專利名稱：基于自適應(yīng)模糊邏輯的中醫(yī)多功能智能診斷儀的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種診斷儀，尤其是涉及一種基于自適應(yīng)模糊邏輯的中醫(yī)多功能智能診斷儀。
背景技術(shù)：
利用人體生物電信息，根據(jù)中醫(yī)腑臟、經(jīng)絡(luò)學(xué)說四診八綱等理論，以現(xiàn)代電子技術(shù)為測 量手段，開展對人體的診斷與疾病治療，已經(jīng)得到有關(guān)方面的重視，并有相應(yīng)的報道。
公開號為CN1144644的中國發(fā)明專利申請?zhí)峁┮环N完全從人體體表檢測的全息診斷儀， 它是運用全息生物原理及中醫(yī)理論，應(yīng)用耳診、舌診、目診、甲診及多種診法，結(jié)合現(xiàn)代電 子技術(shù)，在人體特定部位，檢測多種全息指標(biāo)，通過電腦進(jìn)行信息處理，完善一套從體表對 人體進(jìn)行快速、準(zhǔn)確診斷。不用問病史、操作簡便、無痛苦、無創(chuàng)傷、診斷準(zhǔn)確、迅速、結(jié) 構(gòu)簡單、成本低、性能可靠。
公開號為CN1100297的中國發(fā)明專利申請?zhí)峁┮环N中醫(yī)電腦診斷儀。該診斷儀由信號檢 測系統(tǒng)、模數(shù)轉(zhuǎn)換器、計算機數(shù)據(jù)處理系統(tǒng)和打印機四大部分組成。其中信號檢測系統(tǒng)包括 探測電極和方波探測電源；模數(shù)轉(zhuǎn)換器采用雙積分MC14433集成塊，接往微機接口；計算機 處理系統(tǒng)由IO個功能模塊和1個匯編子程序組成。該發(fā)明具有診斷率高，操作簡便、快速等 優(yōu)點。
公開號為CN2031268的中國發(fā)明專利申請?zhí)峁┮环N人體信息電腦診斷儀，該儀采用電子 計算機技術(shù)測量人體生物電，并賦予專家診斷程序，達(dá)到電腦診斷之目的。該儀器在電腦控 制下，由耳穴探測，引導(dǎo)圖指引醫(yī)生對被體檢者檢測生物電信息并存貯到貯存器中，無需醫(yī) 生強記探測耳穴順序，也不必記錄，探測完畢，只需按診斷鍵或打印鍵，即可得到診斷結(jié)果 報告。

發(fā)明內(nèi)容
本發(fā)明的目的在于提供一種基于自適應(yīng)模糊邏輯的中醫(yī)多功能智能診斷儀。 本發(fā)明設(shè)有人體生物電采集器、正極探測頭和負(fù)極探測手柄，人體生物電采集器設(shè)有穴 位探測電路、微控制器(MCU)電路、顯示報警電路以及與上位機接口的USB轉(zhuǎn)換電路， 穴位探測電路的輸入端分別與正極探測頭和負(fù)極探測手柄連接，穴位探測電路的輸出端接微 控制器電路，微控制器電路與顯示報警電路以及與上位機接口的USB轉(zhuǎn)換電路連接。正極探
3測頭和負(fù)極探測手柄用于生物電數(shù)據(jù)的采集。
正極探測頭可由微控開關(guān)和探針組成，微控開關(guān)與探針連接，微控開關(guān)用于控制何時采 集生物電信息，探針包含一個壓力彈簧，用于保證測量時與人體穴位充分接觸并相對穩(wěn)定。 負(fù)極探測手柄可為不銹鋼管，不銹鋼管上設(shè)有配重， 一定的配重可使握棒和人的手面充分接 觸。
本發(fā)明所述的基于自適應(yīng)模糊邏輯的中醫(yī)多功能智能診斷儀可內(nèi)置基于自適應(yīng)模糊邏輯 的智能診斷模型?；谧赃m應(yīng)模糊邏輯的智能診斷模型包括面向中醫(yī)診斷的自組織特征映射 神經(jīng)網(wǎng)絡(luò)算法(CSOFM)、基于CSOFM的K-means兩階段聚類算法(CSOFMK)、中醫(yī)診斷 BP神經(jīng)網(wǎng)絡(luò)、基于模糊邏輯的智能疾病診斷算法和基于免疫機制的診斷模型自適應(yīng)更新算 法。
應(yīng)用向下遞減學(xué)習(xí)率、冪函數(shù)遞減和粗調(diào)、精調(diào)兩階段調(diào)整對傳統(tǒng)的算法進(jìn)行了面向中 醫(yī)診斷的改進(jìn)，提出了面向中醫(yī)診斷的自組織特征映射神經(jīng)網(wǎng)絡(luò)算法(CSOFM)。
將CSOFM與K-means聚類算法相結(jié)合，提出了基于CSOFM的K-means兩階段聚類算 法(CSOFMK)。
根據(jù)人體測試穴位和診斷疾病個數(shù)的研究，構(gòu)造了 46 — 12—9的3層診斷BP神經(jīng)網(wǎng)絡(luò)。 根據(jù)中醫(yī)疾病診斷本身具有模糊性提出了基于模糊邏輯的智能疾病診斷算法。 面向中醫(yī)理論和方法不斷發(fā)展的需求，提出了基于免疫機制的診斷模型自適應(yīng)更新算法。 本發(fā)明以中醫(yī)腑臟、經(jīng)絡(luò)學(xué)說四診八綱為理論基礎(chǔ)，以現(xiàn)代電子技術(shù)為測量手段，用模 糊非線性的智能自適應(yīng)神經(jīng)網(wǎng)絡(luò)為判定模型。
本發(fā)明以人體生物電信息來診斷和治療疾病，主要由人體生物電采集器和自適應(yīng)智能診 斷軟件兩個關(guān)鍵部分組成。生物電采集器從耳穴和經(jīng)絡(luò)兩個方面，依據(jù)良導(dǎo)絡(luò)的原理，完成 受測者生物電數(shù)據(jù)的采集、儲存。智能診斷軟件首先進(jìn)行大量臨床樣本數(shù)據(jù)的學(xué)習(xí)，依據(jù)現(xiàn) 代數(shù)據(jù)挖掘技術(shù)建立起自適應(yīng)智能疾病診斷模型，通過此模型對采集的數(shù)據(jù)進(jìn)行基于模糊邏 輯的分析辯證，從而對病人所患疾病進(jìn)行智能診斷，并給出相關(guān)建議和治療方案，為醫(yī)護(hù)人 員提供針灸穴位圖。


