CN111768842A - 中医证素的辨识方法、系统、电子设备及可读存储介质 - Google Patents
中医证素的辨识方法、系统、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN111768842A CN111768842A CN202010639637.0A CN202010639637A CN111768842A CN 111768842 A CN111768842 A CN 111768842A CN 202010639637 A CN202010639637 A CN 202010639637A CN 111768842 A CN111768842 A CN 111768842A
- Authority
- CN
- China
- Prior art keywords
- syndrome
- target
- chinese medicine
- traditional chinese
- correlation coefficient
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/90—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to alternative medicines, e.g. homeopathy or oriental medicines
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Alternative & Traditional Medicine (AREA)
- Pharmacology & Pharmacy (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种中医证素的辨识方法、系统、电子设备及可读存储介质,所述辨识方法包括:从历史案例中提取中医辨识数据,中医辨识数据包括多个证素及每个证素对应的多个证候;对任一目标证素,分别对每个历史案例中与目标证素对应的多个症候的症候程度进行量化生成关系矩阵;基于灰色关联分析法对关系矩阵进行计算得到目标证素与对应的每个症候的灰色关联系数;基于模糊信息熵算法对灰色关联系数进行计算得到目标证素与对应的每个症候的信息熵;将信息熵作为目标证素与对应的每个症候的关联度。本发明考虑同一证候的表现程度不一增加辩证的敏感性与差异性,引入证候程度指标的量化,并基于信息熵算法得到更加精准的证素与症候的关联度。
Description
技术领域
本发明属于中医辨识领域,特别涉及一种中医证素的辨识方法、系统、电子设备及可读存储介质。
背景技术
辨证论治是中医学中的基本原理,中医辨证的思维过程是一个“依据临床证候,辨别出病位、病性证素,然后由证素组合成证名”的过程,传统辨证主要依靠医生的个人知识与经验。
证素辨证是近几十年中医学的研究热点,其创立的最初目的是通过数学方法建立相应的辨证医理模型。朱文峰的《证素辨证学》中编排了637个标准证候,但是一个证候有多个表现形式,如咯痰,有痰多、痰少的不同等等,这就产生了一个矛盾,一个证候有不同的表现形式,不同的表现形式又有不同的辨证意义,如果将证候不同的表现形式设置为统一的证候,必将失去辨证的特异性与敏感性;另外,其发布了637多种证候对53种证素的辨证权值,此辨证权值是研究人员基于有限的临床案例(约5800余例)分析,将患者所出现的证候首先按照“双层频权剪叉算法”原理,确定各症映射相关证素的权重,然后进行加权求和阈值判断,即按证素进行权重累加,权重达到及超过阈值以上的证素诊断成立,各证候对于证素或证型的辨识权系数一旦计算生成,并不会随着临床案例的变动而进行动态修正。
发明内容
本发明要解决的技术问题是为了克服现有技术中中医证素辨识的精度不高的缺陷,提供一种中医证素的辨识方法、系统、电子设备及可读存储介质。
本发明是通过下述技术方案来解决上述技术问题:
一种中医证素的辨识方法,所述辨识方法包括:
从历史案例中提取中医辨识数据,所述中医辨识数据包括多个证素及每个证素对应的多个证候;
对任一目标证素,分别对每个历史案例中与所述目标证素对应的多个症候的症候程度进行量化生成关系矩阵;
基于灰色关联分析法对所述关系矩阵进行计算得到所述目标证素与对应的每个症候的灰色关联系数;
基于模糊信息熵算法对所述灰色关联系数进行计算得到所述目标证素与所述对应的每个症候的信息熵;
