一种基于神经网络的中医处方疗效推演方法与流程

本发明属于中医配药领域，尤其涉及到一种基于神经网络的中医处方疗效推演方法。

背景技术：

中医学有着数千年的发展历史，是广大劳动人民在治疗疾病中的经验总结，中医学的诊断治疗过程，实质上是一个辨证施治过程，也是个对一大堆数据信息作出处理，提取规律的过程。辨证论治是中医学的精华，是中医对于疾病诊断和治疗的理论和手段。辨证论治的过程是对信息的收集、转换、加工、处理以及运用信息的反馈，调整治疗措施，达到治愈疾病的目的。中医学中的辨证有模糊性、不确定性的特点，主观性较强，因此中医的诊断和治疗与医师的经验、水平有着较大关系。中医辨证的研究思路和方法主要集中在实验研究、临床观察、文献整理、经验总结上。当今时代的发展显示，这些方法是不够的。神经网络有较好获得数据规律的能力，应用于中医学具有可行性。

解决上述问题的关键就是应用神经网络，进行中医处方疗效推演。

技术实现要素：

本发明克服了现有技术的不足之处，提出了一种基于神经网络的中医处方疗效推演方法，意在指导中医用药。

本发明为达上述发明目的，采用如下技术方案：

一种基于神经网络的中医处方疗效推演方法，按照如下步骤进行：

步骤(1)：准备中医处方疗效推演的数据；

步骤(2)：将准备好的数据输入到中医处方疗效推演的模型中，经过神经网络，输出患者服药n天(第一周期)后的化验指标；将n天后的化验指标以及中药处方、患者的检查指标作为第二周期的数据，并把上一周期网络中的输出一起输入到下一周期的网络中，经过神经网络，输出患者服药2n天(第二周期)后的化验指标；将2n天后的化验指标以及中药处方、患者的检查指标作为第三周期的数据，并把上一周期网络的输出一起输入到下一周期的网络中，经过神经网络，输出患者服药3n天(第三周期)后的化验指标，中医看病一般经历三个周期；

步骤(3)：训练：对网络参数赋初始化数值，设置网络的最大迭代次数q，学习率λ，将准备好的数据集输入网络，进行训练，如果loss值一直下降，则继续训练，直到迭代q次后，得到最终的模型，如果loss值在中途趋于稳定，则停止迭代，得到最终的模型；

步骤(4)：推演：输入患者的各项数据j表示第j种病，i表示第i周期(i＝1，2，3)，输入到中医处方疗效推演的模型中，得出各个周期的化验指标。

进一步的，步骤(1)中的数据准备如下：

收集a种病的中药处方、患者的检查与化验数据，其中，中药处方包括n种药物的重量(以克为单位)以及服药次数(m次/天)，检查数据包括患者的身高、体重、体温、血压、舌苔、脉象，其中，舌苔分为薄白苔、白滑苔、白腻苔、积粉苔、白燥苔、薄黄苔、黄腻苔、黄糙苔、黄滑苔、焦黄苔、深黄苔、灰黑苔、灰苔、黑苔共14种基本苔象，脉象分为浮脉、洪脉、濡脉、散脉、芤脉、革脉、沉脉、伏脉、牢脉、弱脉、迟脉、缓脉、涩脉、结脉、数脉、促脉、疾脉、动脉、虚脉、微脉、细脉、代脉、短脉、实脉、滑脉、紧脉、长脉、弦脉共28种基本脉象，将舌苔情况和脉象分别用one-hot编码作为输入数据；化验数据包括血液指标、尿液指标、肝功能指标、肾功能指标、血脂、电解质、淀粉酶，化验数据是当前周期的输出也是下一周期的输入。