圖1為本發(fā)明實施例的結(jié)構(gòu)組成框圖。
圖2為本發(fā)明實施例的正極探測頭的結(jié)構(gòu)示意圖。
圖3為本發(fā)明實施例的負(fù)極探測手柄的結(jié)構(gòu)示意圖。
圖4為本發(fā)明實施例的人體生物電采集器的電路組成原理圖。在圖4中，集成電路U0
4為STC12C4052AD型，Ul為CH341T型，U9為4PIN。
圖5為本發(fā)明實施例的智能診斷模型總體結(jié)構(gòu)圖。
圖6為本發(fā)明實施例的Kohonen網(wǎng)絡(luò)結(jié)構(gòu)圖。
圖7為本發(fā)明實施例的CSOFM K算法流程圖。
圖8為本發(fā)明實施例的46—12—9的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖。
具體實施例方式
參見圖l，本發(fā)明設(shè)有人體生物電采集器、正極探測頭1和負(fù)極探測手柄2，人體生物電 采集器設(shè)有穴位探測電路3、微控制器(MCU)電路4、顯示報警電路5以及與上位機接口 的USB轉(zhuǎn)換電路6，穴位探測電路3的輸入端分別與正極探測頭1和負(fù)極探測手柄2連接， 穴位探測電路3的輸出端接微控制器電路4，微控制器電路4與顯示報警電路5以及與上位 機接口的USB轉(zhuǎn)換電路6連接。正極探測頭1和負(fù)極探測手柄2用于生物電數(shù)據(jù)的采集。
參見圖2和3，正極探測頭1可由微控開關(guān)和探針組成，微控開關(guān)與探針連接，微控開 關(guān)用于控制何時采集生物電信息，探針包含一個壓力彈簧，用于保證測量時與人體穴位充分 接觸并相對穩(wěn)定。負(fù)極探測手柄2可為不銹鋼管，不銹鋼管上設(shè)有配重， 一定的配重可使握 棒和人的手面充分接觸。
圖4給出本發(fā)明實施例的人體生物電采集器的電路組成原理圖。
人體生物電采集器主要包括穴位探測電路、微控制器(MCU)電路、顯示報警電路以及 與上位機接口的USB轉(zhuǎn)換電路。穴位探測電路的輸入端分別與正極探測頭和負(fù)極探測手柄連 接，穴位探測電路的輸出端接微控制器(MCU)電路，微控制器電路與顯示報警電路以及與 上位機接口的USB轉(zhuǎn)換電路連接。
以下給出本發(fā)明實施例的主要技術(shù)參數(shù)指標(biāo)。
(1) 測量信號電平電壓5V;
(2) 測量生物電阻范圍10 800K;
(3) 測量頻率150HZ;
(4) 短路電流(兩極直接連接電流)I=16.7^A;
(5) 測量最大電流I=16.1^lA;
(6) 測量最小電流I=4.5^A;
(7) 電阻電壓轉(zhuǎn)換范圍0.167 3.636V;
穴位探測電路是采集穴位電學(xué)參數(shù)關(guān)鍵部分，就基本原理而言分為直流式、交流式，直 流式又分為直流電阻式和電橋平衡式，為提高測量效果與穩(wěn)定性，本實施例采用直流電阻式。 微控制器電路的MCU選用宏晶科技推出的STC12C4052AD， STC12C4052AD內(nèi)置MAX810復(fù)位電路，工作頻率范圍為0~35 MHz，由于具有1T特性，相當(dāng)于普通8051的0~420 MHz，有1個看門狗，6個16位定時器，4路PWM， 4K程序存儲空間，ISP在線編程/IAP 應(yīng)用編程，還可以通過串口直接編程。
顯示報警電路可設(shè)有5個指示燈，分別指示系統(tǒng)狀態(tài)及穴位檢測參數(shù)，通過控制嗡鳴器 發(fā)出短、中、長不同的聲音來判斷當(dāng)前檢測的狀態(tài)，可采用通訊協(xié)議進(jìn)行控制，直觀準(zhǔn)確地 反映當(dāng)前儀器的工作狀態(tài)。
USB轉(zhuǎn)換電路的USB接口芯片可采用CH341貼片型轉(zhuǎn)換芯片，CH341貼片型轉(zhuǎn)換芯片 是一種USB總線轉(zhuǎn)接芯片，通過USB總線可以提供異步串口、打印口以及常用的2線和4 線，在異步串口方式下，CH341貼片型轉(zhuǎn)換芯片能提供串口發(fā)送使能、串口接收就緒等交互 式的速率控制信號及常用的MODEM聯(lián)絡(luò)信號，用于將普通串口設(shè)備直接升級到USB總線。
以下給出本發(fā)明實施例使用的基于自適應(yīng)模糊邏輯的智能診斷模型。
1.模型概述
經(jīng)絡(luò)的作用是系統(tǒng)的整體效應(yīng)，經(jīng)絡(luò)的整體效應(yīng)出現(xiàn)在經(jīng)絡(luò)系統(tǒng)的各個組成要素在整合 為整體的過程中出現(xiàn)的非線性的綜合效應(yīng)，這使得對經(jīng)絡(luò)和耳穴系統(tǒng)內(nèi)部各部分要素既人體 的各結(jié)構(gòu)部分進(jìn)行抽象分析時，不能清楚地解釋說明經(jīng)絡(luò)現(xiàn)象和經(jīng)絡(luò)學(xué)說中的一系列問題的 根本原因所在，如循經(jīng)傳感現(xiàn)象所具有的普遍、潛在、趨病、效應(yīng)、可激、可控、變異等規(guī) 律性。這些循經(jīng)傳感的規(guī)律性，只能在各個部分相互聯(lián)系中存在，有機結(jié)合中產(chǎn)生，動態(tài)過 程中發(fā)展，利用現(xiàn)代數(shù)據(jù)挖掘可以發(fā)現(xiàn)這些隱藏的知識。聚類方法研究是數(shù)據(jù)挖掘的一個重 要研究領(lǐng)域，與預(yù)測方法預(yù)測數(shù)據(jù)對象的連續(xù)取值不同，聚類主要研究數(shù)據(jù)對象的離散類別。 機器學(xué)習(xí)、專家系統(tǒng)、統(tǒng)計學(xué)和神經(jīng)網(wǎng)絡(luò)等領(lǐng)域的研究人員已經(jīng)提出了許多具體的聚類方法， 如神經(jīng)網(wǎng)絡(luò)、決策樹、SVM、 K-means、 KNN等算法。
