CN101485569A - 基于自适应模糊逻辑的中医多功能智能诊断仪 - Google Patents

Abstract

基于自适应模糊逻辑的中医多功能智能诊断仪，涉及一种诊断仪。提供一种基于自适应模糊逻辑的中医多功能智能诊断仪。设有人体生物电采集器、正极探测头和负极探测手柄，人体生物电采集器设有穴位探测电路、微控制器电路、显示报警电路以及与上位机接口的USB转换电路，穴位探测电路的输入端分别与正极探测头和负极探测手柄连接，穴位探测电路的输出端接微控制器电路，微控制器电路与显示报警电路以及与上位机接口的USB转换电路连接。正极探测头和负极探测手柄用于生物电数据的采集。

Description

基于自适应模糊逻辑的中医多功能智能诊断仪

技术领域

本发明涉及一种诊断仪，尤其是涉及一种基于自适应模糊逻辑的中医多功能智能诊断仪。

背景技术

利用人体生物电信息，根据中医腑脏、经络学说四诊八纲等理论，以现代电子技术为测量手段，开展对人体的诊断与疾病治疗，已经得到有关方面的重视，并有相应的报道。

公开号为CN1144644的中国发明专利申请提供一种完全从人体体表检测的全息诊断仪，它是运用全息生物原理及中医理论，应用耳诊、舌诊、目诊、甲诊及多种诊法，结合现代电子技术，在人体特定部位，检测多种全息指标，通过电脑进行信息处理，完善一套从体表对人体进行快速、准确诊断。不用问病史、操作简便、无痛苦、无创伤、诊断准确、迅速、结构简单、成本低、性能可靠。

公开号为CN1100297的中国发明专利申请提供一种中医电脑诊断仪。该诊断仪由信号检测系统、模数转换器、计算机数据处理系统和打印机四大部分组成。其中信号检测系统包括探测电极和方波探测电源；模数转换器采用双积分MC14433集成块，接往微机接口；计算机处理系统由10个功能模块和1个汇编子程序组成。该发明具有诊断率高，操作简便、快速等优点。

公开号为CN2031268的中国发明专利申请提供一种人体信息电脑诊断仪，该仪采用电子计算机技术测量人体生物电，并赋予专家诊断程序，达到电脑诊断之目的。该仪器在电脑控制下，由耳穴探测，引导图指引医生对被体检者检测生物电信息并存贮到贮存器中，无需医生强记探测耳穴顺序，也不必记录，探测完毕，只需按诊断键或打印键，即可得到诊断结果报告。

发明内容

本发明的目的在于提供一种基于自适应模糊逻辑的中医多功能智能诊断仪。

本发明设有人体生物电采集器、正极探测头和负极探测手柄，人体生物电采集器设有穴位探测电路、微控制器(MCU)电路、显示报警电路以及与上位机接口的USB转换电路，穴位探测电路的输入端分别与正极探测头和负极探测手柄连接，穴位探测电路的输出端接微控制器电路，微控制器电路与显示报警电路以及与上位机接口的USB转换电路连接。正极探测头和负极探测手柄用于生物电数据的采集。

正极探测头可由微控开关和探针组成，微控开关与探针连接，微控开关用于控制何时采集生物电信息，探针包含一个压力弹簧，用于保证测量时与人体穴位充分接触并相对稳定。负极探测手柄可为不锈钢管，不锈钢管上设有配重，一定的配重可使握棒和人的手面充分接触。

本发明所述的基于自适应模糊逻辑的中医多功能智能诊断仪可内置基于自适应模糊逻辑的智能诊断模型。基于自适应模糊逻辑的智能诊断模型包括面向中医诊断的自组织特征映射神经网络算法(CSOFM)、基于CSOFM的K-means两阶段聚类算法(CSOFMK)、中医诊断BP神经网络、基于模糊逻辑的智能疾病诊断算法和基于免疫机制的诊断模型自适应更新算法。

应用向下递减学习率、幂函数递减和粗调、精调两阶段调整对传统的算法进行了面向中医诊断的改进，提出了面向中医诊断的自组织特征映射神经网络算法(CSOFM)。

将CSOFM与K-means聚类算法相结合，提出了基于CSOFM的K-means两阶段聚类算法(CSOFMK)。

根据人体测试穴位和诊断疾病个数的研究，构造了46—12—9的3层诊断BP神经网络。

根据中医疾病诊断本身具有模糊性提出了基于模糊逻辑的智能疾病诊断算法。

面向中医理论和方法不断发展的需求，提出了基于免疫机制的诊断模型自适应更新算法。

本发明以中医腑脏、经络学说四诊八纲为理论基础，以现代电子技术为测量手段，用模糊非线性的智能自适应神经网络为判定模型。

本发明以人体生物电信息来诊断和治疗疾病，主要由人体生物电采集器和自适应智能诊断软件两个关键部分组成。生物电采集器从耳穴和经络两个方面，依据良导络的原理，完成受测者生物电数据的采集、储存。智能诊断软件首先进行大量临床样本数据的学习，依据现代数据挖掘技术建立起自适应智能疾病诊断模型，通过此模型对采集的数据进行基于模糊逻辑的分析辩证，从而对病人所患疾病进行智能诊断，并给出相关建议和治疗方案，为医护人员提供针灸穴位图。

