基于BP神經(jīng)網(wǎng)絡(luò)的中藥性味歸經(jīng)與補(bǔ)虛藥藥效研究

劉莉萍 章新友 郭永坤

摘 要：基于BP神經(jīng)網(wǎng)絡(luò)構(gòu)建76味補(bǔ)虛藥分類(lèi)模型。采用數(shù)據(jù)挖掘方法挖掘補(bǔ)虛藥藥效，利用Python語(yǔ)言實(shí)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)，并構(gòu)建藥效分類(lèi)模型及其應(yīng)用。對(duì)12味補(bǔ)虛藥進(jìn)行測(cè)試，其中有10味預(yù)測(cè)結(jié)果正確，正確率為83.33%。通過(guò)藥性分布可知，補(bǔ)虛藥的主要特征為溫、甘，歸經(jīng)為脾、腎、心經(jīng)。采用中藥性味歸經(jīng)為特征對(duì)中藥分類(lèi)進(jìn)行預(yù)測(cè)，實(shí)驗(yàn)結(jié)果表明，基于BP神經(jīng)網(wǎng)絡(luò)的藥效分類(lèi)模型具有一定的可靠性和準(zhǔn)確性，亦為中藥分類(lèi)方法研究提供了借鑒。

關(guān)鍵詞：中藥藥性;功效分類(lèi);BP神經(jīng)網(wǎng)絡(luò)

DOI：10. 11907/rjdk. 182484

中圖分類(lèi)號(hào)：TP301

文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1672-7800（2019）006-0006-04

Abstract： Based on the BP neural network， a classification model of 76 flavored drugs was established. Data mining method was used to mine the efficacy of tonic drugs， and BP neural network was used to construct the pharmacodynamic classification model and its application. 10 of the 12 flavours were tested correctly with a correct rate of 83.33%. Through the distribution of drug， we can see that the main characteristics of reinforcing deficiency medicine are warm and sweet， and the meridian is the spleen， kidney and heart meridian. In this study， the characteristics of flavor meridian of traditional Chinese medicine were used to predict the classification of traditional Chinese medicine. The experimental results show that ?the classification model based on BP neural network has certain reliability and accuracy， and provides a reference for the study of traditional Chinese medicine classification methods.

Key Words： properties of traditional Chinese medicine; efficacy classification; BP neural network

0 引言

中藥藥性理論是先輩們?cè)陂L(zhǎng)期行醫(yī)實(shí)踐中總結(jié)提煉出來(lái)的中藥學(xué)理論，藥效是根據(jù)中醫(yī)藥理論對(duì)藥物治療作用的高度概括，兩者都是中藥理論的重要組成部分[1]。歷代醫(yī)家均強(qiáng)調(diào)“藥性互參”、“性效結(jié)合”的中醫(yī)學(xué)整體觀[2]，“中藥藥性—功效”共同構(gòu)成一個(gè)有機(jī)整體。隨著計(jì)算機(jī)技術(shù)的發(fā)展，利用數(shù)據(jù)挖掘方法研究中藥性效規(guī)律，闡述中醫(yī)藥疾病治療機(jī)理，有助于揭示現(xiàn)代中醫(yī)藥的科學(xué)本質(zhì)內(nèi)涵，為中醫(yī)藥國(guó)際化提供有效的理論支持。