将所述信息熵作为所述目标证素与所述对应的每个症候的关联度。
较佳地,所述基于灰色关联分析法对所述关系矩阵进行计算得到所述目标证素与对应的每个症候的灰色关联系数的步骤之前,所述辨识方法还包括:
生成证素序列,所述证素序列中的值用于表征所述每个历史案例中是否包含所述目标证素;
所述基于灰色关联分析法对所述关系矩阵进行计算得到所述目标证素与对应的每个症候的灰色关联系数的步骤具体包括:
根据所述证素序列和所述关系矩阵计算得到所述灰色关联系数。
较佳地,所述辨识方法通过以下公式求解得到所述灰色关联系数,具体包括:
n为历史案例的个数,k=1,2,…,n,Y(k)为证素序列,Y(n)为第n个案例中是否包含所述目标证素的特征值,若包含,则特征值为1,若不包含,则特征值为0;m为与目标证素对应的症候的个数,i=1,2,…,m,Xi(k)为关系矩阵,Xm(n)为第n个案例中第m个症候的症候程度;δi(k)为第k个案例中目标证素与第i个症候的灰色关联系数;θ为分辨系数,取值范围为(0,1);
和/或,所述辨识方法通过以下公式求解得到所述信息熵,具体包括:
其中,ω(i)为所述目标证素与第i个症候的症候的信息熵,*为模糊算子,L为信息熵系数,μ为模糊算子系数。
较佳地,所述基于灰色关联分析法对所述关系矩阵进行计算得到所述目标证素与对应的每个症候的灰色关联系数的步骤之后,所述辨识方法还包括:
基于灰色关联分析法对所述灰色关联系数进行计算得到所述目标证素与所述对应的每个症候的灰色关联度;
将所述灰色关联度作为所述目标证素与所述对应的每个症候的关联度。
较佳地,所述辨识方法通过以下公式求解得到所述灰色关联度,具体包括:
n为历史案例的个数,k=1,2,…,n,Y(k)为证素序列,Y(n)为第n个案例中是否包含所述目标证素的特征值,若包含,则特征值为1,若不包含,则特征值为0;m为与目标证素对应的症候的个数,i=1,2,…,m,Xi(k)为关系矩阵,Xm(n)为第n个案例中第m个症候的症候程度;δi(k)为第k个案例中目标证素与第i个症候的灰色关联系数;θ为分辨系数,取值范围为(0,1),γi为所述目标证素与第i个症候的的灰色关联度。
一种中医证素的辨识系统,所述辨识系统包括数据辨识模块、关系矩阵生成模块、灰色关联系数计算模块、信息熵计算模块和关联度确定模块;
所述数据辨识模块用于从历史案例中提取中医辨识数据,所述中医辨识数据包括多个证素及每个证素对应的多个证候;
所述关系矩阵生成模块用于对任一目标证素,分别对每个历史案例中与所述目标证素对应的多个症候的症候程度进行量化生成关系矩阵;
所述灰色关联系数计算模块用于基于灰色关联分析法对所述关系矩阵进行计算得到所述目标证素与对应的每个症候的灰色关联系数;
所述信息熵计算模块用于基于模糊信息熵算法对所述灰色关联系数进行计算得到所述目标证素与所述对应的每个症候的信息熵;
所述关联度确定模块用于将所述信息熵作为所述目标证素与所述对应的每个症候的关联度。
较佳地,所述辨识系统还包括证素序列生成模块;
所述证素序列生成模块用于生成证素序列,所述证素序列中的值用于表征所述每个历史案例中是否包含所述目标证素;
所述灰色关联系数计算模块用于根据所述证素序列和所述关系矩阵计算得到所述灰色关联系数。
较佳地,所述辨识系统通过以下公式求解得到所述灰色关联系数,具体包括:
n为历史案例的个数,k=1,2,…,n,Y(k)为证素序列,Y(n)为第n个案例中是否包含所述目标证素的特征值,若包含,则特征值为1,若不包含,则特征值为0;m为与目标证素对应的症候的个数,i=1,2,…,m,Xi(k)为关系矩阵,Xm(n)为第n个案例中第m个症候的症候程度;δi(k)为第k个案例中目标证素与第i个症候的灰色关联系数;θ为分辨系数,取值范围为(0,1);
和/或,所述辨识系统通过以下公式求解得到所述信息熵,具体包括:
其中,ω(i)为所述目标证素与第i个症候的症候的信息熵,*为模糊算子,L为信息熵系数,μ为模糊算子系数。
较佳地,所述辨识系统还包括灰色关联度计算模块;
所述灰色关联度计算模块用于基于灰色关联分析法对所述灰色关联系数进行计算得到所述目标证素与所述对应的每个症候的灰色关联度;
所述关联度确定模块还用于将所述灰色关联度作为所述目标证素与所述对应的每个症候的关联度。
较佳地,所述辨识系统通过以下公式求解得到所述灰色关联度,具体包括:
