孔亮 楊婷 范華雨

【摘 要】 中醫(yī)學(xué)是以哲學(xué)為理論基礎(chǔ)的經(jīng)驗(yàn)醫(yī)學(xué)，在歷經(jīng)數(shù)千年的發(fā)展后在中國及周邊地區(qū)取得了不可替代的地位。整體觀念是中醫(yī)學(xué)的核心指導(dǎo)思想，但由于人體本身的生理病理機(jī)制極其復(fù)雜，故采用現(xiàn)代分析醫(yī)學(xué)方法難以探究其診治本質(zhì)。近年來大數(shù)據(jù)及人工智能的快速發(fā)展再一次為智慧中醫(yī)發(fā)展帶來契機(jī)，文章通過全面檢索中英文數(shù)據(jù)庫文獻(xiàn)并借助中醫(yī)學(xué)、中醫(yī)工程學(xué)、中醫(yī)信息學(xué)以及現(xiàn)代科學(xué)技術(shù)的相關(guān)理論來簡要介紹中醫(yī)四診客觀量化的研究進(jìn)展，分析目前存在的不足，結(jié)合相關(guān)領(lǐng)域發(fā)展現(xiàn)況對未來中醫(yī)四診輔助技術(shù)進(jìn)行展望。

【關(guān)鍵詞】 中醫(yī)藥;人工智能;診斷;數(shù)據(jù)挖掘;機(jī)器學(xué)習(xí)

【中圖分類號(hào)】R241 ? 【文獻(xiàn)標(biāo)志碼】 A ? ?【文章編號(hào)】1007-8517（2020）1-0063-04

Abstract：Traditional Chinese medicine （TCM） is an empirical medicine based on philosophy. After thousands of years of development， it has achieved an irreplaceable position in China and its surrounding areas. The overall sense is the core guiding ideology of TCM. However， because the physiological and pathological mechanism of the human body is extremely complicated， it is difficult to explore the nature of diagnosis and treatment by modern analytical medicine methods. In recent years， the rapid development of big data and artificial intelligence has once again brought vigorous vitality to smart Chinese medicine. This article will briefly summarize the Chinese and English database literature and use the relevant theories of TCM， Chinese Medicine Engineering， Chinese Medicine Informatics and modern science and technology. This paper introduces the research progress of objective quantification of four diagnostics of TCM， analyzes the existing deficiencies， and prospects the future four diagnostic aids of traditional Chinese medicine in combination with the current development of related fields.

Keywords：Traditional Chinese Medicine; Artificial Intelligence; Diagnosis; Data Mining; Machine Learning

中醫(yī)（Traditional Chinese Medicine， TCM）是中華民族防治疾病數(shù)千年的經(jīng)驗(yàn)積累，但時(shí)至今日中醫(yī)診療方式的信度水平仍然較低，主要原因之一就是中醫(yī)傳統(tǒng)的四診模式缺乏客觀量化依據(jù)。診斷數(shù)據(jù)的客觀量化將為中醫(yī)開啟定量分析的時(shí)代，將大幅度提高疾病的診治精度。為解決客觀量化問題，人工智能技術(shù)在20世紀(jì)70年代就被引入中醫(yī)診斷領(lǐng)域[1]，但由于未能解決邏輯推理和客觀量化問題，其發(fā)展速度較為遲緩。近年來，得益于微傳感器[2-3]、深度學(xué)習(xí)技術(shù)[4-5]以及遠(yuǎn)程醫(yī)療[6-7]的突破性進(jìn)展，中醫(yī)診斷的智能化又一次迎來變革契機(jī)。推動(dòng)中醫(yī)藥現(xiàn)代化，支持中醫(yī)辨證論治智能輔助系統(tǒng)應(yīng)用，提升基層中醫(yī)診療服務(wù)能力已成為行業(yè)乃至全國的戰(zhàn)略性科技發(fā)展規(guī)劃[8]，用現(xiàn)代科學(xué)技術(shù)解決中醫(yī)藥領(lǐng)域的關(guān)鍵問題也將成為一項(xiàng)亟待研究的工作。