附图说明

图1为本发明实施例的结构组成框图。

图2为本发明实施例的正极探测头的结构示意图。

图3为本发明实施例的负极探测手柄的结构示意图。

图4为本发明实施例的人体生物电采集器的电路组成原理图。在图4中，集成电路U0为STC12C4052AD型，U1为CH341T型，U9为4PIN。

图5为本发明实施例的智能诊断模型总体结构图。

图6为本发明实施例的Kohonen网络结构图。

图7为本发明实施例的CSOFM K算法流程图。

图8为本发明实施例的46—12—9的BP神经网络结构图。

具体实施方式

参见图1，本发明设有人体生物电采集器、正极探测头1和负极探测手柄2，人体生物电采集器设有穴位探测电路3、微控制器(MCU)电路4、显示报警电路5以及与上位机接口的USB转换电路6，穴位探测电路3的输入端分别与正极探测头1和负极探测手柄2连接，穴位探测电路3的输出端接微控制器电路4，微控制器电路4与显示报警电路5以及与上位机接口的USB转换电路6连接。正极探测头1和负极探测手柄2用于生物电数据的采集。

参见图2和3，正极探测头1可由微控开关和探针组成，微控开关与探针连接，微控开关用于控制何时采集生物电信息，探针包含一个压力弹簧，用于保证测量时与人体穴位充分接触并相对稳定。负极探测手柄2可为不锈钢管，不锈钢管上设有配重，一定的配重可使握棒和人的手面充分接触。

图4给出本发明实施例的人体生物电采集器的电路组成原理图。

人体生物电采集器主要包括穴位探测电路、微控制器(MCU)电路、显示报警电路以及与上位机接口的USB转换电路。穴位探测电路的输入端分别与正极探测头和负极探测手柄连接，穴位探测电路的输出端接微控制器(MCU)电路，微控制器电路与显示报警电路以及与上位机接口的USB转换电路连接。

以下给出本发明实施例的主要技术参数指标。

(1)测量信号电平电压：5V；

(2)测量生物电阻范围：10～800K；

(3)测量频率：150HZ；

(4)短路电流(两极直接连接电流)：I＝16.7μA；

(5)测量最大电流：I＝16.1μA；

(6)测量最小电流：I＝4.5μA；

(7)电阻电压转换范围：0.167～3.636V；

穴位探测电路是采集穴位电学参数关键部分，就基本原理而言分为直流式、交流式，直流式又分为直流电阻式和电桥平衡式，为提高测量效果与稳定性，本实施例采用直流电阻式。

微控制器电路的MCU选用宏晶科技推出的STC12C4052AD，STC12C4052AD内置MAX810复位电路，工作频率范围为0～35MHz，由于具有1T特性，相当于普通8051的0～420MHz，有1个看门狗，6个16位定时器，4路PWM，4K程序存储空间，ISP在线编程/IAP应用编程，还可以通过串口直接编程。

显示报警电路可设有5个指示灯，分别指示系统状态及穴位检测参数，通过控制嗡鸣器发出短、中、长不同的声音来判断当前检测的状态，可采用通讯协议进行控制，直观准确地反映当前仪器的工作状态。

USB转换电路的USB接口芯片可采用CH341贴片型转换芯片，CH341贴片型转换芯片是一种USB总线转接芯片，通过USB总线可以提供异步串口、打印口以及常用的2线和4线，在异步串口方式下，CH341贴片型转换芯片能提供串口发送使能、串口接收就绪等交互式的速率控制信号及常用的MODEM联络信号，用于将普通串口设备直接升级到USB总线。

以下给出本发明实施例使用的基于自适应模糊逻辑的智能诊断模型。

1.模型概述

经络的作用是系统的整体效应，经络的整体效应出现在经络系统的各个组成要素在整合为整体的过程中出现的非线性的综合效应，这使得对经络和耳穴系统内部各部分要素既人体的各结构部分进行抽象分析时，不能清楚地解释说明经络现象和经络学说中的一系列问题的根本原因所在，如循经传感现象所具有的普遍、潜在、趋病、效应、可激、可控、变异等规律性。这些循经传感的规律性，只能在各个部分相互联系中存在，有机结合中产生，动态过程中发展，利用现代数据挖掘可以发现这些隐藏的知识。聚类方法研究是数据挖掘的一个重要研究领域，与预测方法预测数据对象的连续取值不同，聚类主要研究数据对象的离散类别。机器学习、专家系统、统计学和神经网络等领域的研究人员已经提出了许多具体的聚类方法，如神经网络、决策树、SVM、K-means、KNN等算法。