n为历史案例的个数,k=1,2,…,n,Y(k)为证素序列,Y(n)为第n个案例中是否包含所述目标证素的特征值,若包含,则特征值为1,若不包含,则特征值为0;m为与目标证素对应的症候的个数,i=1,2,…,m,Xi(k)为关系矩阵,Xm(n)为第n个案例中第m个症候的症候程度;δi(k)为第k个案例中目标证素与第i个症候的灰色关联系数;θ为分辨系数,取值范围为(0,1),γi为所述目标证素与第i个症候的的灰色关联度。
一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述的中医证素的辨识方法。
一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现上述的中医证素的辨识方法的步骤。
本发明的积极进步效果在于:本发明的中医证素辨识以灰色关联算法为基础,适用于贫信息建模,同时考虑同一证候的表现程度不一增加辩证的敏感性与差异性,引入证候程度指标的量化,最后基于信息熵算法得到更加精准的证素与症候的关联度。
附图说明
图1为本发明实施例1的中医证素的辨识方法的流程图。
图2为本发明实施例2的中医证素的辨识方法的流程图。
图3为本发明实施例3的中医证素的辨识系统的模块示意图。
图4为本发明实施例4的中医证素的辨识系统的模块示意图。
图5为本发明实施例5的电子设备的结构示意图。
具体实施方式
下面通过实施例的方式进一步说明本发明,但并不因此将本发明限制在所述的实施例范围之中。
实施例1
一种中医证素的辨识方法,如图1所示,所述辨识方法包括:
步骤10、从历史案例中提取中医辨识数据;所述中医辨识数据包括多个证素及每个证素对应的多个证候;
步骤20、对任一目标证素,分别对每个历史案例中与所述目标证素对应的多个症候的症候程度进行量化生成关系矩阵;需要说明的是,对于症候程度的量化,可以根据案例中的文本描述通过文本识别或者其他语义识别的方式识别得到症候的程度,进而对症候的不同程度量化不同的值,比如:按语义分析后的“无”、“轻”、“中”、“重”程度分别用0、1、2、3来表示不同的症候程度。
步骤30、基于灰色关联分析法对所述关系矩阵进行计算得到所述目标证素与对应的每个症候的灰色关联系数;
步骤40、基于模糊信息熵算法对所述灰色关联系数进行计算得到所述目标证素与所述对应的每个症候的信息熵;
步骤50、将所述信息熵作为所述目标证素与所述对应的每个症候的关联度。
本实施例中个,参见图1,步骤30之前,所述辨识方法还包括:
步骤21、生成证素序列;所述证素序列中的值用于表征所述每个历史案例中是否包含所述目标证素;证素序列中的值设定为0或1,0表示该零食案例中不包含所述目标证素,1表示该零食案例中包含所述目标证素。
所述基于灰色关联分析法对所述关系矩阵进行计算得到所述目标证素与对应的每个症候的灰色关联系数的步骤中,根据所述证素序列和所述关系矩阵计算得到所述灰色关联系数。
具体的,所述辨识方法通过以下公式求解得到所述灰色关联系数,具体包括:
n为历史案例的个数,k=1,2,…,n,Y(k)为证素序列,Y(n)为第n个案例中是否包含所述目标证素的特征值,若包含,则特征值为1,若不包含,则特征值为0;m为与目标证素对应的症候的个数,i=1,2,…,m,Xi(k)为关系矩阵,Xm(n)为第n个案例中第m个症候的症候程度;δi(k)为第k个案例中目标证素与第i个症候的灰色关联系数;θ为分辨系数,取值范围为(0,1),引入θ是为了减少极值对计算的影响,θ越小,分辨力越大,θ的取值具体取值视情况而定,通常取p=0.5。
另外,所述辨识方法通过以下公式求解得到所述信息熵,具体包括:
其中,ω(i)为所述目标证素与第i个症候的症候的信息熵,*为模糊算子,L为信息熵系数,μ为模糊算子系数,μ的值根据需要进行定常数设置。
需要说明的是,在对信息熵进行求解时,为方便计算,可以预先对δi(k)构建的矩阵进行归一化处理,用归一化处理后的矩阵替换ω(i)求解公式中的δi(k)。
另外,随着历史案例的更新补充,不断更新增加对案例的证素、证候信息进行提取,进一步更新计算得到新的关联度数据,同时,基于不断更新的证素与症候的关联度数据,用户可以根据需求进行查询,查询任意证素与任意症候之间的关联度,以辅助用户根据关联度更好的进行诊断。
本实施例中,以灰色关联算法为基础,适用于贫信息建模,同时考虑同一证候的表现程度不一增加辩证的敏感性与差异性,引入证候程度指标的量化,最后基于信息熵算法得到更加精准的证素与症候的关联度。
实施例2
本实施例的中医证素的辨识方法实在实施例1的基础上进一步改进,本实施例提供了另一种获取证素与症候的关联度的计算方法,如图2所示,步骤30之后,所述辨识方法还包括:
步骤31、基于灰色关联分析法对所述灰色关联系数进行计算得到所述目标证素与所述对应的每个症候的灰色关联度;
步骤32、将所述灰色关联度作为所述目标证素与所述对应的每个症候的关联度。
所述辨识方法通过以下公式求解得到所述灰色关联度,具体包括:
γi为所述目标证素与第i个症候的的灰色关联度。
需要说明的是,本实施例是提供了另一种可行的基于灰色关联分析法对灰色关联度的计算,并将其作为证素与症候的关联度,与实施例中基于模糊信息熵算法进行求解为并列方案。另外,本实施例中求解得到的灰色关联度γi的值,在应用中,进一步可以将的值作为模糊算子系数μ的值,以进一步提高信息熵的求解精度。
实施例3
一种中医证素的辨识系统,如图3所示,所述辨识系统包括数据辨识模块1、关系矩阵生成模块2、灰色关联系数计算模块3、信息熵计算模块4和关联度确定模块5;
所述数据辨识模块1用于从历史案例中提取中医辨识数据,所述中医辨识数据包括多个证素及每个证素对应的多个证候;
所述关系矩阵生成模块2用于对任一目标证素,分别对每个历史案例中与所述目标证素对应的多个症候的症候程度进行量化生成关系矩阵;需要说明的是,对于症候程度的量化,可以根据案例中的文本描述通过文本识别或者其他语义识别的方式识别得到症候的程度,进而对症候的不同程度量化不同的值,比如:按语义分析后的“无”、“轻”、“中”、“重”程度分别用0、1、2、3来表示不同的症候程度。
所述灰色关联系数计算模块3用于基于灰色关联分析法对所述关系矩阵进行计算得到所述目标证素与对应的每个症候的灰色关联系数;
所述信息熵计算模块4用于基于模糊信息熵算法对所述灰色关联系数进行计算得到所述目标证素与所述对应的每个症候的信息熵;
所述关联度确定模块5用于将所述信息熵作为所述目标证素与所述对应的每个症候的关联度。
本实施例中,参考图3,所述辨识系统还包括证素序列生成模块6;
所述证素序列生成模块6用于生成证素序列,所述证素序列中的值用于表征所述每个历史案例中是否包含所述目标证素;证素序列中的值设定为0或1,0表示该零食案例中不包含所述目标证素,1表示该零食案例中包含所述目标证素。
所述灰色关联系数计算模块3用于根据所述证素序列和所述关系矩阵计算得到所述灰色关联系数。
具体的,所述辨识系统通过以下公式求解得到所述灰色关联系数,具体包括:
n为历史案例的个数,k=1,2,…,n,Y(k)为证素序列,Y(n)为第n个案例中是否包含所述目标证素的特征值,若包含,则特征值为1,若不包含,则特征值为0;m为与目标证素对应的症候的个数,i=1,2,…,m,Xi(k)为关系矩阵,Xm(n)为第n个案例中第m个症候的症候程度;δi(k)为第k个案例中目标证素与第i个症候的灰色关联系数;θ为分辨系数,取值范围为(0,1),引入θ是为了减少极值对计算的影响,θ越小,分辨力越大,θ的取值具体取值视情况而定,通常取p=0.5。
另外,所述辨识系统通过以下公式求解得到所述信息熵,具体包括:
其中,ω(i)为所述目标证素与第i个症候的症候的信息熵,*为模糊算子,L为信息熵系数,μ为模糊算子系数,μ的值根据需要进行定常数设置。
需要说明的是,在对信息熵进行求解时,为方便计算,可以预先对δi(k)构建的矩阵进行归一化处理,用归一化处理后的矩阵替换ω(i)求解公式中的δi(k)。
另外,随着历史案例的更新补充,不断更新增加对案例的证素、证候信息进行提取,进一步更新计算得到新的关联度数据,同时,基于不断更新的证素与症候的关联度数据,用户可以根据需求进行查询,查询任意证素与任意症候之间的关联度,以辅助用户根据关联度更好的进行诊断。
本实施例中,以灰色关联算法为基础,适用于贫信息建模,同时考虑同一证候的表现程度不一增加辩证的敏感性与差异性,引入证候程度指标的量化,最后基于信息熵算法得到更加精准的证素与症候的关联度。
实施例4
本实施例的中医证素的辨识系统实在实施例3的基础上进一步改进,本实施例提供了另一种获取证素与症候的关联度的计算方法,如图4所示,所述辨识系统还包括灰色关联度计算模块7;
所述灰色关联度计算模块7用于基于灰色关联分析法对所述灰色关联系数进行计算得到所述目标证素与所述对应的每个症候的灰色关联度;
所述关联度确定模块5还用于将所述灰色关联度作为所述目标证素与所述对应的每个症候的关联度。
所述辨识系统通过以下公式求解得到所述灰色关联度,具体包括:
γi为所述目标证素与第i个症候的的灰色关联度。
