）