本发明提出一种基于改进自组织特征映射神经网络的两阶段聚类算法，该算法无需人工设定类别数目，先通过改进自组织特征映射神经网络分析自动生成类别数目和聚类中心，再通过K-means算法进一步准确聚类，从而提高聚类性能。通过对采集人体生物电信息进行聚类分析并结合神经网络学习，智能诊断病人所患疾病。智能诊断模型总体结构图如图5所示。

测量的人体生物电样本的聚类是影响人体电阻诊断的关键因素之一，系统先调用CSOFM算法对成熟老中医经验样本进行聚类，再通过BP神经网络按各分类分别进行训练学习并将训练结果保存到相应的神经网络群知识库中。

当通过测量人体生物电进行病情诊断时，先调用聚类知识库计算该组测量值的类别，再调用对应的BP神经网络模型进行病情诊断。

2.面向中医诊断的自组织特征映射网络(CSOFM)

2.1 标准自组织特征映射神经网络算法(SOFM)

2.1.1.自组织特征映射神经网络(Kohonen)

Kohonen是一种无教师指导的聚类网络，具有信息压缩，特征提取，数据聚类和联想的功能。它模拟人脑对外界不同输入模式的自动响应过程，采用竞争机制，对邻近的神经元刺激增强，对远离的则抑制，最终将原始的多维空间分布映射到二维的输出空间，并保持样本分布间的拓扑结构不变。

Kohonen网络结构：由输入层和竞争层组成，输入层的N个神经元，同二维平面阵列的竞争层M＝m×m个神经元间实现全互连接，Kohonen网络结构参见图6。

Kohonen网络主要性能为：(1)自组织排序性，即拓扑保持能力；(2)自组织概率分布特性；(3)对输入数据有聚类作用，将高维数据映射到低维空间，用输出节点的权向量代表原输入，具有数据压缩和特征提取的作用；(4)以若干神经元同时反映分类结果，具有容错性；(5)具有自联想功能。

2.1.2 标准自组织特征映射神经网络算法(SOFM)

(1)初始化权值w_ij(0)，学习率η(0)，邻域半径N_c(0)，确定学习次数T；

(2)对所有输入模式执行步骤(3)～(4)；

(3)按下式计算连接权向量与输入模式之间距离，选择最小距离对应的神经元为获胜神经元；

$d_i=\sqrt{\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{(x_{\mathrm{pj}}-w_{\mathrm{ij}})}^2},j=\mathrm{1,2}...N;i=\mathrm{1,2}...M$

(4)按下式更新获胜神经元及其邻域内所有神经元的连接权，而邻域外的神经元权值不变：

w_ij(t+1)＝w_ij(t)+η(t)(x_j-w_ij(t))，i＝1，2...M

(5)t＝t+1，按以下式子线性递减邻域N_c(t)和学习率η(t)。

$\mathrm{\η}\left(t\right)=\mathrm{\η}\left(0\right)(1-\frac{t}{T}),N_c\left(t\right)=\mathrm{NT}\left[N_c\left(0\right)(1-\frac{t}{T})\right];$ NT为取整函数

(6)返回执行步骤(2)，直到t＝T为止。

2.2 K-means聚类算法

K-means算法属于聚类方法中一种典型的划分方法，其基本思想是通过迭代把数据对象划分到不同的簇中，使簇内部对象之间的相似度很大，而簇之间对象的相似度很小。具体算法如下：

(1)选择一个K值，用以确定簇的总数；

(2)在数据集中任意选择K个实例，它们是初始的簇中心；

(3)使用简单的欧氏距离将剩余实例赋给距离它们最近的簇中心；

(4)使用每个簇中的实例来计算每个簇新的平均值；

(5)如果新的平均值等于上次迭代的平均值，终止该过程。否则，用新平均值作为簇中心并重复步骤(3)～(5)。

K-means算法聚类结果受初始聚类中心的选择影响较大，如果初始聚类中心选取不当，聚类结果可能会陷入局部最优解，而得不到较好的聚类效果。

2.3 传统聚类算法在中医应用中的缺陷

聚类分析方法的典型代表是基于划分的传统聚类方法，如K-means算法等。这类方法聚类虽然结果清晰，但聚类结果却对初始聚类数(k值)非常敏感，k值的确定直接影响到聚类结果的好坏。因此，面对采集人体生物电信息，如何准确的确定k值是传统聚类算法需要解决的最大问题。