本發(fā)明提出一種基于改進(jìn)自組織特征映射神經(jīng)網(wǎng)絡(luò)的兩階段聚類算法，該算法無需人工 設(shè)定類別數(shù)目，先通過改進(jìn)自組織特征映射神經(jīng)網(wǎng)絡(luò)分析自動生成類別數(shù)目和聚類中心，再 通過K-means算法進(jìn)一步準(zhǔn)確聚類，從而提高聚類性能。通過對采集人體生物電信息進(jìn)行聚 類分析并結(jié)合神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)，智能診斷病人所患疾病。智能診斷模型總體結(jié)構(gòu)圖如圖5所示。
測量的人體生物電樣本的聚類是影響人體電阻診斷的關(guān)鍵因素之一，系統(tǒng)先調(diào)用CSOFM 算法對成熟老中醫(yī)經(jīng)驗樣本進(jìn)行聚類，再通過BP神經(jīng)網(wǎng)絡(luò)按各分類分別進(jìn)行訓(xùn)練學(xué)習(xí)并將 訓(xùn)練結(jié)果保存到相應(yīng)的祌經(jīng)網(wǎng)絡(luò)群知識庫中。
當(dāng)通過測量人體生物電進(jìn)行病情診斷時，先調(diào)用聚類知識庫計算該組測量值的類別，再 調(diào)用對應(yīng)的BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行病情診斷。
6特征映射網(wǎng)絡(luò)(CSOFM) 2.1標(biāo)準(zhǔn)自組織特征映射神經(jīng)網(wǎng)絡(luò)算法(SOFM) 2丄1.自組織特征映射神經(jīng)網(wǎng)絡(luò)(Kohonen)
Kohonen是一種無教師指導(dǎo)的聚類網(wǎng)絡(luò)，具有信息壓縮，特征提取，數(shù)據(jù)聚類和聯(lián)想的 功能。它模擬人腦對外界不同輸入模式的自動響應(yīng)過程，采用競爭機制，對鄰近的神經(jīng)元刺 激增強，對遠(yuǎn)離的則抑制，最終將原始的多維空間分布映射到二維的輸出空間，并保持樣本 分布間的拓?fù)浣Y(jié)構(gòu)不變。
Kohonen網(wǎng)絡(luò)結(jié)構(gòu)由輸入層和競爭層組成，輸入層的iV個神經(jīng)元，同二維平面陣列的 競爭層M= w xw個神經(jīng)元間實現(xiàn)全互連接，Kohonen網(wǎng)絡(luò)結(jié)構(gòu)參見圖6。
Kohonen網(wǎng)絡(luò)主要性能為(1)自組織排序性，即拓?fù)浔３帜芰Γ?2)自組織概率分布 特性；(3)對輸入數(shù)據(jù)有聚類作用，將高維數(shù)據(jù)映射到低維空間，用輸出節(jié)點的權(quán)向量代表原 輸入，具有數(shù)據(jù)壓縮和特征提取的作用；(4)以若干神經(jīng)元同時反映分類結(jié)果，具有容錯性； (5)具有自聯(lián)想功能。
2. 1.2標(biāo)準(zhǔn)自組織特征映射祌經(jīng)網(wǎng)絡(luò)算法(SOFM)
(1) 初始化權(quán)值^.(0),學(xué)習(xí)率;/(0),鄰域半徑乂(O),確定學(xué)習(xí)次數(shù)T;
(2) 對所有輸入模式執(zhí)行步驟(3) (4);
(3) 按下式計算連接權(quán)向量與輸入模式之間距離，選擇最小距離對應(yīng)的神經(jīng)元為獲勝神
經(jīng)元；
(4)按下式更新獲勝神經(jīng)元及其鄰域內(nèi)所有神經(jīng)元的連接權(quán)，而鄰域外的神經(jīng)元權(quán)值不
、("D = 、 (0 + ^ - 、 W)，" 1， 2…M
(5) t=t+l，按以下式子線性遞減鄰域乂W和學(xué)習(xí)率/7W。
W) = 7(0)(1 —+),^(0 = MTWC(0)(1 -+)]; AT為取整函數(shù)
(6) 返回執(zhí)行步驟(2)，直到t^T為止。 2.2 K-means聚類算法
K-means算法屬于聚類方法中一種典型的劃分方法,其基本思想是通過迭代把數(shù)據(jù)對象劃 分到不同的簇中，使簇內(nèi)部對象之間的相似度很大,而簇之間對象的相似度很小。具體算法如 下(1) 選擇一個K值，用以確定簇的總數(shù)；
(2) 在數(shù)據(jù)集中任意選擇K個實例，它們是初始的簇中心；
(3) 使用簡單的歐氏距離將剩余實例賦給距離它們最近的簇中心；
(4) 使用每個簇中的實例來計算每個簇新的平均值；
(5) 如果新的平均值等于上次迭代的平均值，終止該過程。否則，用新平均值作為簇中 心并重復(fù)步驟(3) (5)。
K-means算法聚類結(jié)果受初始聚類中心的選擇影響較大，如果初始聚類中心選取不當(dāng)，聚 類結(jié)果可能會陷入局部最優(yōu)解,而得不到較好的聚類效果。 2.3傳統(tǒng)聚類算法在中醫(yī)應(yīng)用中的缺陷
聚類分析方法的典型代表是基于劃分的傳統(tǒng)聚類方法，如K-means算法等。這類方法聚類 雖然結(jié)果清晰,但聚類結(jié)果卻對初始聚類數(shù)(k值)非常敏感,k值的確定直接影響到聚類結(jié)果的 好壞。因此,面對采集人體生物電信息，如何準(zhǔn)確的確定k值是傳統(tǒng)聚類算法需要解決的最大 問題。
