基于貝葉斯網(wǎng)絡的脈象診斷研究.pdf

1、中醫(yī)脈診是中國傳統(tǒng)醫(yī)學中一種重要的診斷方法, 歷史悠久，內(nèi)容豐富，積累了大量的理論和經(jīng)驗，時至今日仍具有重要的臨床價值。傳統(tǒng)脈診依靠醫(yī)生手指的感覺檢查和分析脈象的特點和變化，不僅缺乏統(tǒng)一的評價標準，而且容易受個人主觀臆斷因素影響，不利于脈象診斷的客觀化和規(guī)范化，從而限制了中醫(yī)脈診在世界范圍內(nèi)的傳播和發(fā)展。本文通過對不同類別脈象信號波形特征的研究，將貝葉斯網(wǎng)絡應用于脈象信號的分類識別，并在此基礎上對貝葉斯網(wǎng)絡的結(jié)構(gòu)學習算法進行研究和改進，

2、提出了基于模糊劃分的樹擴展樸素貝葉斯網(wǎng)絡模型（Fuzzy TAN）,實驗證明該算法對同時包含離散屬性和連續(xù)屬性的數(shù)據(jù)集具有理想的分類效果。 本文的主要工作包括： 1．脈象信號關鍵特征的提取。首先對原始脈象信號進行分割、平滑、矯正等一系列預處理，然后針對脈象的波形特點從單周期脈象信號中選擇并提取出七個對脈象分類具有關鍵意義的時域參數(shù)，并定義了一個peaks參數(shù)描述脈象波形的整體形態(tài)。 2．對所提取脈象特征進行離散化

3、處理，構(gòu)造離散貝葉斯網(wǎng)絡對六種不同的脈象（既包含單一脈也包含復合脈）進行分類識別，分析比較六種貝葉斯網(wǎng)絡結(jié)構(gòu)學習算法的分類效果。 3．針對脈象信號波形的復雜性和多樣性，提出區(qū)分不同波峰參數(shù)并單獨構(gòu)造子網(wǎng)進行輔助識別的方法。該方法能從更細微和靈活的角度分析脈象信號，某種程度上彌補了離散貝葉斯網(wǎng)絡在對過渡脈象和復合脈分類時效果欠佳的缺陷。 4．構(gòu)造混合高斯貝葉斯網(wǎng)絡直接對連續(xù)的脈象特征進行分類，無需進行特征離散化，可以消除離

4、散化所帶來的信息缺失對分類效果造成的影響。該網(wǎng)絡結(jié)構(gòu)采用高斯參數(shù)模型模擬連續(xù)脈象特征的分布，能夠有效地減少參數(shù)空間維數(shù)，而且不會消除脈象特征屬性之間原有的相關性。 5．基于微分的思想和中值定理，提出了一種非參數(shù)模型的混合貝葉斯網(wǎng)絡學習方法。該方法是對混合高斯貝葉斯網(wǎng)絡的擴展，適用于所有形式的連續(xù)分布，可以處理不滿足高斯分布的連續(xù)變量。 6．為克服離散貝葉斯網(wǎng)絡和混合高斯貝葉斯網(wǎng)絡各自的局限性，本文提出了一種基于模糊劃分的

5、TAN改進算法。該算法用模糊劃分取代普通的離散化方法，并定義了連續(xù)變量的雙重表達形式。在此基礎上，對傳統(tǒng)TAN學習算法進行擴展和改進：用最大似然概率取代條件互信息作為結(jié)構(gòu)學習的測度；在學習過程中對網(wǎng)絡結(jié)構(gòu)加入一定的限制，規(guī)定同一變量的兩種表達形式在網(wǎng)絡中必須彼此相鄰；網(wǎng)絡結(jié)構(gòu)的搜索過程中規(guī)定弧的方向，因此得出的是有向圖而非傳統(tǒng)TAN算法中所得到的無向圖。對脈象數(shù)據(jù)的實驗結(jié)果證明，該算法對單一脈和復合脈均能獲得比較理想的效果，具有較強的魯