1 中醫(yī)四診客觀量化的技術(shù)研究

在中醫(yī)理論體系中，臨床上的任何癥狀或體征都有其特殊的含義，中醫(yī)不依靠特殊的“理化指標(biāo)”，不從單一局部判斷病情，而是從整體進(jìn)行定性分析。這種傳統(tǒng)意義上的中醫(yī)四診模式存在較大的誤差：首先，依靠醫(yī)者五官獲取的病人資料具有較強(qiáng)主觀性;其次，患者在癥狀描述上的偏差極易誤導(dǎo)醫(yī)者;最后，缺乏標(biāo)準(zhǔn)化術(shù)語、中醫(yī)藥信息管理質(zhì)量較差等多種因素共同阻礙著中醫(yī)臨床決策客觀化的發(fā)展。因此，對中醫(yī)診斷線索進(jìn)行量化、客觀反映中醫(yī)規(guī)律、闡釋中醫(yī)療效，在中醫(yī)現(xiàn)代化戰(zhàn)略中具有特殊意義。

1.1 中醫(yī)望診 單就中醫(yī)四診中的望診而言，以舌診的研究最為深入，近千年的發(fā)展為其奠定了厚重的基石。而近年來，更多的科研工作者加入到該方向的研究中，并提出了更多的量化途徑，如ZHANG D[9]等通過構(gòu)建數(shù)學(xué)幾何模型的方法對舌形進(jìn)行識(shí)別分類，訓(xùn)練模型準(zhǔn)確率達(dá)90.3%。王昇[10]對舌面點(diǎn)刺及瘀點(diǎn)設(shè)計(jì)了自動(dòng)識(shí)別與提取系統(tǒng)，其識(shí)別準(zhǔn)確率達(dá)到97.4%。LI Q等[11-12]借助高光譜技術(shù)分別提取出了舌裂紋及舌苔信息，證實(shí)了高光譜技術(shù)在舌診信息提取方面具有高應(yīng)用價(jià)值。而在舌診數(shù)據(jù)信息處理方面，闞紅星[13]提出了一種基于隨機(jī)森林理論的舌圖像識(shí)別算法，其平均識(shí)別準(zhǔn)確率為90.37%。MENG D[14]等基于卷積神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)了約束高擴(kuò)散神經(jīng)網(wǎng)絡(luò)舌診框架，為以往數(shù)據(jù)冗余和權(quán)重分配不平衡的問題提供了很好的解決思路。R Kanawong[15]等人設(shè)計(jì)了監(jiān)督學(xué)習(xí)的舌象分析程序并開發(fā)了移動(dòng)健康診斷終端，基于用戶使用過程中產(chǎn)生的數(shù)據(jù)量進(jìn)行分類模型訓(xùn)練從而提高其性能?？傊嘣\的研究已經(jīng)較為廣泛深入，但在相同用途上缺乏比較，不同用途上缺乏整合，技術(shù)上的不斷成熟說明了客觀化研究具有一定的可行性，未來可提供高質(zhì)量的分析數(shù)據(jù)。在唇診方面，F(xiàn). Li[16]等設(shè)計(jì)了基于多級(jí)分類向量機(jī)的電腦輔助唇診系統(tǒng)，通過圖像處理、特征提取、特征選擇、特征分類4步將257幅口唇圖像分成絳、紅、淡紅、蒼白4類，開創(chuàng)唇診圖像識(shí)別領(lǐng)域的先河。而在面診方面，LIU C[17]等通過面部分割的方法提取面部全局及局部的顏色特征，隨后對高維數(shù)據(jù)降維處理，再通過對支持向量機(jī)（Support Vector Machine， SVM）， 樸素貝葉斯（Naive Bayes， NB）， k最鄰近（K Nearest Neighbors， KNN）和Adaboost迭代四種分類器進(jìn)行性能評測，將性能最佳的分類器與之前的降維數(shù)據(jù)進(jìn)行加權(quán)融合，獲得最佳的分類性能，最終證明了局部特征的高分析價(jià)值。ZHAO C[18]等人以色彩和光澤的兩大方面的特征訓(xùn)練SVM分類器最終實(shí)現(xiàn)了86.89%的識(shí)別精度。ZHANG B[19]等人基于更先進(jìn)的稀疏表達(dá)分類器（sparse representation classifier， SRC）對糖尿病人與正常人進(jìn)行區(qū)分，最終得到的平均準(zhǔn)確率高達(dá)97.54%。望診研究主要以圖像處理和機(jī)器學(xué)習(xí)的方法來對面、舌、唇進(jìn)行證型識(shí)別，通過大量數(shù)據(jù)的標(biāo)注訓(xùn)練，可實(shí)現(xiàn)的識(shí)別精度較高，說明運(yùn)用圖像識(shí)別技術(shù)可實(shí)現(xiàn)中醫(yī)證型的望診自動(dòng)診斷，具有良好的前景，且結(jié)合目前的云計(jì)算方法，加速擴(kuò)充樣本體量，不斷提高識(shí)別精度，未來將成為智慧中醫(yī)診斷的重要依據(jù)來源。這種源于古典，結(jié)合現(xiàn)代技術(shù)的診斷方法有望成為現(xiàn)代醫(yī)學(xué)的有力補(bǔ)充[20]。