神經(jīng)網(wǎng)絡(luò)是對大型數(shù)據(jù)信息處理的有力工具,特別是對高維的數(shù)據(jù)具有很強的自適應(yīng)學(xué) 習(xí)能力、魯棒性和容錯能力,不用指定初始的聚類的數(shù)目。但是,它的最大局限性是在學(xué)習(xí)模式 較小時,網(wǎng)絡(luò)連接權(quán)向量的初始狀態(tài)對網(wǎng)絡(luò)的收斂性能影響很大,其次,鄰域和學(xué)習(xí)速率如何選 擇,目前尚無固定的數(shù)學(xué)方法,一般原則是,鄰域開始選得較大，然后逐步收縮。學(xué)習(xí)速率開始下 降的速度可以較大,以便較快地捕捉到輸入模式矢量的大致概率結(jié)構(gòu),然后在較小的數(shù)值上緩 慢降到零。這樣可以較精細(xì)地調(diào)整權(quán)值使之符合輸入模式空間的概率分布結(jié)構(gòu)。關(guān)于學(xué)習(xí)率 函數(shù)a (t)的選擇,原則上可選一個單調(diào)下降函數(shù)，至于是線性下降還是負(fù)指數(shù)下降沒有硬性規(guī) 定,而且聚類結(jié)果較為模糊。
已有的聚類方法在性能上各有所長，但在具體應(yīng)用中也存在著不同的缺點，如神經(jīng)網(wǎng)絡(luò) 需要設(shè)定復(fù)雜的參數(shù)，K-meaBS需要將數(shù)據(jù)分入預(yù)先設(shè)定的聚類數(shù)，而KNN在聚類時計算量 較大，因為對每一個待聚類的樣本都要計算它到全體已知樣本的距離，才能求得它的最近鄰 點等等。
而對于劃分的k中心點算法,對于噪聲和孤立點都不敏感。但是卻存在著固有的缺點,聚類 質(zhì)量的好壞主要取決用戶指定的初始聚類個數(shù)，而聚類個數(shù)通常是很難確定的。而且采用均值 作為一類的代表點， 一個點往往不能充分反映該類的模式分布結(jié)構(gòu)，從而損失了很多有用的 信息，只有當(dāng)類的自然分布為球狀或者接近于球狀時，才可能有較好的聚類效果。
對于初次聚類產(chǎn)生的結(jié)果可能不夠精確,用K-means算法將得到的簇數(shù)進(jìn)行二次聚類，可以克服孤立點存在的問題,并使聚類結(jié)果更加精確。2.4面向中醫(yī)診斷的改進(jìn)思路
SOFM算法中學(xué)習(xí)率和鄰域采取何種遞減方式，對學(xué)習(xí)的收斂速度和聚類精度都很關(guān)鍵。本發(fā)明將網(wǎng)絡(luò)的學(xué)習(xí)分為粗調(diào)整和精細(xì)調(diào)整2個階段。粗調(diào)整階段是大致確定輸入模式在競爭層的映射位置，因此學(xué)習(xí)率和領(lǐng)域應(yīng)遞減較快，可采用冪函數(shù)形式；在精細(xì)調(diào)整階段,網(wǎng)絡(luò)學(xué)習(xí)集中對較小范圍內(nèi)的神經(jīng)元的連接權(quán)值進(jìn)行調(diào)整。學(xué)習(xí)率和領(lǐng)域遞減緩慢，可采用線性函數(shù)形式，領(lǐng)域緩慢減小為0，即只包含獲勝神經(jīng)元。
改進(jìn)1: SOFM算法中學(xué)習(xí)率和鄰域采取何種遞減方式，對學(xué)習(xí)的收斂速度和聚類精度都很關(guān)鍵。:學(xué)習(xí)率和鄰域范圍以線性遞減時，雖然聚類結(jié)果較好，但學(xué)習(xí)收斂慢；而以指數(shù)形式如遞減時，聚類結(jié)果不理想甚至導(dǎo)致不收斂；冪函數(shù)遞減,聚類結(jié)果最好，收斂也快。本模型就采用下式遞減學(xué)習(xí)率，領(lǐng)域遞減見改進(jìn)2。
T7("l)-"(0)xd)K,^為常數(shù)， 一般為0.05
改進(jìn)2:根據(jù)神經(jīng)生物學(xué)觀點，側(cè)反饋的強度應(yīng)與鄰域內(nèi)神經(jīng)元i同獲勝神經(jīng)元C的距離有
關(guān)。典型的gauss函數(shù)最適合作為鄰域函數(shù)
lA-p,.l為競爭層神經(jīng)元之間的距離，o"(f)為鄰域的有效寬度，采用冪函數(shù)遞減
o"("lX0)xd)^,"2為常數(shù)， 一般為0.5cr(O)
改進(jìn)3:網(wǎng)絡(luò)的學(xué)習(xí)分為粗調(diào)整和精細(xì)調(diào)整2個階段。粗調(diào)整階段是大致確定輸入模式在競爭層的映射位置，因此學(xué)習(xí)率應(yīng)遞減較快，可采用冪函數(shù)形式，鄰域從較大值遞減為較小值。在精細(xì)調(diào)整階段，網(wǎng)絡(luò)學(xué)習(xí)集中對較小范圍內(nèi)的神經(jīng)元的連接權(quán)值進(jìn)行調(diào)整。其學(xué)習(xí)率遞減緩慢，可采用線性函數(shù)形式，鄰域值從l-2緩慢減小為O，即只包含獲勝神經(jīng)元。
2.5面向中醫(yī)診斷的自組織特征映射神經(jīng)網(wǎng)絡(luò)算法(CSOFM):
(1) 初始化權(quán)值^.(0)，學(xué)習(xí)率;;(O),鄰域半徑仄(O)，確定學(xué)習(xí)次數(shù)7^7]+7;;
(2) 粗調(diào)整階段/;(0) = 0.3, o"(O) =3m/2， m為輸出層正方形邊長節(jié)點個數(shù)；
(3) 對所有輸入模式p執(zhí)行步驟(4) (8);
(4) 按《=/|;(^. -^)2= 1,2..JV;z' = U...M計算所有神經(jīng)元的Euclidean距離，求得min{《)對應(yīng)的神經(jīng)元c為獲勝神經(jīng)元；
(5) 計算鄰域函數(shù)值A(chǔ)^(/) = exp(-|^-a卩)/2ct(02
其中在二維網(wǎng)絡(luò)中，I—凡1=^/(4—cj2+0〉—c》2,^^，^,^分別表示神經(jīng)元在陣列上的坐標(biāo);
(6) 調(diào)整權(quán)值、(,+1) = 、 (/) + — w〃 (0);
(7) 調(diào)整學(xué)習(xí)率^ + i卜"(o)x(i)f，a,為常數(shù)， 一般為0.05;
(9) 1=1+1，返回(3)直至1>7;;
(10) 細(xì)調(diào)整階段;/(0)=0.03, o"(O) =1;
(11) 執(zhí)行上面的(3) (8)。只是鄰域?qū)挾群蛯W(xué)習(xí)率按下式遞減W+l) = ; (O)(l -f)， W+1) = o"(O)(l -f);
(12) t=t+l;返回(11)直至1>7^;
(13) 網(wǎng)絡(luò)訓(xùn)練完后，最終聚類在多個獲勝神經(jīng)元構(gòu)成的二維結(jié)構(gòu)圖上，可判斷映射到神經(jīng)元排列空間上鄰近的則輸入空間上必為特征相似的點?？刹捎镁嚯x圖法計算每個獲勝神經(jīng)
元間的權(quán)值距離L，距離圖法是分析獲勝神經(jīng)元i和k之間權(quán)值距離，計算類之間的差別明顯程度，若L〈0.1，則判定為同類
3.基于CSOFM的K-means兩階段聚類算法(CSOFMK)3.1 CSOFM K算法描述
(1) 樣本初始化；
(2) 先執(zhí)行CSOFM算法，把待聚類的數(shù)據(jù)對象輸入到Kohonen網(wǎng)絡(luò)進(jìn)行訓(xùn)練，利用CSOFM算法經(jīng)過網(wǎng)絡(luò)訓(xùn)練輸出一組權(quán)值。此階段的訓(xùn)練次數(shù)可以減少，不必讓網(wǎng)絡(luò)完全收斂;
(3) 以CSOFM的聚類結(jié)果得到的權(quán)值為初始聚類中心，對K-means算法進(jìn)行初始化，執(zhí)行K-means算法進(jìn)行準(zhǔn)確聚類。
基于CSOFM的K-means兩階段聚類算法(CSOFMK)既保持了 SOFM網(wǎng)絡(luò)自組織的特
(8)調(diào)整鄰域的寬度C7("l)-cr(0)x(1)可,"2為常數(shù)， 一般為0.5;
10點，又吸收了 K-meaiis算法高效率的特點，同時彌補了 SOFM網(wǎng)絡(luò)收斂時間過長和K-means算法初始聚類中心選取不當(dāng)造成聚類效果不佳的缺點。
3.2 CSOFM K算法流程
由上節(jié)描述的算法可以知道CSOFM K算法流程如圖7所示
3.3 CSOFM K算法分析
假定聚類樣本數(shù)為n , SOFM的網(wǎng)絡(luò)輸出層結(jié)點數(shù)為m (m n)，循環(huán)次數(shù)為i，聚類個數(shù)為c 。容易知道，首先用SOFM訓(xùn)練進(jìn)行第一階段的聚類，它的時間復(fù)雜度是O (rnn);第二階段，時間復(fù)雜度為線形時間復(fù)雜性，為0(imn+mn)，所以總的時間復(fù)雜度是0((2 + i)nm) ((2 + i ) nm "2)。易矢口，算法的空間復(fù)雜性為O (n + ra + c)。
由上可知，CSOFM算法由于其組合性在時空復(fù)雜度上較傳統(tǒng)的聚類算法稍有提高，在中醫(yī)決策中，用少量的算法運行代價換取較好的聚類效果，這個方法具有非常重要的意義。
4.中醫(yī)診斷BP神經(jīng)網(wǎng)絡(luò)
BP神經(jīng)網(wǎng)絡(luò)目前應(yīng)用最廣的人工神經(jīng)網(wǎng)絡(luò)模型。是一種有教師指導(dǎo)型的多層前饋網(wǎng)絡(luò)。神經(jīng)元的傳遞函數(shù)是S型函數(shù)，輸出為0到1的連續(xù)量，可以實現(xiàn)輸入到輸出的任意非線性映射。利用輸入輸出樣本集學(xué)習(xí)，調(diào)整網(wǎng)絡(luò)的權(quán)重逐步使網(wǎng)絡(luò)輸出逼近樣本輸出。訓(xùn)練好的網(wǎng)絡(luò)其學(xué)習(xí)特征存儲在網(wǎng)絡(luò)權(quán)重中，能對不是訓(xùn)練集合中的新輸入推理出合適的輸出。其極強的自組織調(diào)整學(xué)習(xí)、容錯抗噪能力比傳統(tǒng)的回歸分析方法更適用于解決復(fù)雜的非線性問題。
BP學(xué)習(xí)算法的步驟
(1) 初始化網(wǎng)絡(luò)各層權(quán)值以及神經(jīng)元閾值為小的隨機數(shù)
(2) 提供訓(xùn)練樣本集；
(3) 計算網(wǎng)絡(luò)的實際輸出以及各隱層單元的狀態(tài)(即所謂前向過程)；
(4) 反向計算誤差；
(5) 修改權(quán)值和閾值；
(6) 判斷誤差是否滿足要求，若滿足要求則停止訓(xùn)練，否則轉(zhuǎn)向(3)。
中醫(yī)診斷BP神經(jīng)網(wǎng)絡(luò)構(gòu)造如下
(1) 己有理論證明只含有一個隱含層的3層前饋網(wǎng)絡(luò)能以任意精度逼近一個非線性映射。
根據(jù)以上原理，本實施例采用3層網(wǎng)絡(luò)結(jié)構(gòu)；
(2) 輸入層輸入層神經(jīng)結(jié)點個數(shù)和SOFMK算法中Kohonen網(wǎng)絡(luò)相同，為46個，即分別將人體46個穴位的生物電阻值進(jìn)行歸一化預(yù)處理后輸入到46個神經(jīng)元結(jié)點；
(3) 輸出層設(shè)計本實施例的中醫(yī)耳穴智能診斷儀一共可以分析診斷402種不同的病癥，
11考慮到BP神經(jīng)網(wǎng)絡(luò)輸出層的結(jié)點個數(shù)和取值范圍直接影響網(wǎng)絡(luò)的收斂速度和預(yù)測精度，對 400種病癥進(jìn)行二進(jìn)制編碼并生成病癥二進(jìn)制對照表。容易得到，400的二進(jìn)制編碼為 110010000，所以把輸出層的祌經(jīng)元個數(shù)確定為9;
(4)隱含層隱含層神經(jīng)元個數(shù)可以采用經(jīng)驗公式來估算
N^涵+l，
N=>/Ki5+a，其中a為l到10的常數(shù)，
N=]Og;M，
其中M、 N、 0分別為網(wǎng)絡(luò)輸入層、隱含層、輸出層的節(jié)點個數(shù)。本實施例中M=46， 0=9，有上述經(jīng)驗公式可以得出N可以參考的值的范圍為8到17。以12個節(jié)點數(shù)為基點依 次加1或減1來進(jìn)行網(wǎng)絡(luò)收斂性能的比較實驗，確定相對較優(yōu)的神經(jīng)元數(shù)量。在實驗過程中 一系列的實驗表明在隱含層神經(jīng)元個數(shù)為12的時候，網(wǎng)絡(luò)的收斂性和準(zhǔn)確性都比較高，所以 確定最后N-12， 46—12—9的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖參見圖8。
(1) 映射函數(shù)網(wǎng)絡(luò)隱含層和輸出層的映射函數(shù)都采用Sigmoid函數(shù)，即映射函數(shù)為-<5(x) = l/[l+e q3(-力]。
儀器中BP神經(jīng)網(wǎng)絡(luò)的主要學(xué)習(xí)過程描述如下
(2) 構(gòu)造46—12—9的3層BP神經(jīng)網(wǎng)絡(luò)，
(3) 目標(biāo)差值五p選為0.01f即網(wǎng)絡(luò)的總誤差平方和達(dá)到0.01，則認(rèn)為網(wǎng)絡(luò)的訓(xùn)練過程已
完成。其中輸出誤差的總平方和五,為五p^^;(d ,-y ,)2 ，其中d,為理想輸出， 為實際輸出；
(4) 設(shè)定學(xué)習(xí)率"=0.15,網(wǎng)絡(luò)隱含層和輸出層的映射函數(shù)為 ^0) = l/[l + exp(-;c)];
(5) 初始化網(wǎng)絡(luò)各層權(quán)值W以及神經(jīng)元閾值0為小的隨機數(shù)；
(6) 選擇ISOFMK聚類知識庫中某人體生物電阻值聚類作為訓(xùn)練樣本集P;
(7) 訓(xùn)練樣本集P歸一化計算；
(8) 按神經(jīng)元傳遞函數(shù)計算網(wǎng)絡(luò)的實際輸出以及各隱層單元的狀態(tài)，根據(jù)下式計算當(dāng)前
層的輸出O，，其中O"為當(dāng)前層的輸入Oy J(乞w;"/"-
12(9)調(diào)整各層權(quán)值vtf(A: + l) = vtf(" + ~《) 輸出層=2"(人,—《))《)(1 —《))0"
其他層首先計算輸出層的誤差《5"1)，再逐層反向計算各隱層的誤差^i)，
S-l
~《)="(Z^M(，)(1-《))^);
(10) 修改閥值(A:+ 1)
(11) 判斷誤差是否滿足要求，若滿足要求則執(zhí)行下一步，否則轉(zhuǎn)向(7);
(12) 訓(xùn)練完畢，保存網(wǎng)絡(luò)權(quán)值和閥值到中醫(yī)BP網(wǎng)絡(luò)群知識庫中。 中醫(yī)多功能診斷儀對BP神經(jīng)網(wǎng)絡(luò)的應(yīng)用在于調(diào)用CSOFM算法對成熟老中醫(yī)經(jīng)驗樣本進(jìn)
行聚類，通過BP神經(jīng)網(wǎng)絡(luò)按各分類分別進(jìn)行訓(xùn)練學(xué)習(xí)并將訓(xùn)練結(jié)果保存到相應(yīng)的神經(jīng)網(wǎng)絡(luò) 群知識庫中。通過人體生物電測量值進(jìn)行病情診斷時確定該組測量值的類別后，調(diào)用對應(yīng)的 BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行病情診斷。
5.基于模糊邏輯的智能疾病診斷算法
人體生物電檢測中包含了許多數(shù)值屬性的特點，這些都可以看作是潛在的模糊變量，而 且中醫(yī)疾病診斷本身具有模糊性，對于具有數(shù)值屬性的特征，如果將正常值的取值范圍設(shè)定 為一個區(qū)間，則任何在此區(qū)間以外的都被視為異常，而不管它們和這個區(qū)間的差距有多大。 這樣的結(jié)果會讓正常和異常之間產(chǎn)生很明顯的界限，導(dǎo)致"尖銳邊界問題"，引入模糊概念就 可以消除這個界限。采用模糊邏輯的優(yōu)點在于它能夠描述同時隸屬于不同分類范圍的概念。 在常規(guī)集合論中，對于具體的元素要么屬于某個子集，要么不屬于，不存在其他的可能性。 但是在模糊集合論中， 一個元素則可以同時隸屬于多個不同的集合，只是其隸屬的程度可能 有所不同。模型隸屬度函數(shù)定義如下
0
x^u
a + c
l一2
1
c-x
、C-3 乂
丁 c<x
Z(x,a^c)二 1 -S(x，a,c) 「S(x，c-a，c)
PI(x,a，c)=
[Z(x，c，c+a)
6.基于免疫機制的診斷模型自適應(yīng)更新算法
隨著系統(tǒng)的應(yīng)用深入有新產(chǎn)生的疾病判斷規(guī)則時，就需要對原有模型進(jìn)行升級，經(jīng)過基 于模糊邏輯的智能疾病診斷后，診斷結(jié)果規(guī)則集被提取出來，并與新產(chǎn)生的規(guī)則集進(jìn)行比較，計算相似度。如果相似度處于閥值之上，并且只有正向變化或漸進(jìn)的負(fù)向變化，模型參數(shù)將
用新規(guī)則集學(xué)習(xí)更新。
假設(shè)正常行為規(guī)則集和新產(chǎn)生的行為規(guī)則集里的一個關(guān)聯(lián)規(guī)則分別如下-
定義兩個規(guī)則《和及2的相似度為
0 (AT"')v(y"')
c一c
max(0，1 —max(-，-(X = "A(y = ;K)
定義兩個規(guī)則集/^和及&的相似度為: S!Vm7—(叫,及&) = ^x &附
,叫
其中，&w= Z s/附(^,a)， li^l和i及&i分別為兩個規(guī)則集內(nèi)的規(guī)則數(shù)目
綜上，若Si/m7an'0;(i^，y &)大于所設(shè)定的閥值且漸行負(fù)向變化，更新模型參數(shù)；若 S/wz7flnXy(J S,及&)大于所設(shè)定的閥值且正向變化，更新模型參數(shù)；若S/m/toW/X及5;,i &)小
于所設(shè)定的閥值且顯著負(fù)向變化，則將當(dāng)前檢測結(jié)果作為個性特例，不更新模型參數(shù)。 以下給出治療建議模型
治療建議主要根據(jù)診斷模型診斷出的疾病或亞健康現(xiàn)狀，通過治療建議模型給出相關(guān)的 治療建議，主要包括針灸治療建議、中藥治療建議和食物治療建議。針灸治療建議給出需要 針灸的穴位以及主穴、配穴組成，中藥治療建議給出中藥配方，食物治療建議給出相應(yīng)的食 譜。
以下給出應(yīng)用軟件
中醫(yī)多功能智能診斷儀應(yīng)用軟件包括耳穴診斷系統(tǒng)和經(jīng)絡(luò)能量分析診斷系統(tǒng)兩個部分
經(jīng)絡(luò)能量分析診斷系統(tǒng)完成受測者的24個數(shù)據(jù)采集，調(diào)用智能診斷模型進(jìn)行分析，生成經(jīng)絡(luò)
虛實分析圖、經(jīng)絡(luò)左右平衡分析圖、經(jīng)絡(luò)陰陽分析體、經(jīng)絡(luò)氣血分析圖以及經(jīng)絡(luò)五行分析圖，
形成體能狀況綜合分析結(jié)果，進(jìn)行經(jīng)絡(luò)辯證方案以及相關(guān)的治療建議；耳穴診療系統(tǒng)針對采 穴的不同可進(jìn)行全身測量、分科測量以及腫瘤測量，將采集的耳穴生物電數(shù)據(jù)調(diào)用智能診斷 模型進(jìn)行診斷分析，給出測量疾病和耳穴針灸建議。 1.耳穴診斷系統(tǒng)
中醫(yī)耳穴醫(yī)診斷主要包括以下4個核心模塊 (1)耳穴測量模塊
14本模塊測量病人耳穴的人體電阻值，當(dāng)人體發(fā)生病變時，耳廓的相應(yīng)部位的"陽性反應(yīng)" 點的皮膚電阻明顯降低。本系統(tǒng)的主要思想就是通過對相應(yīng)耳穴測量電阻值進(jìn)行聚類分析， 對病人所患疾病進(jìn)行智能診斷。
如通過耳穴電阻值的采集界面，可測量的耳穴共有46個，當(dāng)采集界面中生物電一欄出現(xiàn)
所測量的數(shù)值并且數(shù)值穩(wěn)定，即可采集數(shù)據(jù)，直到所有穴位數(shù)據(jù)采集完畢。
(2) 測量數(shù)據(jù)分析模塊 本模塊對耳穴測量模塊采集的數(shù)據(jù)進(jìn)行分析后，得出病人所得疾病，本模塊調(diào)用基于模
糊邏輯的診斷模型進(jìn)行疾病診斷。
(3) 耳穴針灸模塊
本模塊通過數(shù)據(jù)分析模塊給出的病人所得疾病，給出中醫(yī)耳穴針灸的穴位圖供醫(yī)生治療
病人參考
(4) 耳穴維護(hù)模塊
本模塊可進(jìn)行對耳穴信息的增加、修改或刪除，以適應(yīng)現(xiàn)代中醫(yī)研究的不斷發(fā)展需要； 2.經(jīng)絡(luò)能量分析系統(tǒng)
經(jīng)絡(luò)能量分析系統(tǒng)核心功能包括經(jīng)絡(luò)測量、經(jīng)絡(luò)能量分析和綜合打印等模塊
(1) 經(jīng)絡(luò)測量模塊
在病人維護(hù)界面中每個病人信息占一行，選擇一病人信息，然后點擊"確定"即可進(jìn)入看 經(jīng)絡(luò)測量界面，病人信息將會顯示在其中，在這里可以對病人進(jìn)行經(jīng)絡(luò)能量測量。其中可以 看到幾個顯示區(qū)，分別是測量指示區(qū)、測量狀態(tài)區(qū)、個人資料區(qū)、測量結(jié)果區(qū)和功能控制區(qū)。
A) 個人資料區(qū)顯示病人的簡要信息，如名字，性別，婚姻狀況，家庭住址等。
B) 測量狀態(tài)區(qū)在測量的過程中圖示病人要測量的部位，下端顯示測定點和經(jīng)絡(luò)的相 關(guān)信息。
C) 測量指示區(qū)在測量的過程中用用條形塊和曲線來顯示測量的時經(jīng)絡(luò)值的起伏變化。 粉紅底色的進(jìn)度條代表測量的進(jìn)度，在測量經(jīng)絡(luò)的過程中可以發(fā)現(xiàn)儀器上面的指示燈和
聲音的變化順序，第一個燈先亮響一聲，然后第二個亮響一聲，接著是第三個亮響一聲，最 后四個全部亮響一聲， 一個測量周期結(jié)束。
D) 測量結(jié)果區(qū)在方格中顯示經(jīng)絡(luò)的測量值，在測量的過程中同時顯示經(jīng)絡(luò)的測量值 和補償值，同時也在此區(qū)的右上角顯示了測量的日期和時間。點擊該區(qū)中的方格時，測量狀 態(tài)區(qū)的圖示會隨著所選的經(jīng)絡(luò)而改變，在測量的過程中可以通過這種方式隨意測量某一經(jīng)絡(luò)。
E) 功能區(qū)實現(xiàn)調(diào)入測量數(shù)據(jù)、測量經(jīng)絡(luò)、能量分析等功能。