神经网络是对大型数据信息处理的有力工具，特别是对高维的数据具有很强的自适应学习能力、鲁棒性和容错能力，不用指定初始的聚类的数目。但是，它的最大局限性是在学习模式较小时，网络连接权向量的初始状态对网络的收敛性能影响很大，其次，邻域和学习速率如何选择，目前尚无固定的数学方法，一般原则是，邻域开始选得较大，然后逐步收缩。学习速率开始下降的速度可以较大，以便较快地捕捉到输入模式矢量的大致概率结构，然后在较小的数值上缓慢降到零。这样可以较精细地调整权值使之符合输入模式空间的概率分布结构。关于学习率函数a(t)的选择，原则上可选一个单调下降函数，至于是线性下降还是负指数下降没有硬性规定，而且聚类结果较为模糊。

已有的聚类方法在性能上各有所长，但在具体应用中也存在着不同的缺点，如神经网络需要设定复杂的参数，K-means需要将数据分入预先设定的聚类数，而KNN在聚类时计算量较大，因为对每一个待聚类的样本都要计算它到全体已知样本的距离，才能求得它的最近邻点等等。

而对于划分的k中心点算法，对于噪声和孤立点都不敏感。但是却存在着固有的缺点，聚类质量的好坏主要取决用户指定的初始聚类个数，而聚类个数通常是很难确定的。而且采用均值作为一类的代表点，一个点往往不能充分反映该类的模式分布结构，从而损失了很多有用的信息，只有当类的自然分布为球状或者接近于球状时，才可能有较好的聚类效果。

对于初次聚类产生的结果可能不够精确，用K-means算法将得到的簇数进行二次聚类，可以克服孤立点存在的问题，并使聚类结果更加精确。

2.4 面向中医诊断的改进思路：

SOFM算法中学习率和邻域采取何种递减方式，对学习的收敛速度和聚类精度都很关键。本发明将网络的学习分为粗调整和精细调整2个阶段。粗调整阶段是大致确定输入模式在竞争层的映射位置，因此学习率和领域应递减较快，可采用幂函数形式；在精细调整阶段，网络学习集中对较小范围内的神经元的连接权值进行调整。学习率和领域递减缓慢，可采用线性函数形式，领域缓慢减小为0，即只包含获胜神经元。

改进1：SOFM算法中学习率和邻域采取何种递减方式，对学习的收敛速度和聚类精度都很关键。：学习率和邻域范围以线性递减时，虽然聚类结果较好，但学习收敛慢；而以指数形式如递减时，聚类结果不理想甚至导致不收敛；幂函数递减，聚类结果最好，收敛也快。本模型就采用下式递减学习率，领域递减见改进2。

$\mathrm{\η}(t+1)=n\left(0\right)\×{\left(\frac{a_1}{\mathrm{\η}\left(0\right)}\right)}^{\frac{t}{T_1}},$ a₁为常数，一般为0.05

改进2：根据神经生物学观点，侧反馈的强度应与邻域内神经元i同获胜神经元c的距离有关。典型的gauss函数最适合作为邻域函数：

N_ic(t)＝exp(-|p_i-p_c|²)/2σ(t)²

|p_i-p_j|为竞争层神经元之间的距离，σ(t)为邻域的有效宽度，采用幂函数递减：

$\mathrm{\σ}(t+1)=\mathrm{\σ}\left(0\right)\×{\left(\frac{a_2}{\mathrm{\σ}\left(0\right)}\right)}^{\frac{t}{T_1}},$ a₂为常数，一般为0.5

改进3：网络的学习分为粗调整和精细调整2个阶段。粗调整阶段是大致确定输入模式在竞争层的映射位置，因此学习率应递减较快，可采用幂函数形式，邻域从较大值递减为较小值。在精细调整阶段，网络学习集中对较小范围内的神经元的连接权值进行调整。其学习率递减缓慢，可采用线性函数形式，邻域值从1-2缓慢减小为0，即只包含获胜神经元。

2.5 面向中医诊断的自组织特征映射神经网络算法(CSOFM)：

(1)初始化权值w_ij(0)，学习率η(0)，邻域半径N_c(0)，确定学习次数T＝T₁+T₂；

(2)粗调整阶段η(0)＝0.3，σ(0)＝3m/2，m为输出层正方形边长节点个数；

(3)对所有输入模式p执行步骤(4)～(8)；

(4)按 $d_i=\sqrt{\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{(x_{\mathrm{pj}}-w_{\mathrm{ij}})}^2},$ j＝1，2...N；i＝1，2...M计算所有神经元的Euclidean距离，求得min{d_i}对应的神经元c为获胜神经元；

(5)计算邻域函数值：N_ic(t)＝exp(-|p_i-p_c|²)/2σ(t)²

其中在二维网络中， $|p_i-p_c|=\sqrt{{(i_x-c_x)}^2+{(i_y-c_y)}^2},$ i_x，i_y，c_x，c_y分别表示神经元在阵列上的坐标；