1.2 中醫(yī)切診 中醫(yī)切診即脈診，通過寸關(guān)尺部橈動(dòng)脈的波動(dòng)來探查全身氣血運(yùn)行狀態(tài)及五臟六腑的變化。由于脈診具有非侵入性和便利性，在現(xiàn)代醫(yī)學(xué)中也有很好的發(fā)展前景。LIU S[21]等設(shè)計(jì)了一種由壓電和壓阻傳感器的柔性負(fù)荷壓力傳感器陣列，可以測量脈沖波和靜壓，在搜集脈搏波的深度信息時(shí)還兼具良好的重復(fù)性和抗干擾性。ZHOU HL[22]將橈動(dòng)脈壓力分解成動(dòng)態(tài)力和靜態(tài)力進(jìn)行檢測，其設(shè)計(jì)的觸力傳感器在滿足大量程和高精度要求的同時(shí)，降低了制作的難度和成本，加速了觸力傳感器的推廣和應(yīng)用。而更多的學(xué)者研究了脈象波所蘊(yùn)含的意義，GUO R[23]等使用Hilbert-Huang變換將正常人和心臟病患者脈沖信號(hào)都進(jìn)行時(shí)間序列處理，然后利用隨機(jī)森林分類器對提取出的特征建立分類模型，最終發(fā)現(xiàn)能量特征和樣本熵特征的組合作為輸入特征向量時(shí)的平均準(zhǔn)確率最高，達(dá)90.21%。JIANG Z[24]等提出一種基于離散傅里葉級(jí)數(shù)（Discrete Fourier Series，DFS）的特征提取方法，先將波形信號(hào)拆分成不同頻率和振幅的子信號(hào)，再用DFS擬合，最終表明誤差較以往縮小。此外，該方法可以較好地表示原始信息和潛在信息，以更好地區(qū)分不同生理及病理狀態(tài)。Tsai Y N[25]等人利用傅里葉變換（Fourier Transform，F(xiàn)T）對徑向脈診不同位置和不同指標(biāo)間的差異進(jìn)行研究，指出在脈診的研究方面應(yīng)仔細(xì)選擇測量位置，從而確保獲取信息的完整性。此外，Lee B J[26]、Moura N G R D[27]、HU X J[28]等人也對高血壓病人的脈搏波進(jìn)行了大量的研究，其成果可以作為老年人心血管病風(fēng)險(xiǎn)研究基礎(chǔ)，對老年人的心血管功能進(jìn)行預(yù)測。總之，脈診方面的研究，總體環(huán)節(jié)已經(jīng)健全，但缺乏局部節(jié)點(diǎn)技術(shù)上的突破。未來仍需提高傳感器的精度，避免測量偏倚，尋找不同證型波形的特征點(diǎn)，改善模型的識(shí)別效能。