需要说明的是,本实施例是提供了另一种可行的基于灰色关联分析法对灰色关联度的计算,并将其作为证素与症候的关联度,与实施例中基于模糊信息熵算法进行求解为并列方案。另外,本实施例中求解得到的灰色关联度γi的值,在应用中,进一步可以将的值作为模糊算子系数μ的值,以进一步提高信息熵的求解精度。
实施例5
一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现实施例1或2所述的中医证素的辨识方法。
图5为本实施例提供的一种电子设备的结构示意图。图5示出了适于用来实现本发明实施方式的示例性电子设备90的框图。图5显示的电子设备90仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示,电子设备90可以以通用计算设备的形式表现,例如其可以为服务器设备。电子设备90的组件可以包括但不限于:至少一个处理器91、至少一个存储器92、连接不同系统组件(包括存储器92和处理器91)的总线93。
总线93包括数据总线、地址总线和控制总线。
存储器92可以包括易失性存储器,例如随机存取存储器(RAM)921和/或高速缓存存储器922,还可以进一步包括只读存储器(ROM)923。
存储器92还可以包括具有一组(至少一个)程序模块924的程序工具925,这样的程序模块924包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
处理器91通过运行存储在存储器92中的计算机程序,从而执行各种功能应用以及数据处理。
电子设备90也可以与一个或多个外部设备94(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(I/O)接口95进行。并且,电子设备90还可以通过网络适配器96与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。网络适配器96通过总线93与电子设备90的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备90使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID(磁盘阵列)系统、磁带驱动器以及数据备份存储系统等。
应当注意,尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块,但是这种划分仅仅是示例性的并非强制性的。实际上,根据本申请的实施方式,上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之,上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
实施例6
一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现实施例1或2所述的中医证素的辨识方法的步骤。
其中,可读存储介质可以采用的更具体可以包括但不限于:便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。
在可能的实施方式中,本发明还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行实现实施例1或2所述的中医证素的辨识方法的步骤。
其中,可以以一种或多种程序设计语言的任意组合来编写用于执行本发明的程序代码,所述程序代码可以完全地在用户设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户设备上部分在远程设备上执行或完全在远程设备上执行。
虽然以上描述了本发明的具体实施方式,但是本领域的技术人员应当理解,这仅是举例说明,本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下,可以对这些实施方式做出多种变更或修改,但这些变更和修改均落入本发明的保护范围。
Claims (12)
1.一种中医证素的辨识方法,其特征在于,所述辨识方法包括:
从历史案例中提取中医辨识数据,所述中医辨识数据包括多个证素及每个证素对应的多个证候;
对任一目标证素,分别对每个历史案例中与所述目标证素对应的多个症候的症候程度进行量化生成关系矩阵;
基于灰色关联分析法对所述关系矩阵进行计算得到所述目标证素与对应的每个症候的灰色关联系数;
基于模糊信息熵算法对所述灰色关联系数进行计算得到所述目标证素与所述对应的每个症候的信息熵;