人工神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)、自適應(yīng)功能特征，能夠很好地處理非線性數(shù)據(jù)，恰好對(duì)應(yīng)于中藥數(shù)據(jù)的非線性、高維度等特征，近年來(lái)被廣泛應(yīng)用于中藥領(lǐng)域[3]。相翠玉等[4]將近紅外漫反射光譜分析技術(shù)與人工神經(jīng)網(wǎng)絡(luò)方法相結(jié)合，對(duì)不同產(chǎn)地的大黃進(jìn)行識(shí)別，識(shí)別正確率可達(dá)95%;劉星等[5]以不同產(chǎn)地和品種的薏仁近紅外光譜數(shù)據(jù)作為研究對(duì)象，采用學(xué)習(xí)向量化神經(jīng)網(wǎng)絡(luò)建立薏仁分類(lèi)識(shí)別模型，預(yù)測(cè)準(zhǔn)確率可達(dá)90%以上;王麗瓊等[6]利用麻黃藥材HPLC指紋圖譜信息建立BP-ANN模型，對(duì)不同產(chǎn)地的麻黃進(jìn)行分類(lèi)，該模型對(duì)不同種類(lèi)及產(chǎn)地麻黃藥材的預(yù)測(cè)準(zhǔn)確率達(dá)到94.4%;湯彥豐等[7]采用傅里葉紅外光譜掃描 42種紫花地丁樣品，利用徑向基神經(jīng)網(wǎng)絡(luò)建立分類(lèi)模型對(duì)野生紫花地丁與栽培紫花地丁進(jìn)行鑒別，識(shí)別正確率達(dá)到95.24%。由此可見(jiàn)，人工神經(jīng)網(wǎng)絡(luò)在中藥領(lǐng)域的研究已取得較好效果。因此，本文采用BP神經(jīng)網(wǎng)絡(luò)構(gòu)建補(bǔ)虛藥藥效分類(lèi)預(yù)測(cè)模型，以常用76味補(bǔ)虛藥的性味歸經(jīng)為研究對(duì)象，并利用Python語(yǔ)言實(shí)現(xiàn)對(duì)中藥藥效的智能預(yù)測(cè)。

1 中藥四氣五味與歸經(jīng)

《神農(nóng)本草經(jīng)》序例云“藥有酸咸甘苦辛五味，又有寒熱溫涼四氣[8]?！泵课吨兴幎加兴臍?、五味的不同，因而可發(fā)揮不同治療作用。歷代本草在討論藥物功用時(shí)，首先標(biāo)明其“氣”和“味”，可見(jiàn)氣與味是識(shí)別各種藥物性能的重要標(biāo)志之一。

四氣，又稱(chēng)為四性，指寒熱溫涼4種不同藥性，它反映藥物對(duì)人體陰陽(yáng)盛衰和寒熱變化的作用傾向，是藥性理論的重要組成部分[9]。四氣之中寒涼與溫?zé)崾窍鄬?duì)立的兩種藥性，其中寒與涼、溫與熱之間僅有程度上的不同，即“涼次于寒”、“溫次于熱”。有些書(shū)籍甚至進(jìn)一步用“大寒”、“大熱”、“微酸”、“微苦”對(duì)中藥四氣進(jìn)行描述，然而其從本質(zhì)而言，只有寒熱兩性的區(qū)分[4]。四性之外還有一類(lèi)平性藥，如甘草、山藥、黨參等，這類(lèi)藥物藥性寒熱界限不太明顯，且藥性平和、作用緩和，因此對(duì)于平性是否入性，醫(yī)家對(duì)此也有不同看法[10]。

五味，即酸、苦、甘、辛、咸5種不同藥味，有些還具有淡味或澀味，所以實(shí)際上不止5種藥味，但此5種是最基本的藥味。五味最初是通過(guò)人品嘗得到的，但在長(zhǎng)期實(shí)踐過(guò)程中發(fā)現(xiàn)，五味不僅是藥物味道的反映，更是對(duì)藥物作用的高度概括[11]。五味也具有陰陽(yáng)五行的屬性，即“辛甘發(fā)散為陽(yáng)，酸苦涌泄為陰，咸味涌泄為陰，淡味滲泄為陽(yáng)”。酸味屬木、苦味屬火、甘味屬土、辛味屬金、咸味屬水。

歸經(jīng)表示藥物作用部位，即某藥對(duì)某些臟腑經(jīng)絡(luò)有特殊的親和作用，因此該藥對(duì)相關(guān)部位的病變起著主要治療作用。藥物歸經(jīng)不同，治療作用也不同[12]，掌握中藥歸經(jīng)理論，可以有效提高用藥準(zhǔn)確性。中藥歸經(jīng)理論是在中醫(yī)基本理論指導(dǎo)下，以臟腑經(jīng)絡(luò)學(xué)說(shuō)為基礎(chǔ)、以藥物治療具體病證為依據(jù)，從長(zhǎng)期臨床實(shí)踐中歸納總結(jié)出來(lái)的。由于經(jīng)絡(luò)能溝通人體內(nèi)外表里，體表病變可通過(guò)經(jīng)絡(luò)影響到內(nèi)在臟腑，反之，內(nèi)在臟腑病變也可反映于體表上。

