神經網絡在針灸訓練系統中的應用研究

劉濤濤 王志輝 張弓 黎暉

摘? ?要：針灸是中國特有的一種治療疾病的療法，但現有針灸訓練方法的效率太低。提出了一種新型的針灸訓練系統，建立更接近于針灸臨床實際場景的針灸手臂硅膠模型，并在模型的相應穴位內置高精度壓力傳感器。然后以此模型為硬件依托，利用上位機軟件來提取針刺力并分析所用的針灸手法。對獲得的針刺力數據，應用神經網絡來對其進行訓練和分析，從而對針灸手法進行判別，以此來規范針灸學員的施針手法，實驗結果表明神經網絡算法判別準確率在93%-98%之間，可廣泛應用于針灸訓練系統。

關鍵詞：針灸;訓練系統;手法判別;硅膠模型;神經網絡

中圖分類號：TP399? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文件標識碼：A

Application Research of Neural Network In Acupuncture Training System

LIU Tao-tao1，2?，WANG Zhi-hui1，ZHANG Gong2，LI Hui3

（1. School of Mechanical and Electronic Engineering，Wuhan University of Technology，Wuhan，Hubei 430070，China;

2. Guangzhou Institute of Advanced Technology，Chinese Academy of Sciences，Guangzhou，Guangdong 511458，China;

3. School of Basic Medicine，Guangzhou University of Chinese Medicine，Guangzhou，Guangdong 510000，China）

Abstract：Acupuncture is a unique treatment for diseases in China. However，the training efficiency of the existing acupuncture training method is too low. A new acupuncture training system is proposed to make a silicone model of acupuncture arm which is closer to the actual clinical scenes of acupuncture，and the high precision pressure sensors are built into the corresponding acupoints of the model. Based on this model，the PC software is used to extract the acupuncture force and to judge the acupuncture manipulation. The neural network algorithm is used to train and analyze the acupuncture force data，so as to judge the acupuncture manipulation，and to standardize the acupuncture manipulation of acupuncture trainees. The experimental results show that the accuracy of the neural network algorithm is 93%-98%，which can be widely used in the acupuncture training system.

Key words：acupuncture;training system;manipulation judgement;silicone mode;neural network

針灸是中國特有的一種治療疾病的療法，指在中醫理論的指導下把針具按照一定的角度刺入患者體內，運用捻轉與提插等針刺手法對人體特定部位進行刺激從而治療疾病，刺入點稱為人體腧穴，簡稱穴位[1-2]。針灸在中國傳承已有千年，但作為一門注重實踐的學科，一直缺少合理有效的實驗訓練方法，理論與實踐嚴重脫離[3]。目前針灸教學多是以書本、穴位模型、老師課堂講解的方式來進行，且針灸訓練所用的針灸模型多為動物皮脂、棉花團或其他生硬的模型，這樣所導致的教學效果是學生只能照葫蘆畫瓢，按照課堂所教的方法來進行針灸，至于自己所用的針灸手法、力道是對是錯卻不清楚。由此可見，搭建更有效的針灸訓練系統勢在必行。

當前，虛擬現實技術和傳感針技術已廣泛應用于針灸訓練中。文獻[4-5]描述的是虛擬現實技術在針灸上的應用，通過虛擬視覺的教學方式可以使學員對針灸更有感性的認識。文獻描述的是傳感針技術在針灸上的應用[6-8]，傳感針是傳感器與執行器的融合，通過傳感針的使用，可以將施針時的針刺力提取出來，從而對針刺力進行定量[9]。在針灸訓練中，通過傳感針測得的實際數值有助于學生把握針灸時的施針力道，對針灸教學也頗有裨益。

虛擬現實技術和傳感針技術的應用提高了針灸訓練的效果，但虛擬現實技術無法模擬出針灸臨床時的實際施針手感，而特制的傳感針與實際臨床應用的毫針嚴重不符，二者都嚴重脫離了針灸臨床的實際場景。可以看出：一個合理的針灸訓練模型應該是在量化針刺物理參數的同時盡可能還原針灸臨床的實際場景。

