[发明专利]中医四诊合参智能辨证方法

摘要

本发明提供一种中医四诊合参智能辨证方法，是基于贝叶斯网络的概率推理模型为基础，运用现代信号处理技术、图像识别技术提取舌象和脉象特征，进行舌象和脉象的自动分析判别，并与闻诊、问诊信息相融合，实现中医证候的计算机智能鉴别。本发明方法能进行脉象识别，给出辨脉结果，即脉象名称；能进行舌象识别，给出辨舌结果，包括舌色、苔色、舌质和苔质；在问诊界面中，用户输入病人症状，系统给出辨证结果；可对典型病例进行存储；具有自学习功能，若收集大量、可靠病例，可对系统进行更新及报表打印；是现代科学手段在发展中医诊断鉴别方面的现实应用。

主权项

1.一种中医四诊合参智能辨证方法，其特征是：通过提取舌象和脉象特征，进行舌象和脉象的自动分析判别，并与闻诊、问诊信息相融合，通过以下技术方案实现：(1)数据获取1)由压力可调的脉诊传感器置于病人腕部挠动脉处获得脉搏电压信号，经由脉象采集电路，转换为数字信号，输入计算机获得脉象图，2)病人通过一个人脸模具将舌头伸入采集盒中，由程序控制相机拍摄得到舌象图，舌象采集盒内置标准光源和数码摄像机，3)闻诊信息和问诊信息由问诊获得，根据病人主诉，以人机交互的模式输入系统，通常是文字信息或者数字；(2)数据处理1)脉诊处理通过基于贝叶斯网络的概率推理模型，建立脉图参数与脉象类别之间的非线性映射关系，从而实现脉象的自动分类，根据脉象的脉位、脉宽、脉率、脉律、脉力和脉形六种构成因素进行分类，其中，脉位包括浮脉和沉脉，脉宽包括细脉和洪脉，脉率包括迟脉、数脉和缓脉，脉律包括结脉和代脉，脉力包括虚脉和实脉，脉形包括滑脉、涩脉和弦脉，对每种构成因素分别计算相应的参数，并且建立参数与类别之间的因果关系模型，具体步骤为：①调节脉诊传感器压力，记录在不同压力下幅值最大的脉图及对应的压力P₁，脉位只跟参数P₁有关，②计算脉图周期C₁，脉率只跟参数C₁有关，③对于脉力和脉形，认为常见的脉图参数均可能与之相关，分别计算如下参数(a)h_sp，即PP′的长度；(b)h_ef，即KK′的长度；(c)h_fg，即LL′的长度；(d)h_ff，即FF′的长度；(e)h_ee，即EE′的长度；(f)r_ep＝h_ee/h_sp；(g)r_fp＝h_ff/h_sp；(h)r_es＝h_ef/h_sp；(i)r_fs＝h_fg/h_sp；(j)脉图的上升时间t₁；(k)脉图的面积A；(1)P₁；(m)C₁，④设计了新的参数进行脉律的识别，(a)r_ma＝N_m1/N_m2，N_m1和N_m2分别表示在相邻的两分钟内脉图周期的个数；(b)r_mb＝N_c/N_m1，其中N_c＝60/C₁，认为脉律只跟参数r_ma与r_mb有关，⑤使用等间距离散化方法，取间距为5，对脉图参数进行离散化处理，⑥对于六种脉象类别，将对应的脉图参数作为输入变量，脉象类别作为目标变量，采用贝叶斯网络结构学习算法学习变量间的因果关系，对于得到的参数模型，采用Clique Tree Propagation(CTP)算法来进行概率推理；2)舌诊处理基于贝叶斯网络根据舌象图识别舌体的颜色、舌苔的颜色、舌质的胖瘦、斑点、裂纹等、苔质厚薄、润燥、腐腻和是否存在剥苔等，进行舌的神、色、形、态合参，建立舌象的辨别方法，能够同时识别舌色、苔色、舌质和苔质，具体步骤为：①由自拍程序控制数码相机拍摄病人舌象图，并存储在指定位置，②采用程序自动分割和手工分割相结合的方法，从舌象图中分割出病人的舌体部分，③选用HSL模型表示舌体颜色，分别计算舌质象素集合和苔质象素集合的HSL均值作为颜色特征，④计算舌体外接矩形的面积A_t和舌体区域的象素总数，设计舌体的形状指S_t/A_t作为特征，表征舌体的胖瘦程度，⑤采用一种新的基于小波变换的裂纹检测算法提取舌体的边缘特征，表征舌体存在斑点和裂纹情况，具体过程为：步骤1：基于小波变换的舌象边缘提取，取小波函数为平滑函数θ(x)的一阶导数，则f(x)在尺度2j的小波变换为W2jf(x)=2jddx(f*θ2j)(x),]]>推广到二维，则二维小波变换为W2j1f(x,y)W2j2f(x,y)=2j∂∂x(f*θ2j)(x,y)∂∂y(f*θ2j)(x,y)=2j▿(f*θ2j)(x,y),]]