2 BP神經(jīng)網(wǎng)絡(luò)原理與訓(xùn)練過(guò)程

2.1 BP神經(jīng)網(wǎng)絡(luò)基本原理

BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)是1986年由Rumelhart&McClelland等科學(xué)家提出的概念，是一種按照誤差逆向傳播算法訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)，也是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)[13]。BP神經(jīng)網(wǎng)絡(luò)主要分為輸入層、隱含層和輸出層，其結(jié)構(gòu)如圖1所示。輸入層是指輸入數(shù)據(jù)集構(gòu)成的向量集合，其輸出是輸入層及權(quán)值點(diǎn)積與激活函數(shù)的計(jì)算結(jié)果;隱含層可以是一層，也可以是多層，一般不超過(guò)兩層，其輸入是上一層輸出層與權(quán)重的點(diǎn)積標(biāo)量，輸出是該標(biāo)量與激活函數(shù)計(jì)算結(jié)果;輸出層只有一層，其輸入是上一層輸出層與權(quán)重的點(diǎn)積。輸出層計(jì)算與隱含層相同，計(jì)算結(jié)果是最終預(yù)期的分類(lèi)權(quán)值。

BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練分為兩步：一是根據(jù)當(dāng)前參數(shù)值，計(jì)算前項(xiàng)傳播過(guò)程中每一層的輸出值;二是根據(jù)實(shí)際輸出與期望輸出之間的差，反向傳播計(jì)算每一層的誤差傳播項(xiàng)，結(jié)合每一層輸出關(guān)于該層參數(shù)的偏導(dǎo)數(shù)，實(shí)現(xiàn)每一層參數(shù)的更新。重復(fù)以上兩步，直至該過(guò)程收斂。

2.2 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程

BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練包括3個(gè)階段：正向傳播過(guò)程、期望與實(shí)際分類(lèi)誤差計(jì)算與反向傳播過(guò)程計(jì)算。

3 BP神經(jīng)網(wǎng)絡(luò)模型構(gòu)建及應(yīng)用

3.1 中藥藥性指標(biāo)量化處理

本文以全國(guó)高等中醫(yī)藥院校規(guī)劃教材《中藥學(xué)》（第四版）的76味補(bǔ)虛藥為樣本數(shù)據(jù)進(jìn)行研究[11]。本文模型主要考慮中藥的四氣、五味和歸經(jīng)，總共22種屬性與中藥藥效之間的關(guān)系，但由于采用數(shù)學(xué)方法對(duì)中藥性味歸經(jīng)與藥效關(guān)系進(jìn)行研究，所以需要對(duì)中藥藥性特征進(jìn)行數(shù)值化處理。本文采用二值量化方法對(duì)藥性進(jìn)行特征處理。例如，中藥的四氣屬性“寒、熱、溫、涼”，每味中藥具有哪項(xiàng)特征，則將其記為1，否則為0。同理，對(duì)中藥的五味、歸經(jīng)和補(bǔ)益類(lèi)4個(gè)功效即補(bǔ)氣、補(bǔ)陽(yáng)、補(bǔ)血、補(bǔ)陰也進(jìn)行二值量化處理，得到部分量化結(jié)果如表1所示。

