一种中医病名相似度的量化判定系统的制作方法

本发明涉及数据挖掘和计算机人工智能领域，具体地说，特别涉及到一种中医病名相似度的量化判定系统。

背景技术：

随着数据技术和人工智能的发展，原本海量存在的方剂信息得以数据化和标准化，为进一步智能化打下了坚实基础。由于中医学以方测证的思维方式是建立在对方剂数据信息理解和关联基础上的独特思维方式，因此采用数据挖掘和人工智能技术，尤其是最新的机器学习方法的运用，使得计算机模拟中医以方测证思维的过程得以实现。

数据挖掘一般是指从大量的数据中通过算法搜索隐藏于其中信息的过程，通常与计算机科学有关，并通过统计、在线分析处理、情报检索、机器学习、专家系统(依靠过去的经验法则)和模式识别等诸多方法来实现上述目标。人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，主要包括计算机实现智能的原理、制造类似于人脑智能的计算机，使计算机能实现更高层次的应用。以方测证主要指根据方剂药味组成及其效用来推测其所主治对象的病机或症状。

技术实现要素：

本发明的目的在于针对现有技术中的不足，提供一种中医病名相似度的量化判定系统，将数据挖掘、人工智能与海量中医方剂数据相结合，从而模拟中医以方测证思维过程，量化不同中医病名相似度。

本发明所解决的技术问题可以采用以下技术方案来实现：

一种中医病名相似度的量化判定系统，包括

病名输入模块a，其用于输入基础病名和对比病名；

方剂数据处理模块b，其用于对病名输入模块a输入的基础病名和对比病名进行方剂数据处理，获取高频药物组成数据和低频药物类别数据构成的应用集；

判别模型生成模块c，其用于对高频药物组成数据和低频药物类别数据进行处理，得到药物组成规则树和药物类别规则树，并以人工智能调节两者的比例，生成量化判定模型；

模型应用和结果输出模块d，其用于将方剂数据处理模块b获取的高频药物组成数据和低频药物类别数据应用至判别模型生成模块c生成的量化判定模型，获得对比病名与基础病名的相似度，并显示输出；

智能调控模块e，其用于根据药物组成规则树和药物类别规则树的熵值和规则集的袋外误差，调节高频药物和低频药物的分割比例。

进一步的，所述方剂数据处理模块b包括基础病名方剂数据集合模块b1、学习集分拆模块b2、高频药物学习模块b3、低频药物学习模块b4和对比病名应用集合b5。

进一步的，所述基础病名方剂数据集合模块b1，以基础数据总库为基础，智能筛选需要量化的基础病名和对比病名的对应学习组和对照组方剂数据集合，并通过人工智能技术进行标准化处理。

进一步的，所述学习集分拆模块b2基于基础病名方剂数据集合模块b1构建，学习集分拆模块b2通过人工智能选择合适的高低频区分标准，将标准化后的基础方剂数据集分割为高频和低频药物两个数据集。

进一步的，所述高频药物学习模块b3基于学习集分拆模块b2构建，高频药物学习模块b3基于高频药物数据集，剔除低频药物组成，构成高频药物的学习组和对照组；

所述低频药物学习模块b4基于学习集分拆模块b2构建，低频药物学习模块b4基于低频药物数据集，剔除高频药物组成，以方剂药物的类别聚类低频药物，构成低频药物的学习组和对照组。

进一步的，通过重复基础病名方剂数据集合模块b1、学习集分拆模块b2、高频药物学习模块b3和低频药物学习模块b4，构建对比病名应用集合b5，对比病名应用集合b5为由高频药物组成数据和低频药物类别数据构成的应用集。

进一步的，所述判别模型生成模块c包括药物组成规则生成模块c1、药物类别规则模块c2和按比例组合量化判定模型c3。

进一步的，所述药物组成规则生成模块c1基于高频药物学习模块b3构建，药物组成规则生成模块c1基于方剂的药物组成学习组合对照组，在随机森林算法的基础上，通过人工智能调控生成一定数量的规则树；

所述药物类别规则模块c2基于低频药物学习模块b4构建，药物类别规则模块c2基于方剂的类别学习组合对照组，在随机森林算法的基础上，通过人工智能调控生成一定数量的规则树。

进一步的，所述按比例组合量化判定模型c3基于药物组成规则生成模块c1和药物类别规则模块c2构建，按比例组合量化判定模型c3根据生成规则树的熵值和规则集的袋外误差，智能调节学习集分拆模块b2的分割比例。

进一步的，所述模型应用和结果输出模块d基于对比病名应用集合b5和按比例组合量化判定模型c3构建，其用于将对比病名应用集合b5中的高频药物组成数据和低频药物类别数据应用至按比例组合量化判定模型c3，获得对比病名与基础病名的相似度，并显示输出。

进一步的，所述智能调控模块e基于按比例组合量化判定模型c3构建，智能调控模块e用于根据药物组成规则树和药物类别规则树的熵值和规则集的袋外误差，调节学习集分拆模块b2的分割比例。

与现有技术相比，本发明的有益效果在于：

基于方剂组成与中医病名配对的数据源，构建各种判断规则树集合，进而组合构成中医病名判断模型，通过该模型量化不同病名相似度，基于该系统可以量化中医病名之间的相关度。

采用数据挖掘技术和计算机人工智能技术，运用vs.net和r语言工具包(随机森林)，模拟建立中医以方测证思维判别中医病名模型，及应用模型量化不同病名相似度的全过程。本发明为中医文献研究，特别是同病异名的问题，提供一种新的研究方法和量化工具。

附图说明

图1为本发明所述的中医病名相似度的量化判定系统的结构框图。

具体实施方式

为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。

参见图1本发明所述的一种中医病名相似度的量化判定系统，包括

病名输入模块a，其用于输入基础病名和对比病名；

方剂数据处理模块b，所述方剂数据处理模块b包括基础病名方剂数据集合模块b1、学习集分拆模块b2、高频药物学习模块b3、低频药物学习模块b4和对比病名应用集合b5，其用于对病名输入模块a输入的基础病名和对比病名进行方剂数据处理，获取高频药物组成数据和低频药物类别数据构成的应用集；

判别模型生成模块c，所述判别模型生成模块c包括药物组成规则生成模块c1、药物类别规则模块c2和按比例组合量化判定模型c3。其用于对高频药物组成数据和低频药物类别数据进行处理，得到药物组成规则树和药物类别规则树，并以人工智能调节两者的比例，生成量化判定模型；

模型应用和结果输出模块d，其用于将方剂数据处理模块b获取的高频药物组成数据和低频药物类别数据应用至判别模型生成模块c生成的量化判定模型，获得对比病名与基础病名的相似度，并显示输出；

智能调控模块e，其用于根据药物组成规则树和药物类别规则树的熵值和规则集的袋外误差，调节高频药物和低频药物的分割比例。

实施例

以“消渴”为基础病名，“上消”为对比病名，量化“上消”与“消渴”的相似性为例，应用中医以方测证量化中医病名相似性模型。

病名输入模块a，输入基础病名“消渴”，对比病名“上消”。

基础病名方剂数据集合模块b1，在基础数据总库中检索“消渴”和“上消”，排除消渴和可能消渴异名后方剂随机抽出对照组。数据导入基础数据库，经标准化形成如下格式。

在基础病名方剂数据集合模块b1的基础上，建立学习集分拆模块b2，学习集分拆模块b2通过人工智能，选择合适的高低频区分标准，对已标准化后的基础方剂数据集进行分割，分割为高频和低频药物两个数据集，数据以如下格式保存：

在学习集分拆模块b2的基础上，建立高频药物学习模块b3，高频药物学习模块b3基于高频药物数据集，剔除低频药物组成，构成新的学习组和对照组，数据以如下格式保存：

在学习集分拆模块b2的基础上，建立低频药物学习模块b4，低频药物学习模块b4基于低频药物数据集，剔除高频药物组成，以方剂药物的类别(四气五味、归经、功效类别)聚类低频药物，构成新的学习组和对照组，数据以如下格式保存：

通过重复学习集分拆模块b2、高频药物学习模块b3和低频药物学习模块b4，建立对比病名应用集合b5，对比病名应用集合b5由高频药物组成数据和低频药物类别数据构成的应用集，数据以如下格式保存：

在高频药物学习模块b3的基础上，建立药物组成规则生成模块c1，药物组成规则生成模块c1基于方剂的药物组成学习组合对照组，在随机森林算法的基础上，通过人工智能调控生成一定数量的规则树，数据以如下格式保存：

在低频药物学习模块b4的基础上，建立药物类别规则模块c2，药物类别规则模块c2基于方剂的类别学习组合对照组，在随机森林算法的基础上，通过人工智能调控生成一定数量的规则树，数据以如下格式保存：

在药物组成规则生成模块c1和药物类别规则模块c2的基础上，建立按比例组合量化判定模型c3，按比例组合量化判定模型c3以人工智能调节搭配药物组成规则树和药物类别规则树的比例，构成量化判定模型，总袋外误差格式如下

在对比病名应用集合b5和按比例组合量化判定模型c3的基础上，建立模型应用和结果输出模块d，将对对比病名应用集合b5的数据应用至按比例组合量化判定模型c3生成的量化判定模型，获得对比病名与基础病名的相似度88％，并输出显示。

在按比例组合量化判定模型c3基础上，建立智能调控模块e，智能调控模块e根据生成规则树的熵值和规则集的袋外误差，智能调节模块b2的分割比例等相关基础设置。

以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。