一种神经网络堆栈针灸预测模型的构建方法

技术领域

本发明涉及针灸预测技术领域，尤其涉及一种神经网络堆栈针灸预测模型的构建方法。

背景技术

针灸是中医的基本疗法，其对各种疾病的疗效已被世界各地长期的临床实践所证实。针灸的本质是将人体中不同腧穴进行配伍，再在穴位上通过不同的手法，将针刺的机械运动转化为电化学信号，进而激发机体的整体综合调节反应，达到调节功能网络的作用。针灸本身具备复杂干预的属性，并与操作者的经验密不可分，应用合理的针灸方法可以提高针灸疗效。腧穴配伍、手法量化的主要目的是：预测机体功能网络对不同腧穴配伍及针灸手法的响应，揭示针灸的编码机制，明确针灸优势病种和潜在优势病种。然而，由于物理操作的复杂性，在治疗过程中很难对针灸方法进行监测，目前针灸的疗效主要依靠医生的经验。

针灸刺激具有复杂性，其复杂性使得针灸治疗方法和治疗效果评价缺乏严格的生物学标记。随着现代科学技术的进步，记录手段越来越多，针灸实验也获取了海量的数据。针灸深度预测模拟方法的应用可以将相关数据进行分析和融合，从它们之间寻找到一个或者多个特征来描述针灸的作用效果，从而优选疗效最好的针灸方案。针灸深度预测模拟方法通过对针灸通路、刺激信号及电生理信号的反应现象进行建模，可以模拟出针灸方法的刺激-网络动态，从而预测治疗效果。但是由于当前计算能力的限制加之针灸深度预测模拟对数据的要求较高，针灸深度预测模拟方法只能计算某种数据与某种功能网络的联系，无法根据不同针灸数据预测机体整体的功能网络变化。此外，由于针灸实验条件的不确定性以及不同病人特异性的影响，针灸深度预测模拟得到的预测结果与临床治疗观测的实际结果不能完全符合。而且，随着病人样本量的增加，针灸治疗的效果特异性也会增加，这将会导致神经网络模型中的灾难性遗忘，无法进行持续精准的针灸疗效预测。

通过针灸深度预测模拟方法可以针对某种针灸输入数据及对应的功能网络进行预测，但其精度较低，导致预测模型难以达到全局预测的要求。需要对该模型进行补充与校正，因此使用了多种神经网络搭建神经、内分泌与免疫系统通路的预测模型，形成神经网络堆栈针灸预测模型，并对针灸输入数据进行规范化处理。在此基础上，使用持续学习方法再次训练，提高模型的小样本学习能力，解决网络中灾难性遗忘的问题。

