兩層級神經網絡及在中醫智能診斷中的應用

 收稿日期：2007-10-19；

修回日期：2008-03-20

基金項目：國家自然科學基金資助項目(30472122); 國家中醫藥管理局重點資助項目(2000-J-Z-01)



作者簡介：李江平(1964-)，男 副教授，碩導 博士研究生，主要研究方向為人工智能、模式識別、醫學診斷數字化（j_p_lee@163.com）；

潘保昌(1949-)，男，教授，博導，主要研究方向為人工智能、模式識別；韋玉科（1965-），女，副教授，碩導，博士研究生，主要研究方向為計算機軟件開發、智能控制與檢測.

(廣東工業大學 a.材料與能源學院; b.自動化學院; c.計算機學院 廣州 510640)

摘要：通過分析中醫臨床數據的特性，將臨床數據分為低層級數據和高層級數據，每個層級數據又分為全局輸入參數和局部輸入參數?；谶@些概念，建立了一種兩層級神經網絡，低層級子神經網絡局部處理低層級數據，高層級子神經網絡綜合處理高層級數據和低層級子神經網絡的輸出結果。這樣的結構不僅能有效地刻畫中醫辨證問題，而且簡化了計算，提高了學習收斂速度。實驗結果表明，這種兩級神經網絡可以較好地應用于具有復雜數據關系的中醫辨證智能計算。

關鍵詞：層級神經網絡； 中醫辨證； 智能診斷

中圖分類號：TP18

文獻標志碼：A

文章編號：1001-3695(2008)10-3169-02

Two layers of neural network and it’s application in

traditional Chinese medicine intelligent diagnosis

LIJiang-pinga，b PAN Bao-changb WEI Yu-kec

(a.School of Material Energy Sources b.School of Automation c.School of Computer Guangdong University of Technology Guangzhou 510640 China）

Abstract:By research on its characteristics the traditional Chinese medicine (TCM) clinical data are divided into two layer-grades: low layer-grade of data and high layer-grade of data. And every layer-grade data are divided into global data and local data. Based on this concept built a two layer-grade neural network which its low layer-grade sub-neural network calculated low layer-grade data and its high layer-grade sub-neural network comprehensively processed the high layer-grade data and the output of the low layer-grade sub- neural network. In this structure not only was the TCM categorical identification problem effectively described but also the calculation was simplified and the convergent learning speeded up. The result of experiments indicates that the two-layer neural network can be well applied to the TCM categorical identification intelligent calculation with complex data relationships.

Key words：layers-grade of neural network; traditional Chinese medicine (TCM) diagnosis; intelligent diagnosis

中醫的臨床診斷是將人體的生命活動現象作為診斷和治療的重要依據，臨床上的每一癥狀（含體征）都具有辨證意義。每一癥狀對各證候的診斷意義并不是一對一的簡單關系，而是一個癥狀對多種“證”具有不同的診斷價值，而且這種關系的描述是模糊的；同時，每一病證的診斷往往需要根據多種臨床表現（即癥狀和體征）才能確定。癥狀和體征是病證的某種現象，即病證是在身體的某部位以某種形式的表現。病證一般有多種癥狀和體征，而且癥狀和體征還有主次之分。某一癥狀或體征也并不是某種病證才有的，往往是多種病證共有的。因此，癥狀與病證之間是一種模糊的多對多的復雜關系。鑒于癥證之間多對多的模糊關系，需要解決兩個問題：a）哪些癥狀為某種病證的表現；b）各種癥狀對某種病證來說貢獻度（或稱關聯度）為多少，怎樣量化描述。

中醫診斷涉及的癥狀和體征數據一般有500多種，但是以病證為對象而言，某種病證只與一部分癥狀和體征數據緊密關聯。人體是一個完整協調的統一體，各系統和臟腑器官盡管相互緊密關聯，但又具有很強的獨立性和自成體系。500多種癥狀和體征數據中，有的與各系統和臟腑器官有很強的關聯，有的則僅與某一系統或臟腑器官有很強的關聯。一方面，大多數癥狀和體征只與某幾種病證有關系，這體現了癥狀和體征與病證之間關系的局部性特點；另一方面，也有少數癥狀和體征與幾乎所有病證都有關系，這體現了這些癥狀和體征的全局特性。另外，有些體征在臨床上用一組數據來描述。描述體征的這些數據與癥狀數據存在層級上的差異，因此對它們不能等同處理。一般的神經網絡診斷計算中沒有層級上的差別[1~5]，這可能使復雜問題的計算誤差較大或容易產生振蕩。