1.3 中醫(yī)聞診 中醫(yī)聞診是通過聽聲音和嗅氣味來了解患者病情變化的方法。與人類指紋類似，聲音和言語模式富含特異性信息，具有極強(qiáng)的鑒別作用，如今在安防領(lǐng)域已有較多關(guān)于聲紋的應(yīng)用。2004年，Pelling A E[29]在《Science》上刊登的關(guān)于細(xì)胞聲學(xué)的研究發(fā)現(xiàn)，細(xì)胞從生長到凋亡，或是生存狀態(tài)的改變都會(huì)對細(xì)胞壁的振動(dòng)頻率產(chǎn)生影響。因此，從宏觀的角度考慮，生物體聲音的變化也可能會(huì)反映其生理病理狀態(tài)的改變，這與兩千年前中國古典醫(yī)籍《黃帝內(nèi)經(jīng)》通過聲音見微知著，調(diào)整亞健康狀態(tài)，預(yù)防疾病發(fā)生的觀點(diǎn)不謀而合。然而人類的聽覺能力還不足以提取、理解、識(shí)別這種微小差異，因此聞診的客觀化有賴于對聲音和氣味傳感器的研究開發(fā)。在聲學(xué)的研究方面，高也陶[30]等研發(fā)的二十五音分析儀為中醫(yī)聲診最先的嘗試，在后續(xù)汪東麗等人[31-32]的實(shí)證研究中分別證明了不同年齡女性、女性寒熱體質(zhì)的聲學(xué)差別。近來，YAN J J[33]等基于分形維數(shù)（Fractal Dimension）提取肺氣虛、肺陰虛、健康受試者的聲學(xué)特征，經(jīng)多分類SVM訓(xùn)練模型訓(xùn)練，最終在預(yù)先區(qū)分性別因素的前提下得到86.05%的整體識(shí)別率。在氣味的研究方面，劉鶯[34]等人運(yùn)用氣相色譜技術(shù)對70名口臭患者呼出氣體進(jìn)行定量檢測，證明不同含量的致臭物質(zhì)與中醫(yī)的不同證型有一定對應(yīng)關(guān)系。WU C[35]等就味覺和嗅覺的生物傳感器發(fā)展現(xiàn)狀進(jìn)行了總結(jié)，并按照體外和體內(nèi)分為兩大類，前者是以味覺、嗅覺生物組織和細(xì)胞、受體作為敏感元素來收集刺激信號(hào)，后者是在動(dòng)物體內(nèi)植入微電極，記錄信號(hào)通路所獲得的信號(hào)。良好的傳感器是中醫(yī)診斷客觀化的基礎(chǔ)，仿生傳感器在中醫(yī)聞診中的應(yīng)用則能提升中醫(yī)聞診的地位，使其在四診中發(fā)揮更重要的作用。

1.4 中醫(yī)問診 中醫(yī)問診是醫(yī)者獲取患者臨床資料的手段之一，在四診中占有重要地位[36]。中醫(yī)問診的智能化研究不僅可以搜集患者的非癥狀信息[37]，還可以極大提高醫(yī)者獲取病人資料的精確性和效率，也是中醫(yī)現(xiàn)代化中不可或缺的環(huán)節(jié)。梁建慶 [38]應(yīng)用數(shù)字化問診系統(tǒng)對帕金森病的中醫(yī)證型和癥狀進(jìn)行數(shù)據(jù)挖掘分析，在378例臨床病人的測試中，最終得到90%的臨床診斷符合率，具有相當(dāng)?shù)膽?yīng)用價(jià)值。此外，鐘濤等人通過借助復(fù)雜系統(tǒng)方法構(gòu)建慢性胃炎中醫(yī)問診證候模型，針對中醫(yī)問診的整體性、動(dòng)態(tài)性、非線性、復(fù)雜性的特征挑選出每個(gè)證型相關(guān)癥狀群，再通過復(fù)雜網(wǎng)格對數(shù)據(jù)關(guān)系進(jìn)行挖掘，最終得到的辨證多標(biāo)記學(xué)習(xí)模型準(zhǔn)確率達(dá)82.5%[39]。近年來，由于中醫(yī)大數(shù)據(jù)應(yīng)用的戰(zhàn)略部署[40]，中醫(yī)相關(guān)的知識(shí)挖掘、隱性知識(shí)發(fā)現(xiàn)、語音識(shí)別等方面的研究明顯加快，結(jié)合目前醫(yī)療狀況，中醫(yī)智能輔助問診具有很好的發(fā)展前景[41]。