>(f*θ_2j)(x，y)为梯度矢量，定义其模和幅角分别为M2jf(x,y)=|W2j1f(x,y)|2+|W2j2f(x,y)|2,]]>A2jf(x,y)=argtan(W2j2f(x,y)W2j1f(x,y)),]]>则函数f(x，y)的小波变换的局部极大值点即为沿着梯度方向A_2jf(x，y)上模M_2jf(x，y)为局部极大值的点，这些极大值点的位置给出了图像的一个多尺度边缘，步骤2：采用7×7的方形结构对得到的舌象边缘图进行腐蚀运算，去掉小的“毛刺”与小的“伪裂纹”，设置阈值，保留边缘链长度大于阈值的边缘，步骤3：选择适当的宽度对舌象边缘图按行、按列和对角分别进行边缘扫描，若有孤立于舌象轮廓边缘的连续窄带，则标记为裂纹，步骤4：计算每条扫描到的裂纹的长度L和裂纹的纵横比R，步骤5：设置阈值L_t1、L_t2、R_t，若L＞L_t1并且R＞R_t，则认为存在裂纹；若L＞L_t2并且R＜R_t，则认为存在斑点，⑥基于二分光反射模型提取舌象的亮度特征，表征苔质的润燥程度，具体过程参见发明专利CN 1367387A，⑦根据腐腻苔结构的的疏密不同、颗粒的粗细不同以及低频成份的含量不同的特点，提取舌象的结构特征来表征苔质的腐腻，具体过程参见《电子学报》2004，31(B12)⑧设计舌苔厚度指数来表征苔质的厚薄，舌苔厚度指数定义为：TI=(wl*(Hs-Hc))2+(w2*(Ss-Sc))2+(w3*(Ls-Lc))2,]]>其中H_c，S_c，L_c与H_s，S_s，L_s分别为舌苔部分和舌质部分在HSL模型中三个分量的平均值，⑨设计舌苔覆盖指数来表征苔质是否存在剥苔，舌苔覆盖指数定义为：layindex＝Area_c/Area_c+Area_s，其中Area_c和Area_s分别为舌苔部分和舌质的面积，⑩使用等间距离散化方法，取间距为5，对3)～9)提取得到的舌象特征进行离散化处理，离散化后的区间数目为N_f，采用贝叶斯网络进行阈值选取，具体步骤为：步骤1：将N_f个区间分别用一个新的变量来表示，若共有N个特征变量，则得到N·N_f个输入变量，步骤2：学习贝叶斯网络的网络结构和参数，并运用CTP算法进行推理，得到舌象类别预测结果，合并得到相同预测结果的区间，步骤3：最后合并得到的区间上限所对应的变量特征值即为所求阈值；3)症状变量选择经脉诊处理得到的脉诊结果和舌诊处理得到的舌诊结果与由病人主诉得到的闻诊、问诊信息组合起来，作为症状变量输入到症状变量选择模块中，得到的症状变量是高维变量，将所研究的病种或证候类型所对应的典型症状集合作为匹配模板M_T，而将临床病例中出现的症状集合作为待匹配序列S_β，步骤为：①设F表示初始变量集，F₀表示输入变量集，S＝{φ}，V_a表示变量的个数。对每一个f_i∈F，计算互信息I(C；f_i)，找出对应的f_i，S＝{f_i}，F＝F₀\{f_i}②对于β＝0～1，step＝0.2，计算I(f_j；f_i)，其中f_j∈F，f_i∈S，j＝1，2，...，D_F，i＝1，2，...，D_S，F和S的维数分别表示为D_F和D_S，找出对应maxj(I(C,fj)-β/DSΣi=1DSI(fj,fi))]]>的f_i；令S_β＝S_β∪{f_j}，F＝F\{f_j}，直至D_S＜V_a为止，③对S_β和M_T中的症状变量进行编号，用编号替代对应的症状变量，存储为特征灰度值，则产生新的模板特征序列和待匹配序列，分别标记为M₀和I_i，i＝1，2，...，6，④计算M₀和I_i的相似度h(Ii.M0)=Σa∈Mominb∈Ii||a-b||,]]>⑤对应的I_i作为选择得到的症状变量集；4)证候辨识方法采用“辨证统一体系”提出的辨证方法，根据病人的症状，划分病人出现的病位、病性辨证要素，首先检测出辨证要素，然后由辨证要素组合成证候。采用与脉诊模块和舌诊模块相同的方法一基于贝叶斯网络的概率推理模型来建立症状变量集与辨证要素之间的映射关系，症状变量选择模块与证候辨识模块连接，选择得到的症状变量集作为证候辨识模块的输入；5)系统自学习系统由脉诊数据库、舌诊数据库、问诊数据库组成，通过收集到的样本对系统的脉象诊断模型、舌象诊断模型以及证候辨识模型进行训练，提高预测能力。