(6)调整权值：w_ij(t+1)＝w_ij(t)+η(t)N_ic(t)(x_j-w_ij(t))；

(7)调整学习率： $\mathrm{\η}(t+1)=n\left(0\right)\×{\left(\frac{a_1}{\mathrm{\η}\left(0\right)}\right)}^{\frac{t}{T_1}},$ a₁为常数，一般为0.05；

(8)调整邻域的宽度： $\mathrm{\σ}(t+1)=\mathrm{\σ}\left(0\right)\×{\left(\frac{a_2}{\mathrm{\σ}\left(0\right)}\right)}^{\frac{t}{T_1}},$ a₂为常数，一般为0.5；

(9)t＝t+1，返回(3)直至t>T₁；

(10)细调整阶段η(0)＝0.03，σ(0)＝1；

(11)执行上面的(3)～(8)。只是邻域宽度和学习率按下式递减：

$\mathrm{\η}(t+1)=\mathrm{\η}\left(0\right)(1-\frac{t}{T_2}),\mathrm{\σ}(t+1)=\mathrm{\σ}\left(0\right)(1-\frac{t}{T_2});$

(12)t＝t+1；返回(11)直至t>T₂；

(13)网络训练完后，最终聚类在多个获胜神经元构成的二维结构图上，可判断映射到神经元排列空间上邻近的则输入空间上必为特征相似的点。可采用距离图法计算每个获胜神经元间的权值距离L，距离图法是分析获胜神经元i和k之间权值距离，计算类之间的差别明显程度，若L<0.1，则判定为同类：

$L=\sqrt{\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}{(w_i-w_k)}^2}$

3.基于CSOFM的K-means两阶段聚类算法(CSOFMK)

3.1 CSOFM K算法描述

(1)样本初始化；

(2)先执行CSOFM算法，把待聚类的数据对象输入到Kohonen网络进行训练，利用CSOFM算法经过网络训练输出一组权值。此阶段的训练次数可以减少，不必让网络完全收敛；

(3)以CSOFM的聚类结果得到的权值为初始聚类中心，对K-means算法进行初始化，执行K-means算法进行准确聚类。

基于CSOFM的K-means两阶段聚类算法(CSOFMK)既保持了SOFM网络自组织的特点，又吸收了K-means算法高效率的特点，同时弥补了SOFM网络收敛时间过长和K-means算法初始聚类中心选取不当造成聚类效果不佳的缺点。

3.2 CSOFM K算法流程

由上节描述的算法可以知道CSOFM K算法流程如图7所示：

3.3 CSOFMK算法分析

假定聚类样本数为n，SOFM的网络输出层结点数为m(m<<n)，循环次数为i，聚类个数为c。容易知道，首先用SOFM训练进行第一阶段的聚类，它的时间复杂度是O(nm)；第二阶段，时间复杂度为线形时间复杂性，为O(imn+mn)，所以总的时间复杂度是O((2+i)nm)((2+i)nm<<n²)。易知，算法的空间复杂性为O(n+m+c)。

由上可知，CSOFM算法由于其组合性在时空复杂度上较传统的聚类算法稍有提高，在中医决策中，用少量的算法运行代价换取较好的聚类效果，这个方法具有非常重要的意义。

4.中医诊断BP神经网络

BP神经网络目前应用最广的人工神经网络模型。是一种有教师指导型的多层前馈网络。神经元的传递函数是S型函数，输出为0到1的连续量，可以实现输入到输出的任意非线性映射。利用输入输出样本集学习，调整网络的权重逐步使网络输出逼近样本输出。训练好的网络其学习特征存储在网络权重中，能对不是训练集合中的新输入推理出合适的输出。其极强的自组织调整学习、容错抗噪能力比传统的回归分析方法更适用于解决复杂的非线性问题。

BP学习算法的步骤：

(1)初始化网络各层权值以及神经元阈值为小的随机数；

(2)提供训练样本集；

(3)计算网络的实际输出以及各隐层单元的状态(即所谓前向过程)；

(4)反向计算误差；

(5)修改权值和阈值；

(6)判断误差是否满足要求，若满足要求则停止训练，否则转向(3)。

中医诊断BP神经网络构造如下：

(1)已有理论证明只含有一个隐含层的3层前馈网络能以任意精度逼近一个非线性映射。根据以上原理，本实施例采用3层网络结构；

(2)输入层：输入层神经结点个数和SOFMK算法中Kohonen网络相同，为46个，即分别将人体46个穴位的生物电阻值进行归一化预处理后输入到46个神经元结点；

(3)输出层：设计本实施例的中医耳穴智能诊断仪一共可以分析诊断402种不同的病症，考虑到BP神经网络输出层的结点个数和取值范围直接影响网络的收敛速度和预测精度，对400种病症进行二进制编码并生成病症二进制对照表。容易得到，400的二进制编码为：110010000，所以把输出层的神经元个数确定为9；