3.2 補(bǔ)虛藥BP神經(jīng)網(wǎng)絡(luò)構(gòu)建與應(yīng)用

Python是最近十分流行的一款編程軟件，由于其擁有豐富的擴(kuò)展類(lèi)庫(kù)，并具有簡(jiǎn)單、易學(xué)、速度快等特點(diǎn)，在數(shù)據(jù)挖掘領(lǐng)域的應(yīng)用越來(lái)越廣泛。本文利用Python的numpy庫(kù)構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型[12]。首先，確定輸入層、隱含層與輸出層神經(jīng)元數(shù)目。根據(jù)中藥藥性的四氣、五味和歸經(jīng)情況，本文選取22個(gè)參數(shù)作為神經(jīng)網(wǎng)絡(luò)輸入單元，將補(bǔ)益類(lèi)中藥的4種功效即補(bǔ)氣、補(bǔ)陽(yáng)、補(bǔ)血和補(bǔ)陰4個(gè)參數(shù)作為輸出單元，輸出范圍取0～1。根據(jù)文獻(xiàn)[14]-[18]，經(jīng)綜合考慮，將本模型隱含層確定為1層，隱含層神經(jīng)元數(shù)目跟據(jù)經(jīng)驗(yàn)公式進(jìn)行確定，最終確定隱含層神經(jīng)元數(shù)目為44層;其次，建立補(bǔ)虛藥藥效的BP神經(jīng)網(wǎng)絡(luò)數(shù)學(xué)模型，并進(jìn)行訓(xùn)練與測(cè)試。根據(jù)確定的輸入層、隱含層和輸出層神經(jīng)元數(shù)目以及隱含層數(shù)目，本文建立一個(gè)輸入節(jié)點(diǎn)為22、隱含節(jié)點(diǎn)為44、輸出節(jié)點(diǎn)為4的三層BP神經(jīng)網(wǎng)絡(luò)。激活函數(shù)采用常用的S型函數(shù)Sigmoid，因?yàn)槠淠茌^好地反映人工神經(jīng)網(wǎng)絡(luò)的輸入輸出特性。本模型在納入的76味中藥中，隨機(jī)抽取64味中藥作為訓(xùn)練數(shù)據(jù)，剩余12組樣本作為測(cè)試數(shù)據(jù)。

3.3 補(bǔ)虛藥BP神經(jīng)網(wǎng)絡(luò)測(cè)試結(jié)果

經(jīng)過(guò)1 000次迭代運(yùn)算之后，權(quán)重誤差達(dá)到最優(yōu)，得到實(shí)際輸出結(jié)果如表2所示，測(cè)試樣本期望輸出與實(shí)際輸出的正確率比較如表3所示。根據(jù)表3結(jié)果可看出模型正確率高達(dá)83.33%，效果較好。

4 總結(jié)與展望

研究結(jié)果表明，在測(cè)試集12個(gè)中藥功效預(yù)測(cè)對(duì)應(yīng)的48個(gè)數(shù)據(jù)中，只有2個(gè)數(shù)據(jù)錯(cuò)誤，預(yù)測(cè)準(zhǔn)確率高達(dá)83.33%，表明本模型在中藥功效分類(lèi)預(yù)測(cè)應(yīng)用中具有一定實(shí)用價(jià)值，并可將其推廣到中藥性效研究中。本模型研究中藥四氣五味與中藥性效之間的關(guān)系，采用數(shù)據(jù)集為補(bǔ)虛類(lèi)中藥，其中大部分補(bǔ)虛類(lèi)中藥性溫、甘，歸肝、脾、腎、肺、心經(jīng)，導(dǎo)致數(shù)據(jù)集具有很強(qiáng)的相似性，要求在模型參數(shù)設(shè)置上更加精確。而且中藥性效與中藥各成分關(guān)系之間是非線性的，作用機(jī)制十分復(fù)雜，采用傳統(tǒng)研究方法難以做到全面分析。人工神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的自學(xué)習(xí)能力、自適應(yīng)能力及針對(duì)非線性關(guān)系的處理能力，因此利用BP神經(jīng)網(wǎng)絡(luò)對(duì)中藥性效進(jìn)行系統(tǒng)研究是行之有效的。

由于中藥成分與功效的復(fù)雜性，下一步研究將會(huì)考慮更多自變量因素，以提高模型分類(lèi)準(zhǔn)確性。例如：中藥除四氣五味歸經(jīng)外，還會(huì)受到毒性等因素影響，在四氣五味中，“寒”還可細(xì)分為“大寒”和“小寒”，而本模型將其統(tǒng)一劃分為寒。此外，本模型采用的數(shù)據(jù)量子化方法應(yīng)實(shí)現(xiàn)自動(dòng)量子化，將有利于對(duì)較大數(shù)據(jù)集的處理。因此，在今后研究中可采用更快捷的量子化處理方法，同時(shí)擴(kuò)大訓(xùn)練數(shù)據(jù)集種類(lèi)，以提高模型穩(wěn)定性，并促進(jìn)本模型在中醫(yī)藥研究領(lǐng)域得到更加廣泛的應(yīng)用。

參考文獻(xiàn)：

[1] 李揚(yáng)，馮旭，宋舸，等. 中藥藥性的研究方法進(jìn)展[J]. 醫(yī)學(xué)信息，2018，31（13）：38-40.

