劉旺華，洪 凈*，李 花，孫貴香，陳 燕

（湖南中醫(yī)藥大學(xué),湖南 長沙 410208）

人工神經(jīng)網(wǎng)絡(luò)在中醫(yī)診斷信息化中的應(yīng)用

劉旺華，洪 凈*，李 花，孫貴香，陳 燕

（湖南中醫(yī)藥大學(xué),湖南 長沙 410208）

中醫(yī)學(xué)是一個(gè)非常復(fù)雜的系統(tǒng)，臨床證候之間、臨床證候與診斷目標(biāo)之間、臨床證候與方藥之間的關(guān)系具有非線性、復(fù)雜性、模糊性、非定量的特點(diǎn)。人工神經(jīng)網(wǎng)絡(luò)能從海量數(shù)據(jù)中提取隱含的有意義的知識，能模擬這種非線性映射關(guān)系，建立診斷、判別模型，做出前瞻性決策，正是這種優(yōu)勢使得人工神經(jīng)網(wǎng)絡(luò)技術(shù)有可能為解決中醫(yī)脈象辨識信息化、中醫(yī)舌象辨識信息化、中醫(yī)證候辨識信息化中權(quán)值難以明確的問題提供更為科學(xué)的方法與途徑。

人工神經(jīng)網(wǎng)絡(luò)；中醫(yī)診斷；信息化；權(quán)值

中醫(yī)學(xué)領(lǐng)域數(shù)據(jù)龐大、生成速度快、結(jié)構(gòu)復(fù)雜，具有多樣性、不完整性、冗余性、隱私性、模糊性以及非線性等特點(diǎn)。顯然線性建模不適應(yīng)于中醫(yī)臨床，非線性建模方法，則可在系統(tǒng)內(nèi)部結(jié)構(gòu)和機(jī)理未知情況下，通過發(fā)現(xiàn)隱含在輸入、輸出數(shù)據(jù)中的特性，建立能充分接近系統(tǒng)實(shí)際結(jié)構(gòu)和機(jī)理的等價(jià)模型，可較好地模擬中醫(yī)臨床信息之間存在的大量多重協(xié)同關(guān)系或共線性關(guān)系，更適合其復(fù)雜性、非線性的特征[1]，探索合適的非線性數(shù)學(xué)建模方法對于揭示中醫(yī)臨床診療規(guī)律具有重要的推動(dòng)作用，可以取得事半功倍的效果[2]。人工神經(jīng)網(wǎng)絡(luò)(artificial neural network，ANN)興起于20世紀(jì)80年代，它模擬生物神經(jīng)系統(tǒng)的原理而構(gòu)建，是一種能實(shí)現(xiàn)非線性映射功能的新型智能信息處理系統(tǒng)，是信息科學(xué)、數(shù)學(xué)、生物、醫(yī)學(xué)等多學(xué)科交叉的邊緣學(xué)科，具有自學(xué)習(xí)、自組織、并行分布式處理、良好的容錯(cuò)性等特點(diǎn)；能高速尋找優(yōu)化解；具有聯(lián)想存儲(chǔ)功能；在處理噪聲和漂移方面比傳統(tǒng)的統(tǒng)計(jì)方法要好[3]。在控制優(yōu)化、信息處理、

本文引用：劉旺華，洪 凈，李 花，孫貴香，陳 燕.人工神經(jīng)網(wǎng)絡(luò)在中醫(yī)診斷信息化中的應(yīng)用[J].湖南中醫(yī)藥大學(xué)學(xué)報(bào)，2017，37（7）：809-812.模式識別、故障診斷與預(yù)測等方面得到廣泛應(yīng)用[4]。

近年來，在中醫(yī)學(xué)領(lǐng)域中，不少學(xué)者利用ANN技術(shù)，從理論和方法等方面作了許多有益的研究和探索。北京計(jì)算機(jī)技術(shù)應(yīng)用研究所運(yùn)用神經(jīng)網(wǎng)絡(luò)模型對臨床病例進(jìn)行診斷；中南大學(xué)采用基于自定義網(wǎng)絡(luò)結(jié)構(gòu)建立了多層前饋型人工神經(jīng)網(wǎng)絡(luò)(MLPANN)分類系統(tǒng)[5]；上海中醫(yī)藥大學(xué)設(shè)計(jì)了基于MFBP算法的中醫(yī)辨證神經(jīng)網(wǎng)絡(luò)模型[6]；湖南中醫(yī)藥大學(xué)運(yùn)用包括ANN在內(nèi)的多種運(yùn)算法，構(gòu)建了基于中醫(yī)證素理論的辨證軟件-WF文鋒Ⅲ中醫(yī)（輔助）診療軟件[7]，應(yīng)用于臨床、科研和教學(xué)。ANN已成功用于疾病預(yù)報(bào)、舌象圖像處理、脈象識別分析、醫(yī)學(xué)圖像處理、方劑配伍等方面。因此，應(yīng)用ANN研究中醫(yī)診斷信息化已是大勢所趨。