中醫的臨床診斷中，還充分利用舌診和脈診信息。舌診的數字化涉及彩色圖像的處理和識別問題[6]。因此，中醫診斷數字化需處理不同形式的數據，這涉及不同形式數據的融合處理問題。有鑒于此，本文研究了一種兩級神經網絡模型，既能處理層級差異的數據，又能融合處理不同形式的數據。

1層級神經網絡模型

為了準確地表述這種分層級的復雜關系，結合癥狀和體征的局部性和全局性特點，

同時簡化計算、降低計算復雜度和提高計算速度，加快神經網絡的計算收斂速度，設計了如圖1所示的兩級結構神經網絡模型。低級部分由若干子神經網絡Wi{i=1，2，…，n}組成，是并行的神經網絡，Wi處理局部信息。Wi是一種模糊神經網絡，其輸出作為高層神經網絡W的輸入，W是一種競爭神經網絡。這樣，W就可以針對全局作綜合處理。

把癥狀和體征信息作為輸入參數。依據癥狀和體征與病證關聯的范圍，把輸入參數（癥狀和體征數據）分為全局輸入參數和局部輸入參數。依據臨床數據（包括臨床體檢數據和癥狀數據）的層次關系，把輸入參數（臨床數據）分為低層級輸入參數和高層級輸入參數。高層輸入參數與低層子神經網絡的輸出參數具有同層次意義。

低層級子神經網絡Wi{i=1，2，…，n}具有相對的獨立性，可以單獨進行學習。各低層級子神經網絡的結構可以同構，也可以異構，它們之間輸入參數的數據形式可以完全不同。對模型中的子神經網絡的要求只有一個，即要求它們輸出參數的數據形式要統一。

低層級子神經網絡結構（圖2）共分成三層：a)輸入層。初始輸入值是多個臨床檢測數據，以向量表示，每個臨床檢測數據是病人體征的一種表現。癥狀的輕重程度用去模糊量化值表示；每個臨床檢測數據對某一體征的貢獻度也進行去模糊量化。去模糊量化值用隸屬度函數來表示，其作為隱層的輸入。b）隱層。每個節點代表一條模糊計算規則，對貢獻度進行綜合計算。c)競爭層。初步進行綜合計算，得出體征值。 

高層級子神經網絡結構采用圖3所示的結構。初始輸入值是多個癥狀和體征，以癥狀向量表示，癥狀和體征的輕重程度依據專家經驗進行模糊量化。每個癥狀和體征及輕重程度對某一病證的貢獻度可通過網絡依據典型病例集學習確定，用神經網絡權值矩陣來表示。推理層用兩個競爭網絡的并行計算分別進行病位和病機的推理，競爭網絡采用Hamming網絡結構。整個神經網絡模型共分成三層:第一層為輸入層；第二層每個節點代表一條診斷規則；第三層是由兩個競爭網絡構成的競爭網絡層。其中，一個競爭網絡推理出病位；另一個競爭網絡推理出病機。輸出節點表示推理系統的輸出信號，即辨證的結果——證候的特征向量。

2數據處理及結果分析

每一癥狀的輕重在中醫學上的描述是模糊的，因此要建立模糊化規則。一般以中等程度為準，癥狀的輕重程度分五級進行去模糊量化，癥狀的輕重程度分別取值為{0，0.3，0.5，0.7，1}。其中，中等程度癥狀時取值0.5，癥狀最嚴重時取值1，無某癥狀的取值0，輕癥狀時取值0.3，癥狀偏重時取值0.7。

在神經網絡計算中，貢獻度可以通過一定數量的樣本病例的神經網絡學習得到。模糊神經網絡的競爭網絡的學習樣本集依據專家的診斷經驗建立，學習樣本集是由典型臨床病例組成的集合。所謂典型臨床病例，是指具有代表性和特殊性的臨床病例。競爭網絡通過學習，其權值矩陣Wij存儲癥狀對病證的貢獻度。貢獻度的取值范圍規格化為[0，1)。如果病證沒有某一癥狀，則該癥狀對這種病證的貢獻度為0;一般來說，病證不可能只有惟一癥狀表現，故貢獻度小于1。

