基于模糊徑向基神經網絡的失眠古文獻癥藥研究

林 佳 梁 暉 阮 甦

福建中醫藥大學附屬人民醫院，福建福州 350004

基于模糊徑向基神經網絡的失眠古文獻癥藥研究

林 佳 梁 暉 阮 甦

福建中醫藥大學附屬人民醫院，福建福州 350004

目的運用模糊徑向基神經網絡對失眠“癥狀”與“方藥”之間的關系進行建模，實現對中醫醫案中失眠診治經驗知識的挖掘與固化。方法參照國家標準《中醫證候診療術語證候部分》對《中華醫典》中379條包含失眠癥狀和方藥的條文進行規范化整理；選取其中320條作為訓練樣本，采用徑向基神經網絡進行失眠癥藥模型的構建，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與聚類中心，運用最小二乘法訓練網絡連接權值。結果利用另外59條條文作為檢驗樣本進行模型的驗證，模型預測正確50條，正確率84.7%。模型預測正確率較高，能較好的建立癥狀與方藥之間的內在關系。結論利用模糊徑向基神經網絡能實現失眠中醫“癥狀”與“方藥”之間的智能化映射，可為失眠中醫診治知識的研究提供服務。

神經網絡；失眠；古文獻；癥藥

失眠（insomnia）是指患者對睡眠時間和（或）睡眠質量不滿足并影響日間社會功能的一種主觀體驗[1]。早在《黃帝內經》中醫就有了關于失眠病機的闡述，幾千年來的中醫古籍中蘊含著大量經過臨床驗證且行之有效的中醫臨床醫案記載。但中醫古籍中記載的內容涉及十分廣泛，各種內容龐雜而糾集在一起，使得中醫在失眠疾病診療中也存在著辨證分型不一致，療效標準不一，可重復性不高，可操作性不強等問題。神經網絡，是一種智能化的信息處理模型，通過模擬生物學的神經元結構與信息響應機制，形成復雜知識的學習、推理能力，適合于復雜領域的數學建模，在包含中醫內科學的各學科中廣受重視[2-5]。模糊技術，通過模糊邏輯模擬人思維過程，則能更好的實現復雜高級知識的表達[6-7]。因此，將模糊技術融入到神經網絡的學習中，則能增強網絡的模糊知識學習與推理能力，適合于無明確函數關系、多參量、強耦合的中醫癥藥等復雜系統的建模。因此，本文融合模糊技術與神經網絡技術對傳統中醫癥藥關系進行建模，實現對中醫病案中復雜的失眠數據知識的挖掘，形成癥狀與處方用藥間的智能化關聯。

1 資料與方法

1.1 古文獻數據的來源與規范化處理

本研究自2016年1月～2017年9月篩選整理《中華醫典》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。參照國家標準《中醫證候診療術語證候部分》對癥狀進行規范化，最終選取條文379條，包括癥狀56個，藥物78種。將“癥狀”設定屬性，將出現該癥狀的設為1，無者設為0，如表1所示。根據《中華本草》對中藥藥名進行規范，將“藥物”設定屬性，將出現該藥物的設為1，無者設為0。見表1 ～ 2。

表1 條文-癥狀關聯表

表2 條文-藥物關聯表

1.2 癥藥模型的構建方法

神經網絡本質上是通過互聯大量簡單神經元構成一個復雜的拓撲網絡，具備高容錯、自學習、自適應、并行分布處理能力的非線性知識處理系統。目前主要有前饋型、反饋型和自組織三大類數十種模型[8]，其中徑向基神經網絡是前饋網絡的典型代表，具有網絡結構簡單、非線性映射關系強、魯棒性好、自學習能力優越的特點，適合于中醫智能診療方面的應用[9]。徑向基神經網絡由輸入層、隱含層和輸出層構成，其中隱含層的個數與中心是影響模型學習能力的關鍵，也是傳統的徑向基神經網絡構建的難點[8]。將模糊技術融入到徑向基神經網絡學習中，則能克服徑向基神經網絡學習中的難題，增強網絡的模糊知識學習與推理能力[10]。因此，本文利用RBF神經網絡，結合模糊減法聚類和模糊C均值聚類進行中醫失眠“癥狀”與“方藥”間的模型建構。

1.2.1 徑向基神經網絡模型 徑向基神經網絡由輸入層、隱含層和輸出層構成，其拓撲結構如圖1所示。

圖1 徑向基神經網絡結構

輸入層接收輸入信息并將信息傳輸到隱含層，X=[x1,…，xi…xn]T為癥狀的樣本集合，輸入層的節點數n與癥狀的樣本個數一致。隱含層包含一組徑向基向量，與輸入、輸出層互聯，是模糊知識提取與固化的隱空間。輸出層輸出網絡的響應結果，為癥狀對應的治療方藥。

圖1結構的RBF神經函數表達式為：

1.2.2 基于模糊聚類的徑向基神經網絡建模 在RBF神經網絡的建模包含隱含層節點個數m的確定、聚類中心的學習與基于最小二乘法的權值的求解等過程。隱含層個數m與模型學習的有效性直接相關，本文采樣模糊減法聚類方法進行隱含層個數的確定，解決傳統試湊法精度與效率不高的問題。并利用模糊C-均值聚類方法進行聚類中心的求解，解決傳統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值。

（1）利用模糊減法聚類確定隱含層個數和初始中心

模糊減法聚類[11-12]是基于密度指標的分類方法，通過樣本點密度指標推定聚類個數與中心。設樣本數據為領域半徑內的密度指標ri為：

則模糊聚類的基本步驟為：

①假定所有n個樣本數據都是候選的聚類中心；

②比較密度指標ri的大小，將密度最大點作為聚類中心xm1，并設定該聚類中心的影響半徑為rb，以確保在該影響半徑內不出現另一中心；

③修正所有樣本點的密度指標ri：

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

（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表達模糊聚類結果。

為隸屬度值，反映樣本數據某個聚類中心的程度，應滿足以下條件：

給定模糊權重指數為c≥1，中心個數為m的模糊聚類目標函數可描述為：

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函數的最優解，以獲得模糊聚類中心。

（3）利用最小二乘法確定連接權值

徑向基神經網絡的輸出表達式為：

可表示為如下形式：

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

1.2.3 模型的訓練與建構 從379個樣本中選取320個作為訓練樣本，59個作為驗證樣本。利用MATLAB R2016a構建人工神經網絡模型。設定模糊減法聚類的領域半徑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-均值聚類方法計算聚類中心。確定網絡結構為56×16×78，即輸入層56 個節點，對應56個癥狀；隱含層16個節點；輸出層78個節點，對應78種藥物。最后，運用最小二乘法求解連接權值，從而實現失眠癥藥模型的構建。

2 結果

本研究共選取379條失眠古文獻條文，運用其中320個條文結合上述方法構建了失眠的癥藥模型，并利用另外59個檢驗樣本進行模型的驗證。結果表明，模型預測正確50條，正確率84.7%。選取酸棗仁湯證、歸脾湯證、溫膽湯證、天王補心丹證的典型癥狀表現作為輸入值，運用模型進行計算，比較各湯證實際值與標準值之間的誤差，可知酸棗仁湯證及溫膽湯證各藥物的預測誤差均在0.1 以內；歸脾湯的人參、黃芪、白術預測誤差均在0.1 以內，對其它藥物的預測誤差在0.2以內；天王補心丹的生地、麥冬預測誤差在0.1 以內，其它藥物的預測誤差在0.3以內。由此可見，模型預測正確率較高，能較好的建立癥狀與方藥之間的內在關系。

3 討論

本研究從文獻數據中提取了失眠癥狀與方藥的描述條文共379條，通過設定“癥狀”和“藥物”的屬性進行了量化處理，并通過模糊技術與神經網絡的結合構建了失眠癥藥知識系統，建立了癥狀與方藥之間的非線性映射關系，實現了“癥狀”到“藥物”的預測。利用59個驗證樣本進行驗證，獲得模型的預測正確率為84.7%。經典方劑酸棗仁湯證、溫膽湯、歸脾湯和天王補心丹的君藥和臣藥預測誤差均在0.1 以內，說明模型對癥藥關系的預測準確性較高。癥藥模型的預測準確性與建模方法的選擇和應用密切相關。采用傳統的徑向基神經網絡[15]進行對比分析，發現中心個數對模型的預測能力有較大的影響。本文方法建構的模型預測正確率比傳統方法有較大的改進，在隱含層及中心個數不變的情況下，利用模糊C-均值聚類方法代替傳統的C-均值聚類方法，能提升模型的學習能力與復雜知識的表達能力。但在59個驗證樣本中，有9個樣本未預測正確，說明在模型的建構研究上依然存在一些不足，究其原因，主要由以下方面造成：從文獻數據中提取了癥狀與方藥的描述條文時，由于存在文獻中的癥狀表述不夠貼切，方藥描述不夠精確的情況，使得規范化處理時存在偏差。在神經網絡建模時，聚類參數的參數選擇對聚類分析結果會產生影響，進而影響網絡的精度和泛化能力，因此，參數的選擇與優化有待進一步研究。

綜上所述，本文利用神經網絡方法探討失眠病癥狀與方藥的對應關系，初步構建了失眠的癥藥模型，經測試及案例驗證，證明其過程符合中醫理論。探索了失眠中醫智能化的診療方法，為臨床進行失眠癥藥的研究提供有益借鑒。

[1] 中華醫學會神經病學分會睡眠障礙學組.中國成人失眠診斷與治療指南[S].中華神經科雜志，2012，45（7）：534-540．

[2] 劉旺華，洪凈，李花，等.人工神經網絡在中醫診斷信息化中的應用[J/OL].湖南中醫藥大學學報，2017，37（7）：809-812.

[3] 劉旺華，洪凈，李花，等.人工神經網絡在中醫診斷信息化中的應用[J].湖南中醫藥大學學報，2017，37（7）.

[4] 李建生，胡金亮，余學慶，等.基于神經網絡的中醫證候量化診斷模型探索[J].中醫學報，2005，20（3）：6-8.

[5] 宋偉才，吳艷霞.模糊神經網絡在中醫臨床診斷中的效果研究[J].醫學信息，2015（9）：16-17.

[6] 郭曉軍，高磊磊.基于模糊推理中醫診斷專家系統[J].機械設計與制造工程，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診斷系統研究[J].信陽師范學院學報：自然科學版，2014（4）：5-6.

[8] 傅薈璇，趙紅.MATLAB神經網絡應用設計[M].北京：機械工業出版社，2010.

[9] 周慧，張尤賽，龔淼.基于RBF神經網絡的醫學圖像分類算法研究[J].電子設計工程，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].計算機工程，2005，31（b07）：135-137.

[12] 吳興華，周暉.基于減法聚類及自適應模糊神經網絡的短期電價預測[J].電網技術，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均值聚類的醫學圖像分割研究 [J/OL].計算機工程與應用，2014，50（4）：144-151.

[15] 岳彩青，常青美，龐學民，等.基于聚類分析的RBF網絡建模方法及應用的研究[J].計算機仿真，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目（JAT170274）。

2017-09-26）