1 人工神經(jīng)網(wǎng)絡(luò)的特點(diǎn)

ANN的原理是通過模擬生物的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)、功能，實(shí)現(xiàn)對輸入信息的有效處理。通常包含輸入層、隱含層、輸出層，其基本組成單位為神經(jīng)元。見圖1。

圖1人工神經(jīng)網(wǎng)絡(luò)模型圖

輸入層接受外界信號，將其引入神經(jīng)網(wǎng)絡(luò)；隱含層位于輸入層和輸出層之間，分成一層或多層，對輸入的信息進(jìn)行處理并將處理后的信息傳遞給輸出層(或下一個(gè)隱含層)；而輸出層則輸出經(jīng)隱含層處理后的結(jié)果。輸入神經(jīng)元與隱含神經(jīng)元之間有權(quán)值連接。輸入層神經(jīng)元個(gè)數(shù)由病癥信息（病因、病史、癥狀、體征）數(shù)目確定；隱含神經(jīng)元的個(gè)數(shù)一般根據(jù)經(jīng)驗(yàn)確定，輸出層神經(jīng)元個(gè)數(shù)由診斷結(jié)論數(shù)目確定。ANN不需要精確的數(shù)學(xué)模型，它通過模擬人類的聯(lián)想推理和抽象思維能力，來解決傳統(tǒng)自動(dòng)化技術(shù)無法解決的諸多復(fù)雜的、非線性、不確定性的自動(dòng)化問題[8]。神經(jīng)網(wǎng)絡(luò)模擬人腦的功能，通過大量的神經(jīng)元相互聯(lián)系形成網(wǎng)絡(luò)，通過積累知識、經(jīng)驗(yàn)，不斷修正網(wǎng)絡(luò)結(jié)構(gòu)和隸屬權(quán)值[9]。神經(jīng)網(wǎng)絡(luò)有多種類型，如基于概率神經(jīng)網(wǎng)絡(luò)（probabilistic neural network，PNN）[10]、反向傳播神經(jīng)網(wǎng)絡(luò)（back propagation neural network，BP神經(jīng)網(wǎng)絡(luò)）、共軛梯度神經(jīng)網(wǎng)絡(luò)(conjugate gradient neural network，CGNN)等數(shù)十種。

2 人工神經(jīng)網(wǎng)絡(luò)在中醫(yī)診斷信息化的應(yīng)用

2.1 ANN促進(jìn)中醫(yī)脈象辨識信息化

隨著生物力學(xué)、信息工程學(xué)、數(shù)學(xué)等多學(xué)科在中醫(yī)學(xué)中的交叉滲透，中醫(yī)脈象信息在記錄、提取、辨識的理論與方法上有了長足的進(jìn)展。ANN已應(yīng)用于不同類別脈象的識別[11-12]，正常人與其他生理病理狀態(tài)者的脈象識別，包括正常人與吸毒人群脈象的識別[13-14]，正常人與孕婦脈象的識別[15]，正常人與心腦血管疾病患者脈象的識別[16]。這些研究構(gòu)建一個(gè)3～4層的神經(jīng)網(wǎng)絡(luò)，從脈搏波動(dòng)圖譜所獲得的特征參數(shù)中，選取一定數(shù)量的特征參數(shù)作為人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)的輸入值，對應(yīng)神經(jīng)網(wǎng)絡(luò)的輸入節(jié)點(diǎn)，以具體脈名為輸出節(jié)點(diǎn)，將樣本的一半作為訓(xùn)練樣本，另一半則作為檢驗(yàn)樣本，均取得了較滿意的效果，識別準(zhǔn)確率在70%以上。

