中医状态辨识算法研究

《中医状态学》是中医治未病理论的奠基之作,为治未病、健康管理提供了理论指导和顶层设计。状态与健康状态辨识是中医状态学的重要组成内容,算法模型的科学性、准确性直接影响着健康状态辨识的发展。建立智能、准确的辨识算法模型是健康状态辨识的关键问题,本研究从理论、临床数据集及人工智能方法来研究中医健康状态辨识算法模型。目的构建中医状态辨识模型算法,为中医健康状态评估提供技术支持。一方面可以提高中医健康状态辨识算法的成熟度,以便应用于临床;另一方面,在大数据背景下探索基于机器学习的模型算法,有助于算法模型本身的快速优化,以便适应复杂多变的应用场景。方法1.系统梳理相关文献,围绕着状态与健康状态辨识的概念与内涵、健康状态辨识模式研究、健康状态辨识算法研究以及存在的问题和解决方案开展研究。2.利用临床收集的1146例数据构建中医健康状态数据集,进行中医健康状态辨识模型算法研究,采用经典的人工智能算法K最近邻(kNN)、支持向量机(SVM)、决策树(DT),以及人工神经网络(BP-MLL)进行算法模型的构建,并对其性能进行比较。3.采用新的多标记分类算法ML-kNN、RankSVM、LIFT对中医健康状态辨识模型进行优化,并分析多标记与单标记分类算法在中医健康状态辨识中的性能特点。结果1.结合中医原创思维,系统梳理了状态与健康状态的概念内涵,从“人工辨识模式”与“智能辨识模式”论述了健康状态辨识模式;从“表征参数-状态要素-状态名称”的状态辨识过程论述了算法模型与健康状态辨识的匹配性问题,认为健康状态辨识实质上是一个分类问题,可以运用分类算法构建健康状态辨识算法模型。2.在单标记分类算法与神经网络BP-MLL算法对比实验中:平均精度:BP-MLL82.31%,SVM 67.24%,DT 45.64%,kNN 30.94%。实验结果表明,BP-MLL算法在平均精度上比单标记分类算法kNN、SVM、DT更高;同时,在单标记分类算法比较实验中,SVM的分类性能显著比kNN和DT性能更优。3.多标记分类算法优化研究中:平均精度:RankSVM 86.98%,LIFT 85.38%,ML-kNN68.63%,BP-MLL 64.69%,SVM 64.53%,DT 47.02%,kNN 33.41%。在多标记分类算法和单标记分类算法的对比中:ML-kNN比kNN分类效果更优,RankSVM、LIFT算法比SVM分类效果更优。多标记分类中RankSVM和LIFT算法的分类效果高于BP-MLL和ML-kNN,RankSVM的分类效果最优。结论1.运用人工智能技术机器学习方法(包括单标记分类、多标记分类)能够构建中医健康状态辨识的算法模型;2.多标记分类方法对中医健康状态辨识算法模型的构建与优化具有一定意义,在解决状态相兼错杂的问题上发挥一定的作用;3.多标记分类算法在中医健康状态辨识算法模型构建与优化中,RankSVM算法的性能最优。