(4)隐含层：隐含层神经元个数可以采用经验公式来估算：

$N=\sqrt{2M}+1,$

$N=\sqrt{M+O}+a,$ 其中a为1到10的常数，

N＝log₂M，

其中M、N、O分别为网络输入层、隐含层、输出层的节点个数。本实施例中M＝46，O＝9，有上述经验公式可以得出N可以参考的值的范围为8到17。以12个节点数为基点依次加1或减1来进行网络收敛性能的比较实验，确定相对较优的神经元数量。在实验过程中一系列的实验表明在隐含层神经元个数为12的时候，网络的收敛性和准确性都比较高，所以确定最后N＝12，46—12—9的BP神经网络结构图参见图8。

(1)映射函数：网络隐含层和输出层的映射函数都采用Sigmoid函数，即映射函数为：δ(x)＝1/[1+exp(-x)]。

仪器中BP神经网络的主要学习过程描述如下：

(2)构造46—12—9的3层BP神经网络，

(3)目标差值E_p选为0.01，即网络的总误差平方和达到0.01，则认为网络的训练过程已完成。其中输出误差的总平方和E_p为： $E_p=\underset{i=0}{\overset{8}{\mathrm{\&Sigma;}}}{(d_{p^i}-y_{p^i})}^2,$ 其中为理想输出，

为实际输出；

(4)设定学习率α＝0.15，网络隐含层和输出层的映射函数为：

δ(x)＝1/[1+exp(-x)]；

(5)初始化网络各层权值w以及神经元阈值θ为小的随机数；

(6)选择ISOFMK聚类知识库中某人体生物电阻值聚类作为训练样本集P；

(7)训练样本集P归一化计算；

(8)按神经元传递函数计算网络的实际输出以及各隐层单元的状态，根据下式计算当前层的输出

其中

为当前层的输入： $O_{p^i}^{\left(l\right)}=\mathrm{\&delta;}(\underset{j=0}{\overset{l-1}{\mathrm{\&Sigma;}}}{w}_{\mathrm{ij}}^{\left(l\right)}{O}_{p^j}^{(l-1)}-{\mathrm{\&theta;}}_i^{\left(l\right)});$

(9)调整各层权值： $w_{\mathrm{ij}}^{\left(l\right)}(k+1)=w_{\mathrm{ij}}^{\left(l\right)}\left(k\right)+{\mathrm{\&Delta;}}_p{w}_{\mathrm{ij}}^{\left(l\right)}$

输出层： ${\mathrm{\&Delta;}}_p{w}_{\mathrm{ij}}^{\left(l\right)}=2\mathrm{\&alpha;}(d_{p^i}-O_{p^i}^{\left(l\right)})O_{p^i}^{\left(l\right)}(1-O_{p^i}^{\left(l\right)})O_{p^j}^{(l-1)}$

其他层：首先计算输出层的误差

再逐层反向计算各隐层的误差

${\mathrm{\&Delta;}}_p{w}_{\mathrm{ij}}^{\left(l\right)}=\mathrm{\&alpha;}\left(\underset{k=0}{\overset{S-1}{\mathrm{\&Sigma;}}}{\mathrm{\&delta;}}_{p^k}^{(l+1)}{w}_{k^i}^{(l+1)}\right)O_{p^i}^{\left(l\right)}(1-O_{p^i}^{\left(l\right)})O_{p^j}^{(l-1)};$

(10)修改阀值： ${\mathrm{\&theta;}}_i^{\left(l\right)}(k+1)={\mathrm{\&theta;}}_i^{\left(l\right)}\left(k\right)-\mathrm{\&alpha;}{\mathrm{\&delta;}}_{p^i}^{\left(l\right)};$

(11)判断误差是否满足要求，若满足要求则执行下一步，否则转向(7)；

(12)训练完毕，保存网络权值和阀值到中医BP网络群知识库中。

中医多功能诊断仪对BP神经网络的应用在于调用CSOFM算法对成熟老中医经验样本进行聚类，通过BP神经网络按各分类分别进行训练学习并将训练结果保存到相应的神经网络群知识库中。通过人体生物电测量值进行病情诊断时确定该组测量值的类别后，调用对应的BP神经网络模型进行病情诊断。

5.基于模糊逻辑的智能疾病诊断算法

人体生物电检测中包含了许多数值属性的特点，这些都可以看作是潜在的模糊变量，而且中医疾病诊断本身具有模糊性，对于具有数值属性的特征，如果将正常值的取值范围设定为一个区间，则任何在此区间以外的都被视为异常，而不管它们和这个区间的差距有多大。这样的结果会让正常和异常之间产生很明显的界限，导致“尖锐边界问题”，引入模糊概念就可以消除这个界限。采用模糊逻辑的优点在于它能够描述同时隶属于不同分类范围的概念。在常规集合论中，对于具体的元素要么属于某个子集，要么不属于，不存在其他的可能性。但是在模糊集合论中，一个元素则可以同时隶属于多个不同的集合，只是其隶属的程度可能有所不同。模型隶属度函数定义如下：