ANN用于脈象特征和分類的研究表明，它可以對脈象信息進(jìn)行時(shí)域-頻域分析，并能考慮脈象的模糊性，具有一定智能處理能力；此外，因?yàn)锳NN的自組織、自學(xué)習(xí)和容錯(cuò)性等優(yōu)點(diǎn)，克服了傳統(tǒng)判別分類方法的一些不利因素，大大提高了中醫(yī)脈象的判別準(zhǔn)確率。但在實(shí)際的研究中仍有需改進(jìn)的地方，對非平穩(wěn)隨機(jī)信號分析、識別的理論和技術(shù)存在缺陷與不足；單一特征提取方法獲得的特征值很難完全代表所有脈象的特征，應(yīng)結(jié)合多種脈象特征提取方法獲得的特征值輸入ANN，提高脈象判別分類的準(zhǔn)確性；不同脈象要素所代表的是脈象在不同方面的特征，代表不同要素的特征值也不同。因此，在應(yīng)用ANN進(jìn)行脈象判別研究中，應(yīng)針對不同的脈象要素，提取有代表性的特征值[17]。

2.2 ANN促進(jìn)中醫(yī)舌象辨識信息化

謝錚桂等[18]建立了一個(gè)中醫(yī)舌診智能診斷神經(jīng)網(wǎng)絡(luò)模型，先對輸入樣本數(shù)據(jù)進(jìn)行歸一化處理，采用基于免疫聚類的RBF算法進(jìn)行學(xué)習(xí)、訓(xùn)練。以肝病病證診斷進(jìn)行仿真，研究結(jié)果顯示，該系統(tǒng)具有診斷能力強(qiáng)、收斂速度快、泛化能力強(qiáng)等特點(diǎn)。吳蕓等[19]構(gòu)造一個(gè)三層前饋式神經(jīng)網(wǎng)絡(luò)，利用MATLAB工具為算法，以舌象、主癥因子為輸入值的中醫(yī)舌診八綱辨證ANN，對樣本訓(xùn)練集判別的準(zhǔn)確率為100%，對有效集計(jì)算的準(zhǔn)確率也可達(dá)到80%。周金海等[20]將的舌象、八綱辨證的文字表述轉(zhuǎn)換為二進(jìn)制數(shù)，選擇Microsoft神經(jīng)網(wǎng)絡(luò)挖掘算法構(gòu)建了中醫(yī)舌診知識庫，對訓(xùn)練數(shù)據(jù)進(jìn)行了驗(yàn)證，其構(gòu)建的中醫(yī)舌診ANN能對非樣本測試值進(jìn)行滿意的預(yù)測。

2.3 ANN促進(jìn)中醫(yī)證候辨識信息化

中醫(yī)是一個(gè)復(fù)雜系統(tǒng)，臨床信息之間，臨床信息與證素之間，臨床信息與證之間，臨床信息與疾病之間往往具有非線性、復(fù)雜性、模糊性、非定量的特點(diǎn)。如何對海量的信息進(jìn)行分析、整合，并探索其內(nèi)在規(guī)律，是證候研究的難點(diǎn)。證候研究的主要目的就是通過對證候特征進(jìn)行分析，揭示證候判別和四診信息之間的對應(yīng)規(guī)律，從而找出辨證的規(guī)律。ANN具有強(qiáng)大的非線性映射功能[21]，具有獨(dú)特的信息存儲(chǔ)方式、大規(guī)模的并行處理方式、良好的容錯(cuò)性以及強(qiáng)大的自學(xué)習(xí)、自組織和自適應(yīng)能力。ANN在不打開黑箱、不必知道內(nèi)部結(jié)構(gòu)的情況下，能夠充分模擬"證"與“臨床信息”的非線性映射關(guān)系[22]，真實(shí)地反映證候的全貌，建立證候模型、反映證候的內(nèi)在規(guī)律和特征[23]。在這里，臨床信息為輸入層，證為最終的輸出層。每例樣本即為一對輸入與輸出的抽象的數(shù)學(xué)映射關(guān)系，診斷的過程就是一個(gè)映射問題，即找出臨床信息與證名之間的對應(yīng)關(guān)系。與中醫(yī)診斷司外揣內(nèi)思想不謀而合?；谏窠?jīng)網(wǎng)絡(luò)的中醫(yī)證候計(jì)量診斷模型，能從海量數(shù)據(jù)中尋找隱含的有意義的知識，做出前瞻性的判斷，這種優(yōu)勢使得ANN技術(shù)有可能為解決中醫(yī)證候診斷標(biāo)準(zhǔn)化研究中癥狀權(quán)值難以確定的問題提供更為科學(xué)的方法與途徑。