步骤(2)中神经网络的构成如下：

神经网络由多个卷积层构成，将数据输入到卷积神经网络中，经过n个卷积层和一个全连接层得到输出o⁽¹⁾；将第一周期输出的指标、全连接层的输出以及其他数据作为第二周期的输入数据经过n个卷积层和一个全连接层得到输出o⁽²⁾；将第二周期输出的指标、全连接层的输出以及其他数据作为第三周期的输入数据经过n个卷积层和一个全连接层得到输出o⁽³⁾，其中j表示疾病的种类。

步骤(3)中训练的损失函数如下：

其中y^(t)是每一周期实际测量得到的化验指标(t＝1，2，3)，o^(t)是每一周期网络训练得到的化验指标(t＝1，2，3)。

附图说明

图1是基于神经网络的中医处方疗效推演方法的流程图。

图2是基于神经网络的中医处方疗效推演方法的网络模型。

具体实施方式

下面结合附图对本发明作进一步说明。

本实施例中，如图1所示，本发明的基于神经网络的中医处方疗效推演方法，具体实现主要包括如下步骤：

步骤(1)：准备中医处方疗效推演的数据；

步骤(2)：将准备好的数据输入到中医处方疗效推演的模型中，经过神经网络，输出患者服药10天(第一周期)后的化验指标；将n天后的化验指标以及中药处方、患者的检查指标作为第二周期的数据，并把上一周期网络中的输出一起输入到下一周期的网络中，经过神经网络，输出患者服药20天(第二周期)后的化验指标；将20天后的化验指标以及中药处方、患者的检查指标作为第三周期的数据，并把上一周期网络的输出一起输入到下一周期的网络中，经过神经网络，输出患者服药30天(第三周期)后的化验指标，中医看病一般经历三个周期；

步骤(3)：训练：对网络参数赋初始化数值，设置网络的最大迭代次数q＝50000，学习率λ＝0.01，将准备好的数据集输入网络，进行训练，如果loss值一直下降，则继续训练，直到迭代50000次后，得到最终的模型，如果loss值在中途趋于稳定，则停止迭代，得到最终的模型；

步骤(4)：推演：输入患者的各项数据j表示第j种病，i表示第i周期(i＝1，2，3)，输入到中医处方疗效推演的模型中，得出各个周期的化验指标。

进一步的，步骤(1)中的数据准备如下：

收集a种病的中药处方、患者的检查与化验数据，其中，中药处方包括n种药物的重量(以克为单位)以及服药次数(m次/天)，检查数据包括患者的身高、体重、体温、血压、舌苔、脉象，其中，舌苔分为薄白苔、白滑苔、白腻苔、积粉苔、白燥苔、薄黄苔、黄腻苔、黄糙苔、黄滑苔、焦黄苔、深黄苔、灰黑苔、灰苔、黑苔共14种基本苔象，脉象分为浮脉、洪脉、濡脉、散脉、芤脉、革脉、沉脉、伏脉、牢脉、弱脉、迟脉、缓脉、涩脉、结脉、数脉、促脉、疾脉、动脉、虚脉、微脉、细脉、代脉、短脉、实脉、滑脉、紧脉、长脉、弦脉共28种基本脉象，将舌苔情况和脉象分别用one-hot编码作为输入数据；化验数据包括血液指标、尿液指标、肝功能指标、肾功能指标、血脂、电解质、淀粉酶，化验数据是当前周期的输出也是下一周期的输入。

步骤(2)中神经网络的构成如下：

神经网络由多个卷积层构成，将数据输入到卷积神经网络中，经过10个卷积层和一个全连接层得到输出o⁽¹⁾；将第一周期输出的指标、全连接层的输出以及其他数据作为第二周期的输入数据经过10个卷积层和一个全连接层得到输出o⁽²⁾；将第二周期输出的指标、全连接层的输出以及其他数据作为第三周期的输入数据经过10个卷积层和一个全连接层得到输出o⁽³⁾，其中j表示疾病的种类。

步骤(3)中训练的损失函数如下：

其中y^(t)是每一周期实际测量得到的化验指标(t＝1，2，3)，o^(t)是每一周期网络训练得到的化验指标(t＝1，2，3)。