将所述信息熵作为所述目标证素与所述对应的每个症候的关联度。
2.如权利要求1所述的中医证素的辨识方法,其特征在于,所述基于灰色关联分析法对所述关系矩阵进行计算得到所述目标证素与对应的每个症候的灰色关联系数的步骤之前,所述辨识方法还包括:
生成证素序列,所述证素序列中的值用于表征所述每个历史案例中是否包含所述目标证素;
所述基于灰色关联分析法对所述关系矩阵进行计算得到所述目标证素与对应的每个症候的灰色关联系数的步骤具体包括:
根据所述证素序列和所述关系矩阵计算得到所述灰色关联系数。
3.如权利要求2所述的中医证素的辨识方法,其特征在于,所述辨识方法通过以下公式求解得到所述灰色关联系数,具体包括:
n为历史案例的个数,k=1,2,…,n,Y(k)为证素序列,Y(n)为第n个案例中是否包含所述目标证素的特征值,若包含,则特征值为1,若不包含,则特征值为0;m为与目标证素对应的症候的个数,i=1,2,…,m,Xi(k)为关系矩阵,Xm(n)为第n个案例中第m个症候的症候程度;δi(k)为第k个案例中目标证素与第i个症候的灰色关联系数;θ为分辨系数,取值范围为(0,1);
和/或,所述辨识方法通过以下公式求解得到所述信息熵,具体包括:
其中,ω(i)为所述目标证素与第i个症候的症候的信息熵,*为模糊算子,L为信息熵系数,μ为模糊算子系数。
4.如权利要求1所述的中医证素的辨识方法,其特征在于,所述基于灰色关联分析法对所述关系矩阵进行计算得到所述目标证素与对应的每个症候的灰色关联系数的步骤之后,所述辨识方法还包括:
基于灰色关联分析法对所述灰色关联系数进行计算得到所述目标证素与所述对应的每个症候的灰色关联度;
将所述灰色关联度作为所述目标证素与所述对应的每个症候的关联度。
6.一种中医证素的辨识系统,其特征在于,所述辨识系统包括数据辨识模块、关系矩阵生成模块、灰色关联系数计算模块、信息熵计算模块和关联度确定模块;
所述数据辨识模块用于从历史案例中提取中医辨识数据,所述中医辨识数据包括多个证素及每个证素对应的多个证候;
所述关系矩阵生成模块用于对任一目标证素,分别对每个历史案例中与所述目标证素对应的多个症候的症候程度进行量化生成关系矩阵;
所述灰色关联系数计算模块用于基于灰色关联分析法对所述关系矩阵进行计算得到所述目标证素与对应的每个症候的灰色关联系数;
所述信息熵计算模块用于基于模糊信息熵算法对所述灰色关联系数进行计算得到所述目标证素与所述对应的每个症候的信息熵;
所述关联度确定模块用于将所述信息熵作为所述目标证素与所述对应的每个症候的关联度。
7.如权利要求6所述的中医证素的辨识系统,其特征在于,所述辨识系统还包括证素序列生成模块;
所述证素序列生成模块用于生成证素序列,所述证素序列中的值用于表征所述每个历史案例中是否包含所述目标证素;
所述灰色关联系数计算模块用于根据所述证素序列和所述关系矩阵计算得到所述灰色关联系数。
8.如权利要求7所述的中医证素的辨识系统,其特征在于,所述辨识系统通过以下公式求解得到所述灰色关联系数,具体包括:
n为历史案例的个数,k=1,2,…,n,Y(k)为证素序列,Y(n)为第n个案例中是否包含所述目标证素的特征值,若包含,则特征值为1,若不包含,则特征值为0;m为与目标证素对应的症候的个数,i=1,2,…,m,Xi(k)为关系矩阵,Xm(n)为第n个案例中第m个症候的症候程度;δi(k)为第k个案例中目标证素与第i个症候的灰色关联系数;θ为分辨系数,取值范围为(0,1);
和/或,所述辨识系统通过以下公式求解得到所述信息熵,具体包括:
其中,ω(i)为所述目标证素与第i个症候的症候的信息熵,*为模糊算子,L为信息熵系数,μ为模糊算子系数。
9.如权利要求6所述的中医证素的辨识系统,其特征在于,所述辨识系统还包括灰色关联度计算模块;
所述灰色关联度计算模块用于基于灰色关联分析法对所述灰色关联系数进行计算得到所述目标证素与所述对应的每个症候的灰色关联度;
所述关联度确定模块还用于将所述灰色关联度作为所述目标证素与所述对应的每个症候的关联度。
11.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5任一项所述的中医证素的辨识方法。