发明内容

本发明所要解决的技术问题是克服现有技术中存在的不足，提供一种神经网络堆栈针灸预测模型的构建方法。

本发明是通过以下技术方案予以实现：

一种神经网络堆栈针灸预测模型的构建方法，该构建方法包括以下步骤：

S1，基于神经系统中的节点与连接方式，建立针灸-神经系统通路的脉冲神经网络预测模型；

S2，基于内分泌系统生理数据的时间特性与网络空间特性，建立针灸-内分泌系统通路的深度神经网络预测模型；

S3，基于免疫系统数据中的局部信息的特性，建立针灸-免疫系统通路的卷积神经网络预测模型；

S4，预训练所述脉冲神经网络预测模型、所述深度神经网络预测模型和所述卷积神经网络预测模型；

S5，平行堆叠所述脉冲神经网络预测模型、所述深度神经网络预测模型和所述卷积神经网络预测模型，以形成神经网络堆栈针灸预测模型；

S6，通过持续学习方法训练所述神经网络堆栈针灸预测模型。

优选地，S1包括以下步骤：

S101，设定针灸-神经系统通路脉冲神经网络预测模型的输入参数；

S102，设定脉冲神经网络中神经元的膜电位更新方式；

S103，设定脉冲神经网络中每层神经元的输入求和方式；

S104，设定神经元脉冲发放的机制；

S105，对通道进行更细粒度的通道归一化。

优选地，S2包括以下步骤：

S201，设定针灸-内分泌系统通路深度神经网络预测模型的输入参数；

S202，使用正态分布的随机值初始化深度神经网络的权重和偏置，以打破其对称性；

S203，在ReLU激活函数的基础上，通过交叉验证技术选择激活函数，以解决梯度爆炸问题，且获取输出层的概率计算函数公式；

S204，设定深度神经网络的损失函数为交叉熵函数。

优选地，S3包括以下步骤：

S301，设定针灸-免疫系统通路卷积神经网络预测模型的输入参数；

S302，将已处理的输入特征图与卷积核进行卷积运算，计算每个位置上的输出值；

S303，在卷积神经网络中进行多次的卷积和池化操作提取出针灸图像数据的特征图；

S304，对每次卷积后得到的针灸特征图进行池化操作，以减小特征图的空间尺寸，提取关键特征；

S305，在卷积层与池化层后构建卷积神经网络的全连接层，将针灸特征图数据作为全连接层的输入，并选择激活函数与误差函数。

优选地，S4包括以下步骤：

S401，收集针灸数据；

S402，对针灸数据中的数值特征的缺失值和异常值进行删除、填充和修正，且使用Min-Max缩放将数据缩放到一个指定的区间；

S403，对针灸数据中的分类特征进行标签编码和独热编码，且进行特征缩放；

S404，对针灸数据中的时间序列数据进行预处理，通过傅里叶变换提取时间序列数据的频域特征，计算时间序列数据的均值、方差、偏度以获得时域特征，通过自回归滑动平均模型提取时间序列数据的自相关特征；

S405，对针灸数据中的图像数据进行图像去噪、图像增强和裁剪操作，提取图像特征，以构建基础针灸图像数据集；

S406，将数据集分割为训练集和测试集，通过训练集对所述脉冲神经网络预测模型、所述深度神经网络预测模型和所述卷积神经网络预测模型进行预训练，通过测试集对对所述脉冲神经网络预测模型、所述深度神经网络预测模型和所述卷积神经网络预测模型进行测试。

优选地，S5包括以下步骤：

S501，将同样的数据输入所述脉冲神经网络预测模型、所述深度神经网络预测模型和所述卷积神经网络预测模型，以获取三组预测结果；

S502，对三组预测结果进行组合，以获取组合预测结果；

S503，将组合预测结果输入线性回归模型，以获取最终预测结果。

优选地，S6包括以下步骤：

S601，对S4中训练数据集的数据进行随机去除，且添加新数据，以构建出新数据集；

S602，从原有的神经网络堆栈针灸预测模型中获取新数据集的分类标签，以提供监督信号；

S603，使用新数据集对神经网络堆栈针灸预测模型进行训练。

本发明的有益效果是：本发明提出了一种基于持续学习的神经网络堆栈针灸疗效预测模型的构建方法，首先对当前的海量针灸数据进行标准化处理，构建神经、内分泌与免疫系统通路融合的神经网络堆栈，然后结合持续学习的思想，采用有限的针灸数据来适应新的病人与病种，使之可以在多种疾病及针灸治疗方案下应用时具有较高的准确性和适用性。

附图说明

图1是本发明的基于持续学习的神经网络堆栈的针灸疗效预测方法的总体设计流程图。

图2是本发明的方法原理图。

图3是本发明的神经网络堆栈的针灸疗效预测模型的结构图。

图4是本发明的实验结果图。

具体实施方式

为了使本技术领域的技术人员更好地理解本发明的技术方案，下面结合附图和最佳实施例对本发明作进一步的详细说明。基于发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于发明保护的范围。

在发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对发明的限制。

此外，还需要说明的是，在本发明的描述中，除非另有明确的规定和限定，术语“安装”、“设置”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是直接相连，也可以通过中间媒介间接相连，还可以是两个元件内部的连通。对于本领域技术人员而言，可根据具体情况理解上述术语在本发明中的具体含义。