2 中醫(yī)四診輔助技術(shù)的未來展望

近十年來科技發(fā)展到一個(gè)拐點(diǎn)，人工智能語音識(shí)別率的大幅提高為人機(jī)對話掃清了障礙，5G通信的商業(yè)試用和微傳感器的發(fā)展為大數(shù)據(jù)和人工智能的發(fā)展提供了蓬勃?jiǎng)恿?。面對極其復(fù)雜的中醫(yī)知識(shí)網(wǎng)絡(luò)，亦有許多學(xué)者提出不同的發(fā)展方向，比如應(yīng)用虛擬現(xiàn)實(shí)技術(shù)和高精度傳感器來遠(yuǎn)程模擬中醫(yī)醫(yī)師和患者面對面交流的場景;診治過程中記錄下的電子數(shù)據(jù)通過再呈現(xiàn)的方式用于年輕醫(yī)師情景教學(xué);構(gòu)建大數(shù)據(jù)網(wǎng)絡(luò)平臺(tái)和自學(xué)習(xí)知識(shí)系統(tǒng)，將計(jì)算機(jī)人工智能發(fā)展的目標(biāo)從自主決策者變?yōu)樵\療建議者，使用人機(jī)結(jié)合的模式，該方法既可以成功減少大量的學(xué)科知識(shí)給臨床醫(yī)師帶來的記憶壓力，又可以有效地減少醫(yī)師診療過程中出現(xiàn)偶然差錯(cuò)的機(jī)會(huì)。

在大數(shù)據(jù)時(shí)代背景下，人類對于世界的感知將達(dá)到一個(gè)前所未有的高度，憑借人工智能技術(shù)的計(jì)算機(jī)工程會(huì)徹底改變“強(qiáng)調(diào)實(shí)驗(yàn)數(shù)據(jù)”的科學(xué)研究思路，因?yàn)闆]有人能知道訓(xùn)練模型之中的擬合參數(shù)，但這種重相關(guān)勝于因果的方法將加速世界發(fā)展[42]。傳統(tǒng)中醫(yī)依托文化和意象思維，現(xiàn)代科技依托客觀物質(zhì)基礎(chǔ)，貫通古今，尊重中醫(yī)本體特征，延展出新理論，并應(yīng)用不同方法角度給出客觀評價(jià)，提高中醫(yī)信度，將是中醫(yī)未來發(fā)展的重要途徑。

參考文獻(xiàn)

[1]辛基梁. 人工神經(jīng)網(wǎng)絡(luò)在中醫(yī)臨床辨證模型研究中的應(yīng)用[D].福州：福建中醫(yī)藥大學(xué)，2017.

[2]Jin Wenquan，Kim Do Hyeun. Design and Implementation of e-Health System Based on Semantic Sensor Network Using IETF YANG.[J]. Sensors （Basel， Switzerland），2018，18（2）.

[3]Lee M. Sanders. E-Health Care： Promise or Peril for Chronic Illness[J]. The Journal of Pediatrics，2018，195.

[4]Suzuki Kenji. Overview of deep learning in medical imaging.[J]. Radiological physics and technology，2017，10（3）

[5]Dan Meng，Guitao Cao，Ye Duan，et al. Tongue Images Classification Based on Constrained High Dispersal Network[J]. Evidence-Based Complementary and Alternative Medicine，2017.