陸萍等[24]構(gòu)造了一個(gè)基于在MATLAB的三層前饋式神經(jīng)網(wǎng)絡(luò)，將19個(gè)典型病例作為面診-證素辨證的模范樣本，然后對64個(gè)病例進(jìn)行證型辨別，研究表明，面診-證素神經(jīng)網(wǎng)絡(luò)證型判別結(jié)果基本與臨床吻合。李建生等[25]采用RBF神經(jīng)網(wǎng)絡(luò)對263份2型糖尿病病例進(jìn)行證候判別。建立輸入層41個(gè)節(jié)點(diǎn)，隱含層6個(gè)節(jié)點(diǎn)，輸出層6個(gè)節(jié)點(diǎn)(對應(yīng)陰虛證、氣虛證、氣陰兩虛證、陰陽兩虛證、血瘀證、燥熱證)的RBF神經(jīng)網(wǎng)絡(luò)模型。200個(gè)樣本訓(xùn)練后，運(yùn)用RBF神經(jīng)網(wǎng)絡(luò)對63個(gè)測試病例進(jìn)行檢驗(yàn)，結(jié)果顯示該模型證候判別準(zhǔn)確率達(dá)到94.4%。同時(shí)建立BP神經(jīng)網(wǎng)絡(luò)，并用相同的樣本進(jìn)行訓(xùn)練與檢驗(yàn)，結(jié)果顯示RBF神經(jīng)網(wǎng)絡(luò)在逼近能力、分類能力和學(xué)習(xí)速度等方面優(yōu)于BP神經(jīng)網(wǎng)絡(luò)。孫貴香等[26]在冠心病臨床流行病學(xué)調(diào)查的基礎(chǔ)上，構(gòu)建了基于MATLAB神經(jīng)網(wǎng)絡(luò)冠心病中醫(yī)證候人工神經(jīng)網(wǎng)絡(luò)模型，輸入層109個(gè)節(jié)點(diǎn)，隱含層16個(gè)節(jié)點(diǎn)，輸出層7個(gè)節(jié)點(diǎn)（對應(yīng)心氣虧虛證、心陰虧虛證、心陽虧虛證、心血瘀阻證、痰阻心脈證、寒凝心脈證、氣滯心脈證），通過運(yùn)用回顧性檢驗(yàn)及前瞻性檢驗(yàn)證明該模型的性能良好。

3 前景與展望

中醫(yī)學(xué)四診和辨證體系是一個(gè)非線性的復(fù)雜巨系統(tǒng)，蘊(yùn)含著確定與模糊結(jié)合、定量與定性結(jié)合、主觀與客觀結(jié)合、線性與非線性結(jié)合的海量數(shù)據(jù)，其復(fù)雜性特征決定了證候研究必須從復(fù)雜科學(xué)視角出發(fā)，用不同的方法和工具進(jìn)行多學(xué)科交叉研究。ANN作為一種非線性智能信息處理系統(tǒng)，是目前復(fù)雜科學(xué)研究領(lǐng)域廣泛使用的一種方法，能夠充分逼近舌象、脈象識別，證候分類等復(fù)雜的非線性關(guān)系，避免主觀因素對數(shù)據(jù)處理的影響，客觀真實(shí)地反映研究對象，獲取臨床信息與診斷結(jié)論之間的的內(nèi)在規(guī)則，形成權(quán)值儲(chǔ)存于系統(tǒng)中，對臨床信息作出較準(zhǔn)確的判別、分類。以往的研究充分展示ANN方法在中醫(yī)舌象、脈象、證候判別、分類研究領(lǐng)域具有方法上的可行性，對于深入開展中醫(yī)四診、辨證規(guī)范化、信息化、數(shù)字化具有深遠(yuǎn)的意義。隨著健康管理產(chǎn)業(yè)在社會(huì)和互聯(lián)網(wǎng)的興起，人們對于網(wǎng)絡(luò)自助健康咨詢、健康辨識、健康評估的需求日益增長，各種相應(yīng)健康咨詢、診斷軟件如雨后春筍，層出不窮，也為應(yīng)用ANN開發(fā)中醫(yī)人工智能軟件，服務(wù)健康管理提供了契機(jī)。當(dāng)然，ANN的知識處理能力還需進(jìn)一步提高，還需圍繞如何提高ANN的學(xué)習(xí)能力、收斂速度、可塑性以及普化能力等方面展開深入研究。此外研究顯示，單一的ANN模型種類繁多，各有千秋，應(yīng)根據(jù)具體研究目標(biāo)，選擇合適的ANN模型，必要時(shí)還應(yīng)結(jié)合其他數(shù)據(jù)挖掘技術(shù)[27]，如采用關(guān)聯(lián)規(guī)則法、聚類分析法、粗糙集理論算法、貝葉斯網(wǎng)絡(luò)法、支持向量機(jī)法等，彌補(bǔ)單一方法的不足。

[1]李麗娟,劉鳳斌,侯政昆.基于數(shù)據(jù)挖掘的中醫(yī)五臟相關(guān)理論研究思路[J].廣州中醫(yī)藥大學(xué)學(xué)報(bào),2015,32(1):160-162.

[2]牟冬梅,馮 超,王 萍.數(shù)據(jù)挖掘方法在醫(yī)學(xué)領(lǐng)域的應(yīng)用SWOT分析[J].醫(yī)學(xué)信息學(xué)雜志,2015,36(1):53-57.

[3]鄒慧琴,李 碩,陶 歐,等.RBF神經(jīng)網(wǎng)絡(luò)在中醫(yī)藥領(lǐng)域中的應(yīng)用及其在SPSS 17.0軟件中的實(shí)現(xiàn)[J].中華中醫(yī)藥學(xué)刊,2015,33(2):336-338.

[4]施明輝,周昌樂.人工神經(jīng)網(wǎng)絡(luò)在中醫(yī)診斷中的應(yīng)用現(xiàn)狀與趨勢[J].中國中醫(yī)藥信息雜志,2007,14(1):2-5.

[5]樊曉平.基于多層前饋型人工智能神經(jīng)網(wǎng)絡(luò)的抑郁癥分類系統(tǒng)研究[J].計(jì)算機(jī)工程與應(yīng)用,2004,40(13):205-208.

[6]邊 沁.基于MFB-P算法的中醫(yī)證型的神經(jīng)網(wǎng)絡(luò)模型初探[J].中國中醫(yī)基礎(chǔ)醫(yī)學(xué)雜志,2001，7(5):66-69.

[7]黃碧群,曲 超,向 歲,等.中醫(yī)證素辨證研究概況[J].湖南中醫(yī)藥大學(xué)學(xué)報(bào).2013,33(1)：34-36.

[8]龔燕冰,倪 青,王永炎.中醫(yī)證候研究的現(xiàn)代方法學(xué)述評-中醫(yī)證候數(shù)據(jù)挖掘技術(shù)[J].北京中醫(yī)藥大學(xué)學(xué)報(bào),2006,29(12):797-801.

[9]王穎純,白麗娜.基于BP神經(jīng)網(wǎng)絡(luò)的中醫(yī)脈診體質(zhì)類型判定[J].中醫(yī)雜志,2014,55(15):1288-1291.

[10]郭紅霞,王炳和,鄭思儀,等.基于概率神經(jīng)網(wǎng)絡(luò)的中醫(yī)脈象識別方法研究.計(jì)算機(jī)工程與應(yīng)用,2007,43(20):194-197.

[11]岳沛平.BP神經(jīng)網(wǎng)絡(luò)識別在中醫(yī)脈象信號辨識系統(tǒng)中的運(yùn)用[J].江蘇中醫(yī)藥,2005,26(11)：4-6.

[12]陳 雷,楊麗娟.分形理論和小波在脈象識別中的應(yīng)用[J]．航空計(jì)算技術(shù),2008，38(4)：41-44.

[13]許繼勇,蔡坤宅.參數(shù)化雙譜估計(jì)在中醫(yī)脈象信號識別中的應(yīng)用[J].自動(dòng)化技術(shù)與應(yīng)用.2007,26(11):33-35.

[14]黃 鐳,劉宗行,蔡坤寶．倒雙譜估計(jì)在海洛因吸毒者脈象信號檢測中的應(yīng)用[J]．重慶工學(xué)院學(xué)報(bào)（自然科學(xué)版）,2007,21(7):98-102.

[15]王 璐,吳南健,溫殿忠.人工神經(jīng)網(wǎng)絡(luò)在孕婦脈象判別中的應(yīng)用[J].黑龍江大學(xué)自然科學(xué)學(xué)報(bào),2003,20(4):66-68,72.

[16]張維平,張 寅,張莎薩,等.小波分析與神經(jīng)網(wǎng)絡(luò)在心腦血管疾病脈象信號分析識別中的應(yīng)用[J].生物醫(yī)學(xué)工程進(jìn)展,2008,29(2):84-86.

[17]燕海霞,王憶勤,宮愛民,等.人工神經(jīng)網(wǎng)絡(luò)在中醫(yī)脈象識別分類研究中的應(yīng)用概況[J].世界科學(xué)技術(shù),2009,11(4):522-528.

[18]謝錚桂,韋玉科,鐘少丹.基于免疫聚類的RBF神經(jīng)網(wǎng)絡(luò)在中醫(yī)舌診診斷中的應(yīng)用[J].計(jì)算機(jī)應(yīng)用與軟件,2009,26(4):42-44.

[19]吳 蕓,周昌樂,張志楓.中醫(yī)舌診神經(jīng)網(wǎng)絡(luò)的優(yōu)化遺傳算法[J].計(jì)算機(jī)應(yīng)用研究,2007,24(9):50-52.

[20]周金海,楊 濤,沈大慶,等.基于ANN的中醫(yī)舌診八綱辨證知識庫構(gòu)建與應(yīng)用[J].計(jì)算機(jī)應(yīng)用研究,2010,27(5):1771-1773.

[21]趙鐵牛,于春泉,王惠君,等.人工神經(jīng)網(wǎng)絡(luò)在中醫(yī)證候?qū)W中的應(yīng)用初探[J].中華中醫(yī)藥雜志,2014,29(3):831-833.

[22]洪 芳,何建成,曹雪濱.人工神經(jīng)網(wǎng)絡(luò)在中醫(yī)證候研究中的應(yīng)用現(xiàn)狀與趨勢[J].遼寧中醫(yī)雜志,2013,40(1):13-15.

[23]孫貴香,袁肇凱.人工神經(jīng)網(wǎng)絡(luò)在中醫(yī)證候研究中的應(yīng)用[J].中華中醫(yī)藥學(xué)刊，2007,25(7):1450-1452.

[24]陸 萍,林坤輝,周昌樂.基于神經(jīng)網(wǎng)絡(luò)的中醫(yī)面診證素辨證的研究.計(jì)算機(jī)應(yīng)用研究,2008,25(9):2655-2657.

[25]李建生,胡金亮,余學(xué)慶,等．基于聚類分析的徑向基神經(jīng)網(wǎng)絡(luò)用于證候診斷的研究[J]．中國中醫(yī)基礎(chǔ)醫(yī)學(xué)雜志,2005,11(9):685-687．

[26]孫貴香,姚欣艷,袁肇凱,等.基于MATLAB的冠心病中醫(yī)證候BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)[J].中華中醫(yī)藥學(xué)刊，2011,29(8):1774-1776.

[27]李 琳,胡志希,凌 智.數(shù)據(jù)挖掘在冠心病中醫(yī)證治研究中的應(yīng)用[J].遼寧中醫(yī)雜志,2014,41(12):2727-2729.

（本文編輯 李 杰）

Summary on the Application of Artificial Neural Network in Informatization of Chinese Medicine Diagnosis

LIU Wanghua,HONG Jing*,LI Hua,SUN Guixiang,CHEN Yan
（Hunan University of Chinese Medicine,Changsha,Hunan 410208,China）

Traditional Chinese medicine is a complex system,the relationship between the information of the disease,between the information and the target of diagnosis,between the information of the disease and the recipe and medicine is often nonlinear,complex,fuzzy and non quantitative.Artificial neural network(ANN)is good at discovering implicit knowledge from the massive data,adequately simulating this non-linear mapping.It can build model of diagnosis and discrimination,establish forward-looking decisions.Due to the above advantages,ANN technology maybe provide more scientific methods and ways for calculating the difficult to calculate weight in informatization of pulse identification,informatization of tongue identification,informatization of identification of syndromes in TCM.

artificial neural network;diagnostics of traditional Chinese medicine;informatization;weight

R241

A

10.3969/j.issn.1674－070X.2017.07.030

2016-02-18

湖南中醫(yī)藥大學(xué)中醫(yī)診斷學(xué)國家重點(diǎn)學(xué)科開放基金項(xiàng)目(ZZKF201501)。

劉旺華，男，博士，研究方向:中醫(yī)診斷規(guī)范化研究。

*洪 凈，女，博士，博士研究生導(dǎo)師,E-mail:hj6048@126.com。