12.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现权利要求1至5任一项所述的中医证素的辨识方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010639637.0A CN111768842B (zh) | 2020-07-06 | 2020-07-06 | 中医证素的辨识方法、系统、电子设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010639637.0A CN111768842B (zh) | 2020-07-06 | 2020-07-06 | 中医证素的辨识方法、系统、电子设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111768842A true CN111768842A (zh) | 2020-10-13 |
CN111768842B CN111768842B (zh) | 2023-08-11 |
Family
ID=72724639
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010639637.0A Active CN111768842B (zh) | 2020-07-06 | 2020-07-06 | 中医证素的辨识方法、系统、电子设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111768842B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102222153A (zh) * | 2010-01-27 | 2011-10-19 | 洪文学 | 中医机器问诊数量化辩证诊断方法 |
WO2017185674A1 (zh) * | 2016-04-29 | 2017-11-02 | 乐视控股(北京)有限公司 | 新词发现方法及装置 |
US20190080018A1 (en) * | 2017-09-11 | 2019-03-14 | International Business Machines Corporation | Analyzing readability of communications |
US20190251084A1 (en) * | 2016-10-27 | 2019-08-15 | Huawei Technologies Co., Ltd. | Search method and apparatus |
CN110968651A (zh) * | 2019-11-18 | 2020-04-07 | 广州赛宝联睿信息科技有限公司 | 一种基于灰色模糊聚类的数据处理方法及系统 |
CN111125158A (zh) * | 2019-11-08 | 2020-05-08 | 泰康保险集团股份有限公司 | 数据表处理方法、装置、介质及电子设备 |
-
2020
- 2020-07-06 CN CN202010639637.0A patent/CN111768842B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102222153A (zh) * | 2010-01-27 | 2011-10-19 | 洪文学 | 中医机器问诊数量化辩证诊断方法 |
WO2017185674A1 (zh) * | 2016-04-29 | 2017-11-02 | 乐视控股(北京)有限公司 | 新词发现方法及装置 |
US20190251084A1 (en) * | 2016-10-27 | 2019-08-15 | Huawei Technologies Co., Ltd. | Search method and apparatus |
US20190080018A1 (en) * | 2017-09-11 | 2019-03-14 | International Business Machines Corporation | Analyzing readability of communications |
CN111125158A (zh) * | 2019-11-08 | 2020-05-08 | 泰康保险集团股份有限公司 | 数据表处理方法、装置、介质及电子设备 |
