基于ANN藏药方剂配伍规律

文/祁晋东 肖伟 格桑罗布扎西

（西藏大学 西藏自治区拉萨市 850011）

藏医学是祖国传统医学宝库中的一颗璀璨明珠，它以自身独特而系统的科学理论和诊疗方法对世界文明进步产生了积极影响。当前，在回归自然的潮流下，藏医药逐渐得到人们的认可和推崇。由于目前藏医药研究方法多为经典的药理学和化学方法，结合体内代谢研究困难巨大，研究深度和广度明显不足，所以藏药方剂配伍规律一直是藏医药现代化研究的薄弱环节。所以在本研究中，结合BP算法率先采用DeepBelief Network对藏药配伍规律进行研究，揭示了方剂中隐藏的内在规律，提高了研发效率。

1 藏药方剂的数据采集与处理

藏药配方与功效有着密切联系，它是藏医通过确定病证，根据组方原则和配伍配伍，选择合适的药材和相应的剂量组合而成。因此要全面研究藏药方剂的配伍规律，必须将方剂中的药材和剂量综合考虑才有效果。本研究针对藏药方剂数据的多维、非线性特征，提出采用BP和DBN两种算法分别对藏药配伍规律进行研究。藏药方剂配方采用的是文字性语言表述，本研究要用数学方法研究配伍规律，就必须将配方与功效进行数值化处理。本研究中以藏药诊治文集中的藏药方剂为研究对象，包括不同疾病的藏药配方的药材和剂量以及药方的功效。由示例x和标记γ的集合构成训练集。对收集的样本数据整理分析后进行数据预处理和编码，从而得出网络的输入输出数据。藏药方剂主要由配方药材、剂量和功效组成，用xi={药材1，药材2，… … 剂量1，剂量2}表示藏药方剂示例，如表1。用yi={功效1，功效2，功效3，… …}表示藏药方剂标记，如表2。

将收集的示例集x和标记集γ分别进行编码如表3和表4，x∪γ得到样本数据。

2 系统模型

2.1 BP和DBN网络结构设计

本研究藏药方剂的基本属性特征值时输入层，包括配方中的药材和对应的剂量。方剂的功效指标是输出层。由于每个方剂中药材、功效数量不一样，所以我们分别以药材和功效最多的方剂为标准进行编码，所以38味药材和38个剂量二级制编码后共380个神经元，13个功效二进制编码后共117个神经元。

BP神经网络的参数设置为精度0.001、学习率0.01、动量因子0.9、学习率增长比1.05、学习率下降比0.7。通过Kologorov定律和最终仿真结果确定隐层为3层，每层神经元个数是分别为300、200、150时模型效果最好。此时激活函数函数选择对数S型函数和正切S型函数。

图1：BP神经网络结构

图2：DBN深度置信网络结构

根据样本空间的数据，构建一个2个隐层的RBM神经网络，输入有380维，输出有117维，隐层节点数分别为250和150，最后一层使用BP神经网络进行微调。DBN深度置信网络参数的设置为训练的精度为0.001，RBM的学习率为0.01，RBM的权值和阈值为0.1，BP神经网络的学习率为0.1，激活函数为对数S型函数。DBN训练模型的过程主要分为预训练和微调这两个部分。

BP神经网络结构如图1所示，DBN深度置信网络结构如图2所示。

2.2 BP和DBN网络功效预测

将藏药方剂数值化后，用Matlab 2017a神经网络工具箱分别构建BP和DBN深度置信网络，对方剂、剂量、疗效之间的联系进行非线性映射，找出藏药方剂配伍的规律并隐藏在网络的权值和阈值中。

BP藏药方剂功效预测如图3所示，DBN藏药方剂功效预测如图4所示。

在预训练过程中，采用逐层训练的方法和对比散度算法，使用非监督贪婪逐层方法获取权值，从下到上分别训练每一层RBM网络，确保特征向量尽可能映射到不同特征空间时，都尽可能多地保留特征信息。然后根据BP神经网路进行微调，使整个网络的参数达到最优。

表1：藏药方剂示例表

表2：藏药方剂标记表

表3：编码后的藏药方剂示例表

表4：编码后的藏药方剂标记表

表5：BP神经网络测试和预测效果

表6：DBN深度信念网络测试和预测效果

3 实验部分

3.1 实验结果与分析

以藏药诊治文集中的藏药方剂为提取特征的对象，药材和剂量作为输入，药效为输出，分别采用BP神经网络和DBN深度置信网络进行学习。将100个学习样本中90个用作训练样本，其中20个数据作为测试样本，剩下的10个样本做预测。K倍交叉验证法评估模型，BP神经网络和DBN深度信念网络。其测试样本准确率和预测样本准确率如表5和表6。

图3：BP藏药方剂功效预测

图4：DBN藏药方剂功效预测

综合表5和表6来看，传统的BP神经网络虽然可以学习藏药方剂样本的特征，但是预测的效果偏低，DBN深度置信网络相比于传统的BP神经网络可以更好的学习方剂的特征，预测的准确度，平均达到83.88%。DBN深度置信网络结构对于非线性高纬度特征的藏药方剂数据具有良好的特征学习能力和预测能力，但是还达不到完全预测真实藏药功效。

3.2 网络性能比较与分析

BP神经网络和DBN深度置信网络的训练误差下降比较如图5所示，DBN的网络参数由多层受限玻尔兹曼机训练的，而BP神经网络的网络参数是随机生成，因此DBN的初始误差、训练次数和误差下降速率上明显优于BP神经网络。

图5：BP和DBN误差下降图

4 结论

通过本研究，神经网络可以学习藏药方剂的特征，同时对配伍规律有一定的预测能力，证明了研究思路的可行性。由于收集到样本数量和分布上的问题，影响了网络对于方剂特征的提取，因此会对藏药方剂疗效的预测产生一定的影响。DBN是一种深度学习结构，随着样本数据量的增加，将会得到更高的准确率，在藏药方剂配伍规律方面将会有更好的应用前景。

针对目前对藏药配伍规律存在的问题，研究可以根据藏药药理改进DBN深度置信网络结构或者构建一种新型的神经网络群结构，降低非线性映射的维度，提高了算法的效率，从而更好的学习藏药方剂的特征。另外藏药方剂的配伍规律只能储存在神经网络结构中，不能通过具体的表达式来反映配伍规律和方剂间相生相克的作用，这也是需要进一步研究和改善的问题。