基于模糊径向基神经网络的失眠古文献症药研究

林 佳 梁 晖 阮 甦

福建中医药大学附属人民医院，福建福州 350004

基于模糊径向基神经网络的失眠古文献症药研究

林 佳 梁 晖 阮 甦

福建中医药大学附属人民医院，福建福州 350004

目的运用模糊径向基神经网络对失眠“症状”与“方药”之间的关系进行建模，实现对中医医案中失眠诊治经验知识的挖掘与固化。方法参照国家标准《中医证候诊疗术语证候部分》对《中华医典》中379条包含失眠症状和方药的条文进行规范化整理；选取其中320条作为训练样本，采用径向基神经网络进行失眠症药模型的构建，利用模糊减法聚类和模糊C均值聚类分析确定隐含层个数与聚类中心，运用最小二乘法训练网络连接权值。结果利用另外59条条文作为检验样本进行模型的验证，模型预测正确50条，正确率84.7%。模型预测正确率较高，能较好的建立症状与方药之间的内在关系。结论利用模糊径向基神经网络能实现失眠中医“症状”与“方药”之间的智能化映射，可为失眠中医诊治知识的研究提供服务。

神经网络；失眠；古文献；症药

失眠（insomnia）是指患者对睡眠时间和（或）睡眠质量不满足并影响日间社会功能的一种主观体验[1]。早在《黄帝内经》中医就有了关于失眠病机的阐述，几千年来的中医古籍中蕴含着大量经过临床验证且行之有效的中医临床医案记载。但中医古籍中记载的内容涉及十分广泛，各种内容庞杂而纠集在一起，使得中医在失眠疾病诊疗中也存在着辨证分型不一致，疗效标准不一，可重复性不高，可操作性不强等问题。神经网络，是一种智能化的信息处理模型，通过模拟生物学的神经元结构与信息响应机制，形成复杂知识的学习、推理能力，适合于复杂领域的数学建模，在包含中医内科学的各学科中广受重视[2-5]。模糊技术，通过模糊逻辑模拟人思维过程，则能更好的实现复杂高级知识的表达[6-7]。因此，将模糊技术融入到神经网络的学习中，则能增强网络的模糊知识学习与推理能力，适合于无明确函数关系、多参量、强耦合的中医症药等复杂系统的建模。因此，本文融合模糊技术与神经网络技术对传统中医症药关系进行建模，实现对中医病案中复杂的失眠数据知识的挖掘，形成症状与处方用药间的智能化关联。

1 资料与方法

1.1 古文献数据的来源与规范化处理

本研究自2016年1月～2017年9月筛选整理《中华医典》中明确诊断为不寐病即失眠的条目，选取其中有症状和方药的条目。参照国家标准《中医证候诊疗术语证候部分》对症状进行规范化，最终选取条文379条，包括症状56个，药物78种。将“症状”设定属性，将出现该症状的设为1，无者设为0，如表1所示。根据《中华本草》对中药药名进行规范，将“药物”设定属性，将出现该药物的设为1，无者设为0。见表1 ～ 2。

表1 条文-症状关联表

表2 条文-药物关联表

1.2 症药模型的构建方法

神经网络本质上是通过互联大量简单神经元构成一个复杂的拓扑网络，具备高容错、自学习、自适应、并行分布处理能力的非线性知识处理系统。目前主要有前馈型、反馈型和自组织三大类数十种模型[8]，其中径向基神经网络是前馈网络的典型代表，具有网络结构简单、非线性映射关系强、鲁棒性好、自学习能力优越的特点，适合于中医智能诊疗方面的应用[9]。径向基神经网络由输入层、隐含层和输出层构成，其中隐含层的个数与中心是影响模型学习能力的关键，也是传统的径向基神经网络构建的难点[8]。将模糊技术融入到径向基神经网络学习中，则能克服径向基神经网络学习中的难题，增强网络的模糊知识学习与推理能力[10]。因此，本文利用RBF神经网络，结合模糊减法聚类和模糊C均值聚类进行中医失眠“症状”与“方药”间的模型建构。

1.2.1 径向基神经网络模型 径向基神经网络由输入层、隐含层和输出层构成，其拓扑结构如图1所示。

图1 径向基神经网络结构

输入层接收输入信息并将信息传输到隐含层，X=[x1,…，xi…xn]T为症状的样本集合，输入层的节点数n与症状的样本个数一致。隐含层包含一组径向基向量，与输入、输出层互联，是模糊知识提取与固化的隐空间。输出层输出网络的响应结果，为症状对应的治疗方药。

图1结构的RBF神经函数表达式为：

1.2.2 基于模糊聚类的径向基神经网络建模 在RBF神经网络的建模包含隐含层节点个数m的确定、聚类中心的学习与基于最小二乘法的权值的求解等过程。隐含层个数m与模型学习的有效性直接相关，本文采样模糊减法聚类方法进行隐含层个数的确定，解决传统试凑法精度与效率不高的问题。并利用模糊C-均值聚类方法进行聚类中心的求解，解决传统C-均值聚类方法鲁棒推理能力不足的问题。最后，基于最小二乘法求解连接权值。

（1）利用模糊减法聚类确定隐含层个数和初始中心

模糊减法聚类[11-12]是基于密度指标的分类方法，通过样本点密度指标推定聚类个数与中心。设样本数据为领域半径内的密度指标ri为：

则模糊聚类的基本步骤为：

①假定所有n个样本数据都是候选的聚类中心；

②比较密度指标ri的大小，将密度最大点作为聚类中心xm1，并设定该聚类中心的影响半径为rb，以确保在该影响半径内不出现另一中心；

③修正所有样本点的密度指标ri：

④重复b和c直至所有密度指标小于给定值，从而获得聚类中心的个数和初始中心值。

（2）利用模糊C-均值聚类确定聚类中心

模糊C-均值聚类[13-14]是一种基于隶属度的聚类方法，适合于无明显界限场合的分类。通过隶属度矩阵U表达模糊聚类结果。

为隶属度值，反映样本数据某个聚类中心的程度，应满足以下条件：

给定模糊权重指数为c≥1，中心个数为m的模糊聚类目标函数可描述为：

e、f式的求解以模糊减法聚类获得的中心为初值，通过迭代方法得到目标函数的最优解，以获得模糊聚类中心。

（3）利用最小二乘法确定连接权值

径向基神经网络的输出表达式为：

可表示为如下形式：

将样本的输出矢量Y和隐含层节点的输出矩阵F(x)代入，通过最小二乘法即可求解出权值矩阵W。

1.2.3 模型的训练与建构 从379个样本中选取320个作为训练样本，59个作为验证样本。利用MATLAB R2016a构建人工神经网络模型。设定模糊减法聚类的领域半径ra=0.6，聚类中心影响半径rb=1.25r，减法聚类分析获得16个中心，继而基于模糊C-均值聚类方法计算聚类中心。确定网络结构为56×16×78，即输入层56 个节点，对应56个症状；隐含层16个节点；输出层78个节点，对应78种药物。最后，运用最小二乘法求解连接权值，从而实现失眠症药模型的构建。

2 结果

本研究共选取379条失眠古文献条文，运用其中320个条文结合上述方法构建了失眠的症药模型，并利用另外59个检验样本进行模型的验证。结果表明，模型预测正确50条，正确率84.7%。选取酸枣仁汤证、归脾汤证、温胆汤证、天王补心丹证的典型症状表现作为输入值，运用模型进行计算，比较各汤证实际值与标准值之间的误差，可知酸枣仁汤证及温胆汤证各药物的预测误差均在0.1 以内；归脾汤的人参、黄芪、白术预测误差均在0.1 以内，对其它药物的预测误差在0.2以内；天王补心丹的生地、麦冬预测误差在0.1 以内，其它药物的预测误差在0.3以内。由此可见，模型预测正确率较高，能较好的建立症状与方药之间的内在关系。

3 讨论

本研究从文献数据中提取了失眠症状与方药的描述条文共379条，通过设定“症状”和“药物”的属性进行了量化处理，并通过模糊技术与神经网络的结合构建了失眠症药知识系统，建立了症状与方药之间的非线性映射关系，实现了“症状”到“药物”的预测。利用59个验证样本进行验证，获得模型的预测正确率为84.7%。经典方剂酸枣仁汤证、温胆汤、归脾汤和天王补心丹的君药和臣药预测误差均在0.1 以内，说明模型对症药关系的预测准确性较高。症药模型的预测准确性与建模方法的选择和应用密切相关。采用传统的径向基神经网络[15]进行对比分析，发现中心个数对模型的预测能力有较大的影响。本文方法建构的模型预测正确率比传统方法有较大的改进，在隐含层及中心个数不变的情况下，利用模糊C-均值聚类方法代替传统的C-均值聚类方法，能提升模型的学习能力与复杂知识的表达能力。但在59个验证样本中，有9个样本未预测正确，说明在模型的建构研究上依然存在一些不足，究其原因，主要由以下方面造成：从文献数据中提取了症状与方药的描述条文时，由于存在文献中的症状表述不够贴切，方药描述不够精确的情况，使得规范化处理时存在偏差。在神经网络建模时，聚类参数的参数选择对聚类分析结果会产生影响，进而影响网络的精度和泛化能力，因此，参数的选择与优化有待进一步研究。

综上所述，本文利用神经网络方法探讨失眠病症状与方药的对应关系，初步构建了失眠的症药模型，经测试及案例验证，证明其过程符合中医理论。探索了失眠中医智能化的诊疗方法，为临床进行失眠症药的研究提供有益借鉴。

[1] 中华医学会神经病学分会睡眠障碍学组.中国成人失眠诊断与治疗指南[S].中华神经科杂志，2012，45（7）：534-540．

[2] 刘旺华，洪净，李花，等.人工神经网络在中医诊断信息化中的应用[J/OL].湖南中医药大学学报，2017，37（7）：809-812.

[3] 刘旺华，洪净，李花，等.人工神经网络在中医诊断信息化中的应用[J].湖南中医药大学学报，2017，37（7）.

[4] 李建生，胡金亮，余学庆，等.基于神经网络的中医证候量化诊断模型探索[J].中医学报，2005，20（3）：6-8.

[5] 宋伟才，吴艳霞.模糊神经网络在中医临床诊断中的效果研究[J].医学信息，2015（9）：16-17.

[6] 郭晓军，高磊磊.基于模糊推理中医诊断专家系统[J].机械设计与制造工程，2013，42（5）：63-66.

[7] 李蕾，祁慧敏，杨凤霞.基于案例与模糊推理的中医诊断系统研究[J].信阳师范学院学报：自然科学版，2014（4）：5-6.

[8] 傅荟璇，赵红.MATLAB神经网络应用设计[M].北京：机械工业出版社，2010.

[9] 周慧，张尤赛，龚淼.基于RBF神经网络的医学图像分类算法研究[J].电子设计工程，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，张敏.基于减法聚类与模糊c-均值的模糊聚类的研究 [J].计算机工程，2005，31（b07）：135-137.

[12] 吴兴华，周晖.基于减法聚类及自适应模糊神经网络的短期电价预测[J].电网技术，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] 张翡，范虹.基于模糊C均值聚类的医学图像分割研究 [J/OL].计算机工程与应用，2014，50（4）：144-151.

[15] 岳彩青，常青美，庞学民，等.基于聚类分析的RBF网络建模方法及应用的研究[J].计算机仿真，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

福建省中青年教师教育科研项目（JAT170274）。

2017-09-26）