CN110968651A (zh) * | 2019-11-18 | 2020-04-07 | 广州赛宝联睿信息科技有限公司 | 一种基于灰色模糊聚类的数据处理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111768842B (zh) | 2023-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Austin et al. | The application of Big Data in medicine: current implications and future directions | |
US11694109B2 (en) | Data processing apparatus for accessing shared memory in processing structured data for modifying a parameter vector data structure | |
Bacchi et al. | Machine learning in the prediction of medical inpatient length of stay | |
US9672476B1 (en) | Contextual text adaptation | |
Ochoa et al. | QualComp: a new lossy compressor for quality scores based on rate distortion theory | |
CN109783490B (zh) | 数据融合方法、装置、计算机设备及存储介质 | |
US12008313B2 (en) | Medical data verification method and electronic device | |
CN105389454B (zh) | 用于预测与患者相关联的住院风险的方法、系统和介质 | |
US10936962B1 (en) | Methods and systems for confirming an advisory interaction with an artificial intelligence platform | |
US20210192365A1 (en) | Computer device, system, readable storage medium and medical data analysis method | |
Hilbert et al. | Using decision trees to manage hospital readmission risk for acute myocardial infarction, heart failure, and pneumonia | |
US10572827B2 (en) | Prediction quality assessment | |
CN116130072A (zh) | 科室推荐方法、装置、设备及存储介质 | |
CN113656601A (zh) | 医患匹配方法、装置、设备及存储介质 | |
US11593700B1 (en) | Network-accessible service for exploration of machine learning models and results | |
CN111403011B (zh) | 挂号科室推送方法、装置、系统、电子设备及存储介质 | |
CN117149998A (zh) | 基于多目标优化的智能就诊推荐方法及系统 | |
US20180336527A1 (en) | Offline computation of partial job recommendation scores | |
CN115206421B (zh) | 药物重定位方法、重定位模型的训练方法及装置 | |
CN116703659A (zh) | 一种应用于工程咨询的数据处理方法、装置及电子设备 | |
CN111768842A (zh) | 中医证素的辨识方法、系统、电子设备及可读存储介质 | |
WO2022249407A1 (ja) | アセスメント支援システム、アセスメント支援方法、及び記録媒体 | |
CN114360732B (zh) | 医疗数据分析方法、装置、电子设备及存储介质 | |
CN113780675A (zh) | 一种消耗预测方法、装置、存储介质及电子设备 | |
CN108399249B (zh) | 数据归一化方法、用户画像提供方法、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |