發(fā)布時(shí)間：2025-01-07 04:09

　　目的:基于陳潮祖教授“五經(jīng)五緯”辨證綱領(lǐng),以“癥狀→病機(jī)→方劑”構(gòu)建醫(yī)案方證對(duì)應(yīng)模型,以數(shù)字化形式展現(xiàn)陳潮祖教授的辨證模式,為名老中醫(yī)經(jīng)驗(yàn)傳承提供新方法。方法:第一步,收集人工智能算法及陳潮祖教授“五經(jīng)五緯”辨證模式的相關(guān)資料,對(duì)不同人工智能算法的特點(diǎn)進(jìn)行對(duì)比分析,篩選適合的方證對(duì)應(yīng)模型算法。第二步,使用Python語(yǔ)言編程,提煉“五經(jīng)五緯”辨證模式的病機(jī)要素作為模型特征量,組合人工智能多種算法如神經(jīng)網(wǎng)絡(luò)、決策樹(shù)、規(guī)則學(xué)習(xí),構(gòu)建模型框架。第三步,整理校對(duì)陳潮祖教授醫(yī)案,制定篩選標(biāo)準(zhǔn),對(duì)篩出醫(yī)案的癥狀、病機(jī)、方名、藥名進(jìn)行規(guī)范化處理。第四步,對(duì)醫(yī)案數(shù)據(jù)進(jìn)行標(biāo)注,數(shù)字化醫(yī)案文字,形成癥狀、病機(jī)、方劑矩陣,構(gòu)建機(jī)器學(xué)習(xí)所需的數(shù)據(jù)庫(kù)。第五步,將篩選的948個(gè)醫(yī)案樣本劃分為訓(xùn)練集和測(cè)試集,分配比例為3:1,訓(xùn)練集共711個(gè)樣本,測(cè)試集共237個(gè)樣本。將訓(xùn)練集樣本輸入模型框架進(jìn)行學(xué)習(xí)得到方證對(duì)應(yīng)模型。第六步,將測(cè)試集樣本輸入方證對(duì)應(yīng)模型得到方劑預(yù)測(cè)結(jié)果,對(duì)預(yù)測(cè)結(jié)果進(jìn)行統(tǒng)計(jì)學(xué)量化分析,以驗(yàn)證方證對(duì)應(yīng)模型的準(zhǔn)確性。第七步,依據(jù)“五經(jīng)五緯”辨證模式對(duì)訓(xùn)練集學(xué)習(xí)結(jié)果進(jìn)行方證對(duì)應(yīng)分析,以驗(yàn)證方證對(duì)應(yīng)模型的合理...

【文章頁(yè)數(shù)】：116 頁(yè)

【學(xué)位級(jí)別】：博士

【部分圖文】：

圖1 技術(shù)路線(xiàn)

基于陳潮祖教授“五經(jīng)五緯”辨證綱領(lǐng)要點(diǎn),以人工智能算法構(gòu)建其醫(yī)案方證對(duì)應(yīng)模型,并對(duì)方證對(duì)應(yīng)模型輸出結(jié)果進(jìn)行統(tǒng)計(jì)學(xué)與理論分析評(píng)價(jià)。具體技術(shù)路線(xiàn)如圖1所示。5相關(guān)實(shí)驗(yàn)條件簡(jiǎn)介

圖2 空間變換[33]

神經(jīng)網(wǎng)絡(luò)引入空間轉(zhuǎn)換的概念來(lái)簡(jiǎn)化分類(lèi)。以下面二維空間散點(diǎn)圖的二分類(lèi)問(wèn)題為例,如圖2空間變換示意圖所示,左圖紅綠散點(diǎn)的分離邊界是不規(guī)則的曲線(xiàn)表達(dá),難以形成數(shù)學(xué)公式,但通過(guò)一系列縮放、平移、旋轉(zhuǎn)、扭曲方法操作原二維空間后,分界線(xiàn)逐步從非線(xiàn)性轉(zhuǎn)換為線(xiàn)性,在高維空間可輕易找到一個(gè)超平面分....

圖3 卷積

其含義是遍歷卷積(-∞,∞)的全部x和y值,并以(x,y)為中心點(diǎn),把(x1-x,y1-y)上激活函數(shù)的值乘以(x,y)上輸入函數(shù)的值,再進(jìn)行卷積運(yùn)算,其濾波原理如圖3所示。以輸入值(6,3)為一個(gè)5*5濾波器的中心,把濾波器和其覆蓋的25個(gè)位置上的值分別相乘后求和得Conv(6....

圖4 神經(jīng)網(wǎng)絡(luò)

以輸入值(6,3)為一個(gè)5*5濾波器的中心,把濾波器和其覆蓋的25個(gè)位置上的值分別相乘后求和得Conv(6,3)卷積值。所得的轉(zhuǎn)化卷積值因加權(quán)因素更具灰度[35],類(lèi)同丟棄掉一部分信息的模糊平均,并從上圖可推知,新轉(zhuǎn)化元素組成的特征平面同時(shí)受原值和過(guò)濾器的影響,即減少了權(quán)值,又保....

本文編號(hào)：4024475