針灸處方腧穴配伍規律數據挖掘系統開發

曹旭++金濤偉++董國娟

摘 要：本文主要闡述針灸處方腧穴配伍規律數據挖掘系統平臺。針灸處方是我國傳統醫學寶庫中的奇葩，從古至今在臨床上為許多患者解除了病痛，其中蘊含著大量的信息，這些信息用傳統方式很難發現，通過數據挖掘能為我們提供處方下蘊含的深層知識。針灸處方腧穴配伍規律數據挖掘平臺包含處方管理、功用查詢、關聯規則查詢和系統設置等全面功能，可以實現數據收集、整理、分析和關聯數據挖掘等功能。在針灸古方和臨床數據挖掘上有重要的應用意義。

關鍵詞：針灸處方；腧穴配伍規律；數據挖掘；系統開發

中圖分類號：R255.2 文獻標識碼：A 文章編號：1671-2064（2017）02-0171-02

1 針灸處方腧穴配伍規律數據挖掘平臺開發的意義

針灸學是中醫學的重要組成部分，屬于傳統經驗醫學，是對病證病因病機的經驗積累，加上臨床技能和臨床經驗等實踐活動的一門綜合知識[1]。針灸學具有適應癥廣、療效顯著、應用方便、經濟安全等優點。在漫長的歷史發展過程中，積累了豐富的文獻資料。針灸古籍作為一種寶貴的文獻資料，以傳統的形式進行傳承和研究已經不能滿足現代社會人們對信息獲取的需求。將紙本針灸古籍轉換為現代的數字化信息，并進行研究是針灸文獻研究的發展方向。透過數據的表面，通過一定的算法挖掘其深層次知識的過程就是數據挖掘。數據挖掘就是從大量數據中獲取有效的、新穎的、具有潛在應用價值的信息的過程，所以，針灸處方腧穴配伍規律數據挖掘平臺的建立對針灸學的研究和發展具有重要意義[2]。

2 關于針灸處方數據挖掘的國內外研究現狀

數據挖掘技術是一個多學科交叉研究領域，融合了數據庫技術、人工智能、機器學習、統計學等多學科的研究成果。數據挖掘技術的產生雖然只有十多年的歷史，但其在科學研究、金融投資、保險、醫療等行業都有廣泛應用。將數據挖掘技術運用在中醫藥領域尚處于起步階段，近年來隨著數據挖掘的廣泛研究和應用，目前已存在一些數據挖掘方法和算法，在中藥研究領域中，關聯規則挖掘技術關于方-藥-證-癥之間關系的研究已經有所突破[3]。

3 針灸處方腧穴配伍規律數據挖掘平臺

將數據挖掘應用在針灸學領域，主要是研究腧穴運用規律、經絡運用規律和特定穴運用規律分析等。腧穴運用規律就是尋找針灸處方中腧穴頻次、腧穴與腧穴間的關系等。針灸數據挖掘的研究主要圍繞選穴、配穴背后隱藏的信息，從而對針灸處方、腧穴和經絡進行更深層次的關聯分析[4]。

3.1 處方數據的收集、整理和規范

原始的針灸數據雖然豐富，但由于數據的歷史年限較長，上至先秦，下至現代，記載的人員不同，語言不斷演變，內容多樣，因此存在很多問題，例如數據不完整、結構不一致、記錄重復、屬性冗余等，很難直接滿足數據挖掘算法的要求。因此，存在記錄方式簡單、數據不規范、標準不統一等問題，所以，數據在使用之前必須進行預處理。數據的預處理主要包括數據的抽取、數據的規范和噪音的處理[5]。古代處方中對于腧穴的描述中存在大量的“異穴同名”、“同名異穴”、“脈穴同名”的現象，比如：腧穴名稱“絲竹穴”在古文獻中又稱“巨髎、目髎”，針灸療法中的“穴位注射”又稱“水針”[6]。腧穴配伍規律研究要求穴位名稱必須規范，為了準確的從各種文獻中將針灸數據抽取，平臺中錄入的處方主要參考《中國針灸穴位通鑒》、《腧穴學》、《針灸穴名國際標準化手冊》《針灸大全》等書，以保證數據的一致性[7]。

3.2 建立處方數據庫

系統選用功能強大、簡單易用的面向對象編程語言——Java語言作為框架，選用MySQL關系數據庫管理系統進行數據管理，將關聯數據保存在不同表中，數據高速、靈活如圖1所示。

3.3 建立數據挖掘模型，對處方的腧穴運用規律和關聯關系進行分析

數據挖掘可分為概念描述、聚集發現、關聯規則發現、分類發現、回歸發現和序列模式發現等方法[8]。關聯分析是尋找在同一個事件中出現的不同項的相關性。用于規則發現的對象主要是事務型數據庫，關聯規則發現任務的本質是在數據庫中發現強關聯規則，利用關聯規則了解數據間的關系[9]。關聯挖掘作為對大量數據中的數據項間關系描述的挖掘方法很適合中醫藥數據的挖掘。作為布爾關聯規則挖掘的最有效的算法-Apriori算法是頻繁項集挖掘的主要算法。平臺應用Apriori算法對針灸處方腧穴運用規律等方面的關聯規則進行挖掘，并對挖掘數據進行分析，如圖2所示。

4 針灸處方腧穴配伍規律數據挖掘平臺的應用前景

針灸處方配穴規律和經絡規律是針灸臨床研究的重要內容，是針灸理論和治療特點的重要體現，建立針灸處方腧穴配伍規律數據挖掘系統為針灸研究提供數據基礎，為針灸特色和規律研究提供突破口[10]。針灸處方腧穴配伍規律數據挖掘平臺改變了傳統針灸信息采集和大腦存儲處理的落后模式，為促進針灸科研水平，促進針灸現代化提供工具，利用針灸數據挖掘結果可以對針灸科學內涵進行證明和闡述，為拓展針灸治療領域產生巨大的促進作用，為針灸特色和規律性研究提供新突破口，進而為癥候與選穴之間的關系、癥候與刺灸手法之間的關系，以及各種刺灸方法中量與效的規律等方面的研究提供技術支持[11]。

參考文獻：

[1]Luis Torgo. Data Mining with R[M].機械工業出版社，2012.

[2]王光宏，蔣平.數據挖掘綜述[J].同濟大學學報（自然科學版），2004（2）：112-118.

[3]陳曉紅.決策支持系統理論和應用[M].清華大學出版社，2010.

[4]I.H.Witten and E. Frank. Data Mining： Practical Machine Learning Tools and Techniques[M].Morgan Kaufmann，2005.

[5]韓家煒.數據挖掘：概念與技術[M].北京：機械工業出版社，2007.

[6]Xindong Wu， Vipin Kumar. Top Ten Alogorithms in Data Mining[M].清華大學出版社，2013.

[7]J.Han，H.Cheng， D. Xin， and X. Yan. Frequent pattern mining： Current status and future direction[J].Data Mining and Knowledge Discovery，2007（1）.

[8]Hand， D. J. Measuring classifier performance： A coherent alternative to the area under the roc curve[J].Machine Learning，2009.（1）：103-123.

[9]Hornik， K.， Buchta， C.， and Zeileis， A.， Open-source machine learning： R meets Weka[J].Computational Statistics，2009（2）：225-232.

[10]梁繁榮，吳曦.國外針灸發展現狀與展望.中國針灸[J].2006（2）：79-82.

[11]Muir Gray，湯金陵.循癥醫學-循癥醫療衛生決策[M].北京：北京大學醫學出版社，2004.