$S(x,a,c)=\left\{\begin{array}{cc}\begin{array}{cc}0& x\&le;u\\ 2{\left(\frac{x-a}{c-a}\right)}^2& a<x\&le;\frac{a+c}{2}\\ 1-2{\left(\frac{c-x}{c-a}\right)}^2& \frac{a+c}{2}<x\&le;c\\ 1& c<x\end{array}& \begin{array}{c}Z(x,a,c)=1-S(x,a,c)\\ \mathrm{PI}(x,a,c)=\left\{\begin{array}{c}S(x,c-a,c)\\ Z(x,c,c+a)\end{array}\right.\end{array}\end{array}\right.$

6.基于免疫机制的诊断模型自适应更新算法

随着系统的应用深入有新产生的疾病判断规则时，就需要对原有模型进行升级，经过基于模糊逻辑的智能疾病诊断后，诊断结果规则集被提取出来，并与新产生的规则集进行比较，计算相似度。如果相似度处于阀值之上，并且只有正向变化或渐进的负向变化，模型参数将用新规则集学习更新。

假设正常行为规则集和新产生的行为规则集里的一个关联规则分别如下：

R₁:X→Y，c，s        R₂:X′→Y′，c′，s′

定义两个规则R₁和R₂的相似度为：

定义两个规则集RS₁和RS₂的相似度为：

$\mathrm{Similarity}({\mathrm{RS}}_1,{\mathrm{RS}}_2)=\frac{\mathrm{Sim}\&prime;}{\left|{\mathrm{RS}}_1\right|}\&times;\frac{\mathrm{Sim}\&prime;}{\left|{\mathrm{RS}}_2\right|}$

其中， $\mathrm{Sim}\&prime;=\underset{\&ForAll;R\&Element;\mathrm{RS}}{\mathrm{\&Sigma;}}\mathrm{Sim}(R_1,R_2),$ |RS₁|和|RS₂|分别为两个规则集内的规则数目。

综上，若Similarity(RS₁，RS₂)大于所设定的阀值且渐行负向变化，更新模型参数；若Similarity(RS₁，RS₂)大于所设定的阀值且正向变化，更新模型参数；若Similarity(RS₁，RS₂)小于所设定的阀值且显著负向变化，则将当前检测结果作为个性特例，不更新模型参数。

以下给出治疗建议模型

治疗建议主要根据诊断模型诊断出的疾病或亚健康现状，通过治疗建议模型给出相关的治疗建议，主要包括针灸治疗建议、中药治疗建议和食物治疗建议。针灸治疗建议给出需要针灸的穴位以及主穴、配穴组成，中药治疗建议给出中药配方，食物治疗建议给出相应的食谱。

以下给出应用软件

中医多功能智能诊断仪应用软件包括耳穴诊断系统和经络能量分析诊断系统两个部分：经络能量分析诊断系统完成受测者的24个数据采集，调用智能诊断模型进行分析，生成经络虚实分析图、经络左右平衡分析图、经络阴阳分析体、经络气血分析图以及经络五行分析图，形成体能状况综合分析结果，进行经络辩证方案以及相关的治疗建议；耳穴诊疗系统针对采穴的不同可进行全身测量、分科测量以及肿瘤测量，将采集的耳穴生物电数据调用智能诊断模型进行诊断分析，给出测量疾病和耳穴针灸建议。

1.耳穴诊断系统

中医耳穴医诊断主要包括以下4个核心模块：

(1)耳穴测量模块

本模块测量病人耳穴的人体电阻值，当人体发生病变时，耳廓的相应部位的“阳性反应”点的皮肤电阻明显降低。本系统的主要思想就是通过对相应耳穴测量电阻值进行聚类分析，对病人所患疾病进行智能诊断。

如通过耳穴电阻值的采集界面，可测量的耳穴共有46个，当采集界面中生物电一栏出现所测量的数值并且数值稳定，即可采集数据，直到所有穴位数据采集完毕。

(2)测量数据分析模块

本模块对耳穴测量模块采集的数据进行分析后，得出病人所得疾病，本模块调用基于模糊逻辑的诊断模型进行疾病诊断。

(3)耳穴针灸模块

本模块通过数据分析模块给出的病人所得疾病，给出中医耳穴针灸的穴位图供医生治疗病人参考：

(4)耳穴维护模块

本模块可进行对耳穴信息的增加、修改或删除，以适应现代中医研究的不断发展需要；

2.经络能量分析系统

经络能量分析系统核心功能包括经络测量、经络能量分析和综合打印等模块

(1)经络测量模块

在病人维护界面中每个病人信息占一行，选择一病人信息，然后点击“确定”即可进入看经络测量界面，病人信息将会显示在其中，在这里可以对病人进行经络能量测量。其中可以看到几个显示区，分别是测量指示区、测量状态区、个人资料区、测量结果区和功能控制区。