参照图1至图3，本发明提供了一种神经网络堆栈针灸预测模型的构建方法，该构建方法包括以下步骤：

S1，基于神经系统中的节点与连接方式，建立针灸-神经系统通路的脉冲神经网络(SNN)预测模型。S1具体包括S101至S105。

S101，设定针灸-神经系统通路脉冲神经网络预测模型的输入参数。输入参数包括患者的年龄、性别、病史、身体质量指数、疼痛位置、疼痛程度、持续时间、腧穴配伍、针刺深度、EEG信号等。且脉冲神经网络预测模型包括输入层、隐藏层和输出层。

S102，设定脉冲神经网络中神经元的膜电位更新方式：

其中，下标m代表神经通路中神经元的膜电位，j∈{0,n

S103，设定脉冲神经网络中每层神经元的输入求和方式：

其中，w和b为神经系统中的权重与偏置。

S104，设定神经元脉冲发放的机制：

其中，U(x)代表单位阶跃函数。

S105，对通道进行更细粒度的通道归一化，以实现针灸-神经通路中快速有效的信息传输：

其中，其中w、λ和b分别是权重、从针灸训练数据集计算的最大激活以及层l中的偏差。i和j是信道的索引，层l中的权重w通过每个通道中的最大激活

S2，基于内分泌系统生理数据的时间特性与网络空间特性，建立针灸-内分泌系统通路的深度神经网络(DNN)预测模型。S2具体包括S201至S204。

S201，设定针灸-内分泌系统通路深度神经网络预测模型的输入参数。输入参数包括患者的年龄、性别、身体质量指数、腧穴配伍、针刺深度、激素水平、代谢数据、生物标志物等。深度神经网络预测模型包括输入层、输出层以及多个隐藏层。

S202，使用正态分布的随机值初始化深度神经网络的权重和偏置，以打破其对称性。

S203，在ReLU激活函数的基础上，通过交叉验证技术选择激活函数，以解决梯度爆炸问题，且获取输出层的概率计算函数公式。输出层的概率计算函数公式为：

其中，Softmax表示归一化函数，z

S204，设定深度神经网络的损失函数为交叉熵函数。相关的计算公式为：

其中，L表示交叉熵损失值，K代表针灸训练集的数量，y是输出的病症类型，P(y

S3，基于免疫系统数据中的局部信息的特性，建立针灸-免疫系统通路的卷积神经网络(CNN)预测模型。S3具体包括S301至S305。

S301，设定针灸-免疫系统通路卷积神经网络预测模型的输入参数。输入参数包括患者的心率、体温、血压、腧穴配伍、针刺深度与手法、MRI、光学显微镜等数据。卷积神经网络预测模型包括多个卷积层、池化层和全连接层。

S302，将已处理的输入特征图与卷积核进行卷积运算，计算每个位置上的输出值。卷积的操作的公式如下：

其中，H(i,j)是针灸特征提取后的一个元素，m,n分别代表针灸图像数据集的长度和宽度，F是其中的一个卷积核，与特征图G逐元素相乘后进行相加操作。

S303，在卷积神经网络中进行多次的卷积和池化操作提取出针灸图像数据的特征图。尺寸大小的计算公式如下：

其中，O

S304，对每次卷积后得到的针灸特征图进行池化操作，以减小特征图的空间尺寸，提取关键特征。池化的公式如下：

其中，f(x,y)是针灸输出特征图中的一个元素，K

S305，在卷积层与池化层后构建卷积神经网络的全连接层，将针灸特征图数据作为全连接层的输入，并选择激活函数与误差函数。

S4，预训练所述脉冲神经网络预测模型、所述深度神经网络预测模型和所述卷积神经网络预测模型。S4具体包括S401至S406。

S401，收集针灸数据。针灸数据包括患者的年龄、性别、病史、身体质量指数、疼痛位置、疼痛程度、持续时间、腧穴配伍、针刺深度、针刺手法、EEG信号、激素水平、代谢数据、生物标志物心率、体温、血压、MRI、光学显微镜等数据。