[2] 毛德西. ?中醫(yī)整體觀有三論[N]. 中國(guó)中醫(yī)藥報(bào)，2017-10-25（4）.

[3] 周榮榮，閆潤(rùn)紅，王麗萍，等. 數(shù)據(jù)挖掘技術(shù)在中醫(yī)方劑科學(xué)問(wèn)題研究中的應(yīng)用[J]. 中華中醫(yī)藥雜志，2018，33（9）：4016-4020.

[4] 相翠玉，宋曉勇. 中草藥大黃的近紅外光譜和人工神經(jīng)網(wǎng)絡(luò)鑒別分析[J]. 時(shí)珍國(guó)醫(yī)國(guó)藥，2012，12（3）：3168-3169.

[5] 劉星，毛丹卓，王正武，等. 薏仁種類(lèi)的近紅外光譜技術(shù)快速鑒別[J]. 光譜學(xué)與光譜分析，2014，34 （5）：1259-1263.

[6] 王麗瓊，范琦，易珍奎，等. HPLC指紋圖譜結(jié)合反向傳播人工神經(jīng)網(wǎng)絡(luò)和判別分析鑒定不同的麻黃藥材[J]. 西南師范大學(xué)學(xué)報(bào)：自然科學(xué)版，2012，37（5）：73-77.

[7] 湯彥豐，候占忠，王志寶，等. 紫花地丁的紅外光譜和徑向基神經(jīng)網(wǎng)絡(luò)鑒別[J]. 湖北農(nóng)業(yè)學(xué)，2014，53（1）：132-134.

[8] 李味味，章新友，仵倚，等. 基于BP神經(jīng)網(wǎng)絡(luò)中藥復(fù)方功效的預(yù)測(cè)研究[J]. 中醫(yī)藥導(dǎo)報(bào)，2016，22（16）：38-41.

[9] 王建，曾南，夏厚林，等. 中藥藥性理論研究模式的新思路[J]. 中醫(yī)雜志，2013，54（2）：99-102.

[10] 金銳，張冰. 中藥藥性理論復(fù)雜性特征分析[J]. 中國(guó)中藥雜志，2012，37（21）：3340-3343.

[11] 陳素紅，呂圭源. “性、味結(jié)合歸經(jīng)”層面研究中藥藥性[J]. 中藥藥理與臨床，2008（4）：58-62.

[12] 肖小河. 中藥藥性研究概論[J]. 中草藥，2008（4）：481-484.

[13] 王振國(guó). 中藥藥性理論現(xiàn)代研究：?jiǎn)栴}、思路與方法[J]. 山東中醫(yī)藥大學(xué)學(xué)報(bào)，2011，35（3）：195-198.

[14] 鐘贛生. 中藥學(xué)[M]. 北京：中國(guó)中醫(yī)藥出版社，2016.

[15] SHEN X， WANG L， HAN D. Application of BP neural network optimized by artificial bee colony in intrusion detection[J]. Computer Engineering， 2016（2）：190-194.

[16] DAS H，JENA A K，NAYAK J， et al. A novel PSO based back propagation learning-MLP （PSO-BP-MLP） for classification[M]. India：Springer，2015：333-344.

[17] NIE P L， FEI D， WANG H J， et al. Short-term power load forecasting based on EMD-BP neural network[J]. Control & Instruments in Chemical Industry， 2016.

[18] ZHAO Z，XU Q，JIA M. Improved shuffled frog leaping algorithm-based BP neural network and its application in bearing early fault diagnosis[J]. Neural Computing & Applications， 2016， 27（2）：375-385.

（責(zé)任編輯：黃 ?。?/p>