A)个人资料区：显示病人的简要信息，如名字，性别，婚姻状况，家庭住址等。

B)测量状态区：在测量的过程中图示病人要测量的部位，下端显示测定点和经络的相关信息。

C)测量指示区：在测量的过程中用用条形块和曲线来显示测量的时经络值的起伏变化。

粉红底色的进度条代表测量的进度，在测量经络的过程中可以发现仪器上面的指示灯和声音的变化顺序，第一个灯先亮响一声，然后第二个亮响一声，接着是第三个亮响一声，最后四个全部亮响一声，一个测量周期结束。

D)测量结果区：在方格中显示经络的测量值，在测量的过程中同时显示经络的测量值和补偿值，同时也在此区的右上角显示了测量的日期和时间。点击该区中的方格时，测量状态区的图示会随着所选的经络而改变，在测量的过程中可以通过这种方式随意测量某一经络。

E)功能区：实现调入测量数据、测量经络、能量分析等功能。

(2)经络能量分析模块

在系统菜单“业务”上点击“能量分析”，选择某一病人资料，点击“确定”或选择某一测量时间双击，经络能量分析图含有六个经络分析图形典型的五行分析图描述如下：

五行分析图主要从五行角度分析了13条经络能量的兴奋度，以及左右两侧24个经络测量值所表现出能量兴奋度，以圆圈图的形式表现。可采用各标号指向表示以下内容：

1.经络所属的阴阳属性。上测的3个图代表阴藏中的6个经络，分别为：肺经、心包经、心经、脾经、肝经、肾经。下侧3个图代表阳腑中的6个经络，分别为：大肠经、三焦经、小肠经、膀胱经、胆经、胃经。

2.经络所属的左右属性。从经络能量的平均值和左右值来判别经络能量的兴奋度。第一列的两个图是经络能量的平均值所表现出的兴奋度，第二列代表身体左侧的经络测量值所表现出的经络能量兴奋度，第三列代表身体右侧的经络测量值所表现出的经络能量兴奋度

3.经络能量兴奋度的图例表示。其中蓝色箭头代表经络虚症，红色箭头代表经络实症。

4.各经络的五行属性。

5.经络名称。

6.代表相应经络值的能量兴奋度。若经络值超过生理反应区界限，则会出现此标志。一个箭头代表经络值超过生理反应区界限，超过病理反应区界限则会出现两个箭头，若经络值再超过一定界限区，则会出现三个箭头表示。

(3)综合打印模块

选择某一病人的一测量时间并在打印类型选择区中选择一打印类型点击“确定”，将输出打印相应页面。

Claims (7)

1.基于自适应模糊逻辑的中医多功能智能诊断仪，其特征在于设有人体生物电采集器、正极探测头和负极探测手柄，人体生物电采集器设有穴位探测电路、微控制器电路、显示报警电路以及与上位机接口的USB转换电路，穴位探测电路的输入端分别与正极探测头和负极探测手柄连接，穴位探测电路的输出端接微控制器电路，微控制器电路与显示报警电路以及与上位机接口的USB转换电路连接。

2.如权利要求1所述的基于自适应模糊逻辑的中医多功能智能诊断仪，其特征在于正极探测头由微控开关和探针组成，微控开关与探针连接，微控开关用于控制何时采集生物电信息，探针包含一个压力弹簧，探针用于保证测量时与人体穴位充分接触并相对稳定。

3.如权利要求1所述的基于自适应模糊逻辑的中医多功能智能诊断仪，其特征在于负极探测手柄为不锈钢管。

4.如权利要求3所述的基于自适应模糊逻辑的中医多功能智能诊断仪，其特征在于不锈钢管上设有配重。

5.如权利要求1所述的基于自适应模糊逻辑的中医多功能智能诊断仪，其特征在于内置基于自适应模糊逻辑的智能诊断模型。

6.如权利要求5所述的基于自适应模糊逻辑的中医多功能智能诊断仪，其特征在于基于自适应模糊逻辑的智能诊断模型包括面向中医诊断的自组织特征映射神经网络算法、基于CSOFM的K-means两阶段聚类算法、中医诊断BP神经网络、基于模糊逻辑的智能疾病诊断算法和基于免疫机制的诊断模型自适应更新算法。

7.如权利要求5所述的基于自适应模糊逻辑的中医多功能智能诊断仪，其特征在于中医诊断BP神经网络为46—12—9的3层诊断BP神经网络。

Images