S402，对针灸数据中的数值特征的缺失值和异常值进行删除、填充和修正，且使用Min-Max缩放将数据缩放到一个指定的区间。其中，数值特征包括且不限于患者年龄、身体质量指数、持续时间、心率等。Min-Max缩放的具体公式为：

其中，X

S403，对针灸数据中的分类特征进行标签编码和独热编码，且进行特征缩放。其中，分类特征包括且不限于患者性别、疼痛位置、腧穴配伍等。

S404，对针灸数据中的时间序列数据进行预处理。其中，时间序列数据包括且不限于EEG信号、代谢数据等。由于EEG信号具备高维度特征，因此通过傅里叶变换提取时间序列数据的频域特征，并计算EEG信号的均值、方差、偏度以获得时域特征，再通过自回归滑动平均模型提取EEG信号的自相关特征，具体公式为：

(1-φ

其中，X

S405，对针灸数据中的图像数据进行图像去噪、图像增强和裁剪操作，提取图像特征，以构建基础针灸图像数据集。其中，图像数据包括且不限于MRI、光学显微镜等。

S406，将S401至S402生成的数据集分割为训练集和测试集，通过训练集对所述脉冲神经网络预测模型、所述深度神经网络预测模型和所述卷积神经网络预测模型进行预训练，通过测试集对对所述脉冲神经网络预测模型、所述深度神经网络预测模型和所述卷积神经网络预测模型进行测试。

S5，平行堆叠所述脉冲神经网络预测模型、所述深度神经网络预测模型和所述卷积神经网络预测模型，以形成神经网络堆栈针灸预测模型。S5包括S501至S503。

S501，将同样的数据输入所述脉冲神经网络预测模型、所述深度神经网络预测模型和所述卷积神经网络预测模型，以获取三组预测结果。

S502，对三组预测结果进行组合，以获取组合预测结果。具体的组合公式为：

Y

其中，Y

S503，将组合预测结果输入线性回归模型，以获取最终预测结果。

综上，脉冲神经网络预测模型、深度神经网络预测模型、卷积神经网络预测模型和线性回归模型组成神经网络堆栈针灸预测模型。

S6，通过持续学习方法训练所述神经网络堆栈针灸预测模型。具体地，根据已治疗病人的针灸前后的实际针灸数据构建新的样本集，通过持续学习方法将其代入神经网络堆栈针灸预测模型再次训练，微调后获得最终的预测模型。S6具体包括S601至S603。

S601，随着患者多样性的增加，新的任务需要不断地添加以完善已构建的神经网络堆栈。因此，对S4中训练数据集的数据进行随机去除，且添加新数据，以构建出新数据集。

S602，从原有的神经网络堆栈针灸预测模型中获取新数据集的分类标签，以提供监督信号。

S603，使用新数据集对神经网络堆栈针灸预测模型进行训练。为避免神经网络堆栈过多改变重要参数，添加参数正则化方法，相关公式如下：

其中，

进而微调网络的结构与权重。

进一步地，重复S601至S603，以获得新的神经网络堆栈模型。

之后，将预测的评价指标用作模型评价的判断中，进行持续监控和性能评估，输出评价良好的预测模型；实时获取当前待预测的腧穴配伍方式、针灸手法、具体病况、神经-内分泌-免疫系统低维特性、各系统反应速率、针灸效果量化结果并进行归一化处理，然后基于评价良好的预测模型，进行针灸疗效预测。

为验证本发明方法的有效性，在构建的真实针灸数据集上进行具体的实验，实验环境为：Windows操作系统，Intel(R)Core(TM)i5-8400 CPU，32GB内存，Pytorch深度学习框架。数据集包括7个方面的信息，包括：病人性别、年龄、身体质量指数、腧穴配伍方式、针灸方式、EEG信号、MRI图像。构造的数据集共包含100个病人的针灸信息，使用滑动窗口扩大数据至10000组，并将80％的数据用于训练，20％的数据用于测试。

图4实验结果表明，本发明的预测得到的EEG低维流形(图4上方)与真实数据(图4下方)具备相同的变化特征，说明在对针灸疗效预测方面能够实现准确的预测，证明了本发明方法的可行性。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。