(2) 經(jīng)絡(luò)能量分析模塊
在系統(tǒng)菜單"業(yè)務(wù)"上點擊"能量分析"，選擇某一病人資料，點擊"確定"或選擇某一測量
15時間雙擊，經(jīng)絡(luò)能量分析圖含有六個經(jīng)絡(luò)分析圖形典型的五行分析圖描述如下
五行分析圖主要從五行角度分析了 13條經(jīng)絡(luò)能量的興奮度，以及左右兩側(cè)24個經(jīng)絡(luò)測 量值所表現(xiàn)出能量興奮度，以圓圈圖的形式表現(xiàn)?？刹捎酶鳂?biāo)號指向表示以下內(nèi)容
1. 經(jīng)絡(luò)所屬的陰陽屬性。上測的3個圖代表陰藏中的6個經(jīng)絡(luò)，分別為肺經(jīng)、心包經(jīng)、 心經(jīng)、脾經(jīng)、肝經(jīng)、腎經(jīng)。下側(cè)3個圖代表陽腑中的6個經(jīng)絡(luò)，分別為大腸經(jīng)、三焦經(jīng)、 小腸經(jīng)、膀胱經(jīng)、膽經(jīng)、胃經(jīng)。
2. 經(jīng)絡(luò)所屬的左右屬性。從經(jīng)絡(luò)能量的平均值和左右值來判別經(jīng)絡(luò)能量的興奮度。第一 列的兩個圖是經(jīng)絡(luò)能量的平均值所表現(xiàn)出的興奮度，第二列代表身體左側(cè)的經(jīng)絡(luò)測量值所表 現(xiàn)出的經(jīng)絡(luò)能量興奮度，第三列代表身體右側(cè)的經(jīng)絡(luò)測量值所表現(xiàn)出的經(jīng)絡(luò)能量興奮度
3. 經(jīng)絡(luò)能量興奮度的圖例表示。其中藍(lán)色箭頭代表經(jīng)絡(luò)虛癥，紅色箭頭代表經(jīng)絡(luò)實癥。
4. 各經(jīng)絡(luò)的五行屬性。
5. 經(jīng)絡(luò)名稱。
6. 代表相應(yīng)經(jīng)絡(luò)值的能量興奮度。若經(jīng)絡(luò)值超過生理反應(yīng)區(qū)界限，則會出現(xiàn)此標(biāo)志。一
個箭頭代表經(jīng)絡(luò)值超過生理反應(yīng)區(qū)界限，超過病理反應(yīng)區(qū)界限則會出現(xiàn)兩個箭頭，若經(jīng)絡(luò)值
再超過一定界限區(qū)，則會出現(xiàn)三個箭頭表示。 (3)綜合打印模塊
選擇某一病人的一測量時間并在打印類型選擇區(qū)中選擇一打印類型點擊"確定"，將輸出 打印相應(yīng)頁面。
權(quán)利要求
1. 基于自適應(yīng)模糊邏輯的中醫(yī)多功能智能診斷儀，其特征在于設(shè)有人體生物電采集器、正極探測頭和負(fù)極探測手柄，人體生物電采集器設(shè)有穴位探測電路、微控制器電路、顯示報警電路以及與上位機接口的USB轉(zhuǎn)換電路，穴位探測電路的輸入端分別與正極探測頭和負(fù)極探測手柄連接，穴位探測電路的輸出端接微控制器電路，微控制器電路與顯示報警電路以及與上位機接口的USB轉(zhuǎn)換電路連接。
2. 如權(quán)利要求l所述的基于自適應(yīng)模糊邏輯的中醫(yī)多功能智能診斷儀，其特征在于正極 探測頭由微控開關(guān)和探針組成，微控開關(guān)與探針連接，微控開關(guān)用于控制何時采集生物電信 息，探針包含一個壓力彈簧，探針用于保證測量時與人體穴位充分接觸并相對穩(wěn)定。
3. 如權(quán)利要求l所述的基于自適應(yīng)模糊邏輯的中醫(yī)多功能智能診斷儀，其特征在于負(fù)極 探測手柄為不銹鋼管。
4. 如權(quán)利要求3所述的基于自適應(yīng)模糊邏輯的中醫(yī)多功能智能診斷儀，其特征在于不銹 鋼管上設(shè)有配重。
5. 如權(quán)利要求l所述的基于自適應(yīng)模糊邏輯的中醫(yī)多功能智能診斷儀，其特征在于內(nèi)置 基于自適應(yīng)模糊邏輯的智能診斷模型。
6. 如權(quán)利要求5所述的基于自適應(yīng)模糊邏輯的中醫(yī)多功能智能診斷儀，其特征在于基于 自適應(yīng)模糊邏輯的智能診斷模型包括面向中醫(yī)診斷的自組織特征映射神經(jīng)網(wǎng)絡(luò)算法、基于 CSOFM的K-means兩階段聚類算法、中醫(yī)診斷BP神經(jīng)網(wǎng)絡(luò)、基于模糊邏輯的智能疾病診斷 算法和基于免疫機制的診斷模型自適應(yīng)更新算法。
7. 如權(quán)利要求5所述的基于自適應(yīng)模糊邏輯的中醫(yī)多功能智能診斷儀，其特征在于中醫(yī) 診斷BP神經(jīng)網(wǎng)絡(luò)為46—12—9的3層診斷BP神經(jīng)網(wǎng)絡(luò)。
全文摘要
基于自適應(yīng)模糊邏輯的中醫(yī)多功能智能診斷儀，涉及一種診斷儀。提供一種基于自適應(yīng)模糊邏輯的中醫(yī)多功能智能診斷儀。設(shè)有人體生物電采集器、正極探測頭和負(fù)極探測手柄，人體生物電采集器設(shè)有穴位探測電路、微控制器電路、顯示報警電路以及與上位機接口的USB轉(zhuǎn)換電路，穴位探測電路的輸入端分別與正極探測頭和負(fù)極探測手柄連接，穴位探測電路的輸出端接微控制器電路，微控制器電路與顯示報警電路以及與上位機接口的USB轉(zhuǎn)換電路連接。正極探測頭和負(fù)極探測手柄用于生物電數(shù)據(jù)的采集。
文檔編號A61B5/04GK101485569SQ20081007186
公開日2009年7月22日 申請日期2008年9月26日 優(yōu)先權(quán)日2008年9月26日
發(fā)明者張東站, 繆一川 申請人:廈門大學(xué);香港諾偉軟件有限公司;繆一川