為此，設計了一種新的針灸訓練系統，該系統所用的針灸模型是以模擬針灸臨床的實際場景為前提，制作針灸手臂硅膠模型，并在模型的相應穴位處內置高精度壓力傳感器，再結合計算機技術和傳感器技術;并且系統在量化針刺力的同時并應用BP神經網絡算法來判別所用的施針手法。如此，便可以借助系統來判斷出施針時施加的力的大小是否適當，施針的手法是否規范，以此來幫助學生進行針灸訓練。

1? ?針灸手臂模型

所設計的針灸訓練模型以盡可能還原針灸臨床的實際場景為前提。模型的具體方案是：硅膠仿制手臂模型，根據穴位的實際位置和深度在模型的相應位置處內置高精度壓力傳感器。取手臂上五個主要穴位作為本次研究對象，穴位分別是內關穴、大凌穴、孔最穴、尺澤穴、少海穴。下圖1表示硅膠手臂模型的內部結構;圖2則為成品的硅膠手臂模型。

可以看出硅膠手臂模型很大程度上還原了針灸實際的臨床場景，以及內置的高精度壓力傳感器可以有助于學生進行穴位位置記憶;同時，內置的高精度壓力傳感器可提取出針灸時針刺力的大小，從而可將針刺力數據傳給計算機進行分析，對針灸手法進行判別。

由上面描述的硅膠手臂模型，再結合軟件系統，便構成了針灸訓練系統，在這套針灸訓練系統中，最核心的部分是針刺力數據分析，即判別針灸手法。

2? ?針刺力數據分析

針刺力數據分析，即針灸手法判別問題。針灸手法判別即是通過對提取到的針刺力進行分析，從而判斷出施針者所用的施針手法，采用的判別方法是神經網絡算法。

文獻[10-12]闡述了神經網絡的原理和一些基本應用，了解了神經網絡的特征，以及經典的BP神經網絡在模式識別、數據分類等方面表現良好。在針灸中，不同的針灸手法對應不同的針刺力輸出，反過來，只要能掌握針刺力的變化特征就能反推出針灸手法，所以針灸手法判別問題即可歸結為數據分類問題。

設計的BP神經網絡是三層神經網絡模型，網絡的結構設計在下面內容闡述，運用神經網絡算法時有幾個關鍵設計點，下面來分別講述。

2.1? ?優化BP神經網絡算法

針對BP神經網絡算法存在的一些缺陷，例如收斂速度慢、過擬合、易陷入局部最小值等，在這里為加快網絡收斂速度和跳出局部最小值我們采用附加動量項的方式對神經網絡稍作改進[13]。

附加動量項的方法只是將權值的迭代公式（1）稍作改變，在其后面添加動量項，變為公式（2）。

式中α為動量系數，α的一般取值為0.5、0.9、0.99。動量項α（wt - wt-1）的作用在于記住上一時刻梯度的變化方向，其作用就是如若當前梯度方向與前一步的梯度方向一樣，那么就增加這一步的權值更新。附加動量項利用其慣性效應可以抑制網絡訓練過程中可能出現的振蕩現象，此外，附加動量項還有助于網絡脫離平坦區。

2.2? ?數據特征選取

當應用BP神經網絡算法構建數據分類器時，事先選取合適的數據特征往往事半功倍。要想選取合適的針刺力數據特征，需先了解提插手法和捻轉手法分別對應什么樣的針刺力數據。下圖3、圖4分別是提插手法和捻轉手法對應的針刺力波形圖。

如圖3所示，圖中所繪制的波形圖是提插手法對應的針刺力波形圖，一個波形代表的是一個提插過程。上升階段是插針過程，下降階段對應的是提針過程。

如圖4所示，圖中所繪制的波形圖是捻轉手法對應的針刺力波形圖，因為捻轉手法是刺中穴位后進行轉動，此時并不需要向下施加力，所以捻轉的針刺力較小，并且是間歇性刺激壓力傳感器，所繪制的針刺力波形圖是由很多小脈沖信號組成。

從提插和捻轉針刺力波形圖及上述分析可以看出，可取相鄰時刻針刺力的差值（即后一時刻值減去前一時刻值）作為神經網絡的輸入數據。如此，則插針手法對應的針刺力差值數據全為正數值，提針手法對應的針刺力差值數據全為負數值，捻轉手法對應的針刺力差值數據為正負相間值。如此，針刺力數據特征更明顯，運用BP神經網絡算法則更易進行特征提取。

2.3? ?神經元個數選定

對于神經網絡而言，其各層神經元個數選擇合理與否直接關系到該神經網絡的實際應用效果。在本文設計的針灸訓練系統中，在針灸手法判別上，只定了插針、捻轉、提針這三種針灸手法，所以輸出層選3個神經元。

關鍵是輸入層神經元個數的選定。輸入層的輸入數據反應的是數據間的特征，是數與數之間的相互關系，一般而言，單個數據無法反應數據間的特征;較少的數據也可能無法完全體現數據間的特征;而較多數據又容易造成數據浪費和內存浪費。在本文設計中，欲選擇合適的輸入層神經元的個數，首先需要了解一個完整的提插手法過程的數據特征。

如下表1所示，表中的數據是提插手法對應的針刺力差值數據（已經過做差處理），每一行數代表的是一個完整的提插過程對應的針刺力差值數據，表中共11組數據。

可以看出，每一組數據分為兩個部分，前一部分基本為正數值，代表的是插針對應的差值數據，后一部分是負數值，代表的是提針對應的差值數據，且每一部分數據個數均不少于6個。又由于捻轉手法對應的的針刺力差值數據是正負相間的一串數，所以其數據個數越多，就越能反應捻轉針刺力差值數據之間的特證

綜上所述，設計的神經網絡輸入層的神經元個數選定為6個。即輸入的數據為6維數據，每維數據代表某一時刻的針刺力數據，6維數據即表示6個連續時刻提取的針刺力數據。

隱藏層神經元的個數一般都由經驗而定，或由經驗公式（3）選取：

其中i為輸入個數，o為輸出個數，a為0-10的整數。在本設計中，隱藏層神經元個數選定為8。

至此，神經網絡結構已定，是一個三層神經網絡，輸入層有6個神經元，隱藏層有8個神經元，輸出層有3個神經元。

3? ?結? ?論

3.1? ?針灸手法判別的正確性分析

為保證訓練結果的可靠性，需先確保訓練數據的可靠性。為此，特邀請廣州中醫藥大學的針灸老師來進行針灸演練，獲取他的施針數據。獲得的訓練數據有3112組，其中插針數據、捻轉數據、提針數據各約占三分之一，另有350組數據作為測試數據，其中插針數據110組，提針數據110組，捻轉數據130組。

訓練神經網絡，網絡收斂示意圖如圖5所示。

訓練神經網絡，待網絡收斂后，測試所獲得的連接權值和閾值的可靠性。測試結果如表2所示。

由表2中的數據可知，神經網絡算法對針灸手法判別的正確率在93%-98%之間，基本滿足針灸訓練需求。

3.2? ?針灸手法判別效果展示

對于神經網絡的實際應用效果，下面將用一些圖片展示。說明：下面所展示的判定效果圖，其波形圖的右側是數據的更新側，判定是對數據更新側的某一連續時間內的數據（6個）進行判定。

圖6兩張圖展示了插針手法的判定效果圖。

插針手法對應的波形圖是波峰的上升階段，實時的插針手法判定效果如圖6所示。這二張圖也展示了當針刺力大小不一樣，但針刺力數據間的特征表現為插針時，也會有同樣的插針手法判定。