[6]Kalid Naser，Zaidan A A，Zaidan B B， et al. Based on Real Time Remote Health Monitoring Systems： A New Approach for Prioritization “Large Scales Data” Patients with Chronic Heart Diseases Using Body Sensors and Communication Technology.[J]. Journal of medical systems，2018，42（4）.

[7]E. Parimbelli，B. Bottalico，E. Losiouk，et al. Trusting telemedicine： A discussion on risks， safety， legal implications and liability of involved stakeholders[J]. International Journal of Medical Informatics，2018，112.

[8]國務(wù)院辦公廳.國務(wù)院辦公廳關(guān)于促進(jìn)“互聯(lián)網(wǎng)+醫(yī)療健康”發(fā)展的意見[Z].2018-04-28

[9]ZHANG D， ZHANG H， ZHANG B. Tongue Shape Classification by Geometric Features[J]. Information Sciences，2010，180（2）：312-324.

[10]王昇，劉開華，王麗婷.舌診圖像點(diǎn)刺和瘀點(diǎn)的識(shí)別與提取[J].計(jì)算機(jī)工程與科學(xué)，2017，39（6）：1126-1132.

[11]LI Q， WANG Y， et al. Tongue fissure extraction and classification using hyperspectral imaging technology[J]. Applied Optics，2010，49（11）：2006-13.

[12]劉明，趙靜，李剛，等.高光譜成像用于中醫(yī)舌診舌苔信息提取[J].光譜學(xué)與光譜分析，2017，37（1）：162-165.

[13]闞紅星，張璐瑤，董昌武.一種2型糖尿病中醫(yī)證型的舌圖像識(shí)別方法[J].中國生物醫(yī)學(xué)工程學(xué)報(bào)，2016，35（6）：658-664.

[14]MENG D， CAO G， YE D， et al. Tongue Images Classification Based on Constrained High Dispersal Network[J]. Evidence-Based Complementray and Alternative Medicine，2017，2017（4）：1-12.

[15] anawong R， Obafemiajayi T， LIU D， et al. Tongue Image Analysis and Its Mobile App Development for Health Diagnosis[J]. Advances in Experimental Medicine & Biology，2017，1005：99.

[16]F. Li， ZHAO C B， XIA Z， et al. Computer-assisted lip diagnosis on traditional Chinese medicine using multi-class support vector machines[J]. BMC Complementary and Alternative Medicine，2012：127.

[17]C. LIU， C. ZHAO， G. LI， et al. Computerized color analysis for facial diagnosis in traditional Chinese medicine[J]. IEEE International Conference on Bioinformatics and Biomedicine，2014：613-614.

[18]ZHAO C， LI G， LI F， et al. Qualitative and Quantitative Analysis for Facial Complexion in Traditional Chinese Medicine[J]. Biomed Research International，2017，2014（3）：207589.

[19]ZHANG B， Kumar B V K V，ZHANG D. Noninvasive Diabetes Mellitus Detection Using Facial Block Color With a Sparse Representation Classifier[J]. IEEE Transactions on Biomedical Engineering，2014，61（4）：1027-1033.

[20]Ioannis Solos，Yuan Liang.A historical evaluation of Chinese tongue diagnosis in the treatment of septicemic plague in the pre-antibiotic era， and as a new direction for revolutionary clinical research applications[J].Journal of Integrative Medicine，2018，16（03）：141-146.

[21]LIU S， ZHANG S， ZHANG S， et al. A novel flexible pressure sensor array for depth information of radial artery[J]. Sensors & Actuators A Physical，2017，272.

[22]ZHOU HL.A Testing Device for Pulse Graph Force Transducer Measured over Radial Artery[J]. Chinese Journal of Medical Instrumentation，2017，41（6）：419-423

[23]GUO R， WANG Y， YAN H， et al. Analysis and Recognition of Traditional Chinese Medicine Pulse Based on the Hilbert-Huang Transform and Random Forest in Patients with Coronary Heart Disease[J]. Evidence-Based Complementray and Alternative Medicine，2015，2015（6216，supplement）：1-8.

[24]JIANG Z， ZHANG D， LU G. Radial artery pulse waveform analysis based on curve fitting using discrete Fourier series[J]. Computer Methods & Programs in Biomedicine，2018.

[25]Tsai Y N， HUANG Y C， LIN J S， et al. Different Harmonic Characteristics Were Found at Each Location on TCM Radial Pulse Diagnosis by Spectrum Analysis[J]. Evidence-based Complementary and Alternative Medicine：eCAM， 2018，2018（3）：1-10.

[26]Lee B J， Jeon Y J， Ku B， et al. Association of hypertension with physical factors of wrist pulse waves using a computational approach： a pilot study[J]. BMC Complementary and Alternative Medicine，2015，15（1）：1-9.

[27]Moura N G R D，Cordovil I，F(xiàn)erreira A D S.Traditional Chinese medicine wrist pulse-taking is associated with pulse waveform analysis and hemodynamics in hypertension[J]. Chinese Journal of Integrative Medicine，2016，14（2）：100-113.

[28]HU X J， ZHANG L， XU J T， et al. Pulse Wave Cycle Features Analysis of Different Blood Pressure Grades in the Elderly[J].Evidence-Based Complementary and Alternative Medicine， 2018.

[29]Pelling A E， Sehati S， Gralla E B， et al. Local Nanomechanical Motion of the Cell Wall of Saccharomyces cerevisiae[J]. Science，2004，305（5687）：1147-1150.

[30]高也陶.《黃帝內(nèi)經(jīng)》失傳2000多年的理論和技術(shù)的現(xiàn)代研究[M].北京：中醫(yī)古籍出版社，2007：1-504.

[31]WANG D L. Relationship between female ages and the theory of five tones correlated with five zang viscera in Huangdi Neiiing [J]. Journal of Integrative Medicine，2006，4（1）：10-12.

[32]鄭賢月.女性寒熱體質(zhì)者的聲音特征研究[D].北京：北京中醫(yī)藥大學(xué)，2008：1-87.

[33]YAN J J，GUO R，WANG Y Q， et al. Objective Auscultation of TCM Based on Wavelet Packet Fractal Dimension and Support Vector Machine[J]. Evidence-Based Complementray and Alternative Medicine，2014，2014（14）：502348.

[34]劉鶯，彭曉斌.胃熱口臭患者口腔氣味揮發(fā)性成分定性研究[J].中醫(yī)雜志，1998（5）：298-299.

[35]WU C， DU Y W， HUANG L， et al. Biomimetic Sensors for the Senses： Towards Better Understanding of Taste and Odor Sensation[J]. Sensors，2017，17（12）：2881.

[36]羅瑞靜，何建成.中醫(yī)智能化問診系統(tǒng)開發(fā)及應(yīng)用前景[J].時(shí)珍國醫(yī)國藥，2014，25（07）：1797-1798.

[37]張興濤，解君，張啟明.中醫(yī)問診中的非癥狀信息[J].中醫(yī)雜志，2015，56（12）：1019-1021.

[38]梁建慶，何建成.基于數(shù)字化系統(tǒng)的中醫(yī)問診診斷客觀化研究[J].中華中醫(yī)藥雜志（原中國醫(yī)藥學(xué)報(bào)），2014，29（5）：1534.

[39]鐘濤. 基于復(fù)雜系統(tǒng)方法的慢性胃炎中醫(yī)問診證候建模研究[D].華東理工大學(xué)，2014.

[40]國務(wù)院.中醫(yī)藥發(fā)展戰(zhàn)略規(guī)劃綱要（2016-2030年）[Z].2016-02-26.

[41]李曉玲.數(shù)據(jù)挖掘分類方法在中醫(yī)證候研究中的運(yùn)用探析[J].中醫(yī)研究，2015，28（10）：1-4.

[42]Mayer-Schnberger V， Cukier K. Big Data： A Revolution That Will Transform How We Live， Work， and Think[M].1.British publisher： John Murray，2013：1-256.

（收稿日期：2019-10-18 編輯：劉斌）