關于舌象信息，先對舌診圖像進行處理和提取特征，舌象特征主要包括舌形、舌邊齒痕、舌苔、舌面裂紋、舌面斑點、舌下絡脈等。建立舌診圖像特征庫，把舌象特征參數作為子神經網絡的輸入參數，通過低層級子神經網絡的計算得出體征數據。

為了解決診斷準確率與診斷速度的矛盾，建立了三級思維發散機制。對一般病證，不用充分詢問病情，只就主要癥狀進行辨證診斷，這樣可以很快地得出診斷結果;對較復雜的病證考慮的癥狀就多一些，以保證較高的準確率;對于疑難雜癥，則應充分詢問病情，考慮各種潛在的或相關的癥狀，以保證得出正確的診斷結果。把與大部分病證有關的癥狀作為全局輸入參數，而把只與幾種病證有關的癥狀作為局部輸入參數，把癥狀作為高層級輸入參數。通過使用這種新的兩層結構神經網絡模型，使神經網絡的學習收斂速度大大提高了。

高層級子神經網絡結構實質上是采用一種模糊邏輯神經網絡推理機制，將模糊規則用神經網絡表示出來。權值Wij表示出各個癥狀所反映的病位和病機的可能性大小，或者說表示出各個癥狀對某個病位和病機的貢獻度。第二層節點的運算則得出某病人的全部實際癥狀對某個病位和病機的綜合貢獻度，對綜合貢獻度進行閾值處理后，將其作為競爭網絡的輸入。在這里，實際上是模擬醫生的發散思維，盡可能多地找出各種可能的病位和病機。

第三層競爭網絡的原型向量（矩陣W的列向量）代表一條診斷經驗，由網絡通過樣本集的學習建立。競爭網絡的輸出為一維列向量，反映輸入向量與哪個原型向量最為接近，實際上是推斷出最可能的病位和病機，也就是推斷出最可能的病證。通過競爭網絡的計算，實際上是模擬醫生診斷的思維收斂過程。

關于神經網絡的學習，低層級子神經網絡的學習訓練一般獨立進行，這樣可在不影響診斷準確率的條件下，大大提高整個神經網絡的學習收斂速度。

實驗結果表明，對一般的辨證診斷能100%達到與專家辨證診斷結果一致。

3結束語

筆者與廣州中醫藥大學合作承擔了國家自然科學基金項目“多種信息融合技術建立舌象五臟辨病類證系統”的研究。通過系統地收集和整理瘀血證臨床典型病例，獲得了較大量的臨床資料。通過系統地分析和調查研究，掌握了瘀血證的中醫證候分布的一般規律：臨床數據表現出層次性特點和局部性特點。因而，將兩級模糊神經網絡推理應用到對瘀血證的智能化中醫診斷上取得了較滿意的效果。筆者開發的基于多種信息

融合技術的舌象五臟辨病類證系統，同中醫專家

診斷的實際情況基本相符，初步說明采用這種兩級模糊神經網絡模型的處理過程是符合中醫診斷思維的，這也表明模糊神經網絡技術可以在中醫診斷數字化系統的開發中發揮較好的作用。但是，中醫診斷數字化是一個極其復雜的問題，尤其是對疑難雜癥的診斷，還有許多問題有待進一步研究。

參考文獻：

[1]李千目，戚湧，張宏，等.基于粗糙集神經網絡的網絡故障診斷新方法[J]. 計算機研究與發展 2004，41（10）:1695-1702.

[2]魏圓圓，王儒敬，方靜. 多種診斷推理方法的設計與比較[J]. 計算機工程與應用，2005，41(2):57-58.

[3]朱維軍，王軍，王賀明．臨床智能診斷的神經―模糊方法[J]. 數理醫學雜志，2004，17（1）:65-68.

[4]秦廣中，毛宗源．粗糙神經網絡及其在中醫智能診斷系統中醫應用[J]. 計算機工程與應用，2001，37(18):34-35.

[5]周詠梅，陽愛民，沈智慧．一種基于神經網絡的模糊推理和規則生成方法[J]. 計算機工程與應用，2004，40(13):49-51，110.

[6]朱潔華，阮邦志，勵俊雄，等．舌診客觀化研究的一種圖像處理方法[J]. 中國生物醫學工程學報，2001，20(2)：132-137.