圖7兩張圖展示了捻轉手法的判定效果圖。

捻轉手法對應的波形圖是間斷的脈沖波形，且針刺力較小，實時的捻轉手法判定效果如圖7所示。這二張圖也展示了當針刺力大小不一樣，但針刺力數據間的特征表現為捻轉時，也會有同樣的捻轉手法判定。

圖8兩張圖展示了提針手法的判定效果圖。

提針手法對應的波形圖是波峰的下降階段，實時的提針手法判定效果如圖8所示。這二張圖也展示了當針刺力大小不一樣，但針刺力數據間的特征表現為提針時，也會有同樣的提針手法判定。

4? ?結? ?論

通過模擬針灸臨床的實際場景，在量化針刺力的同時運用神經網絡算法對針灸手法進行判別，可提高針灸訓練效率。

（1） 采用內置高精度壓力傳感器的手臂硅膠模型作為針灸訓練模型（后期可制作全身模型）。實驗結果表明，以人體穴位的實際位置來作為壓力傳感器的埋入點可以幫助針灸學習者記住穴位位置，同時硅膠手臂模型更能帶來針灸臨床的施針手感。

（2）運用神經網絡算法對針灸手法進行判別的準確率在93%-98%之間。在針灸訓練中以進行針灸手法判別的方式來檢驗施針者的施針手法是否規范，能使學生在訓練過程中不斷地對針灸手法進行自我矯正，從而掌握規范的施針方法。

在以后的應用中需不斷的收集針灸施針數據，以保證系統的泛化性。為進一步保證系統的合理性，可邀請針灸界權威針灸大師們來進行針灸示范，從而獲得他們的數據，以針灸大師們的施針數據為參照，可不斷規范針灸學員的施針手法。

參考文獻

[1]? ? 劉建華，馬文濤.針灸作用機理和經絡研究的現狀及其展望[J]. 中國基礎科學，2004，（4）：29-35.

[2]? ? ZHAO Jing-sheng. Interpretation of acupuncture theory from acupuncture application[J].Chinese Acupuncture & Moxibustion，2017，37（10）：1115.

[3]? ? 張麗.針灸教學的革新方式及現實意義分析[J].智慧健康，2017，（12）：112-114.

[4]? ? 姜雨晨，姜俊，王福波，等. 數字虛擬人體上針刺手法學的VR再現[J].中國組織工程研究，2016，20（44）：6643-6648.

[5]? ? 孟向文，劉建衛. 數字人體穴位系統在腧穴學教學中的應用研究[J]. 江蘇中醫藥，2008，40（12）：72-73.

[6]? ? 任恕，李統平，喻鳳蘭，等. 中醫傳感針的研制[J]. 傳感技術學報，1992，5（3）：49-53.

[7]? ? 任恕，周宜開，沈杰. 傳感針我們始創的傳感器[J]. 傳感器世界，2004，5：6-9.

[8]? ? 趙文勇. 人體穴位模擬針灸檢測系統[D]. 天津大學，2007.

[9]? ? 王雪爭，王康. 針型傳感器的研究進展及在中醫研究中的應用[J]. 針灸臨床雜志，2010（12）：68-71.

[10]? DING Shi-fei，YANG Chun .An optimizing BP neural network algorithm based on genetic algorithm[J]. Artificial Intelligence Review，2011，32（02）：153-162.

[11]? 劉巖.基于改進BP神經網絡算法的唇讀算法的研究與實現 [D]. 吉林大學，2014.

[12]? ZHAO Xue-feng，QIN B. BP neural network recognition algorithm for scour monitoring of subsea pipelines based on active thermometry[J].Optik - International Journal for Light and Electron Optics，2014，125（18）：5426-5431.

[13]? 劉莉，劉強. 引入動量項的變步長 BP 網絡預測算法[J]. 探測與控制學報，2015.37（05）：102-105.