跳到主要內容

臺灣博碩士論文加值系統

(34.226.244.254) 您好!臺灣時間:2021/08/03 02:08
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果 :::

詳目顯示

: 
twitterline
研究生:劉建宏
研究生(外文):Liu, Jian-Hong
論文名稱:奠基於貝氏網路的中醫證型辨識
論文名稱(外文):Syndrome Differentiation in Traditional Chinese Medicine Based on Bayesian Networks
指導教授:林迺衛林迺衛引用關係
指導教授(外文):Lin, Nai-Wei
口試委員:葉明憲陳仁義葉家舟
口試日期:2012-06-28
學位類別:碩士
校院名稱:國立中正大學
系所名稱:資訊工程研究所
學門:工程學門
學類:電資工程學類
論文種類:學術論文
論文出版年:2012
畢業學年度:100
語文別:中文
論文頁數:39
中文關鍵詞:貝氏網路中醫證型
外文關鍵詞:Bayesian NetworksSyndrome Differentiation
相關次數:
  • 被引用被引用:5
  • 點閱點閱:474
  • 評分評分:
  • 下載下載:127
  • 收藏至我的研究室書目清單書目收藏:0
中醫的證型含攝了一個疾病的病因與病位的資訊,因此,根據病人的症狀辨識證型是中醫論治的核心。中醫證型的種類為數不少,症狀的種類也非常龐大,而且證型和症狀之間的關係更是錯綜複雜。若要完整的記憶這些錯綜複雜的關係常常超出系統的資訊儲存容量,而證型和症狀之間錯綜複雜的關係,目前仍然有許多的不確定性存在。本論文將運用貝氏網路的近似演算法來克服中醫證型辨識資訊容量過大及資訊不確定性的問題。
本論文將參考《中醫證候學》的證型架構。《中醫證候學》在證型與症狀間加了一層證象,含攝一個疾病的病機的資訊。因此,每一個證型是由一些證象組合而成,每一個證象是由一些症狀組合而成。此外,證象在證型裡出現的機率不盡相同,依機率由高至低,分別以主證象、副證象、及賓證象表示。同一個證象在不同的證型裡,它的症狀組合也會稍有不同。
本論文將分別比較兩種辨證方式的效果。第一種辨證分式是建構證型、證象與症狀三層的貝氏網路,給予症狀集合經貝氏網路求得各個證型的機率值。第二種辨證分式是建構證象與症狀兩層的貝氏網路,給予症狀集合經貝氏網路求得各個證象機率值,而證型的機率值為加總證象標準化權重值與證象機率值的乘積(證象標準化權重值依據證象主副賓關係給定)。本論文研究的成果希望有助於奠定中醫證型標準化及證象標準化的基礎。

In traditional Chinese medicine, a syndrome describes the cause and location information of a disease. Hence, the differentiation of syndromes from the symptoms of a patient is the core of the disease treatment. However, the numbers of syndromes and symptoms are very large, and the relationships between syndromes and symptoms are very complicated. It is usually difficult to fully represent the complicated relationships between syndromes and symptoms in modern computer system. In addition, many relationships between syndromes and symptoms are still uncertain. This thesis will apply the approximate algorithms in Bayesian networks to overcome the problem of information oversize and uncertainty in syndrome differentiation.
This thesis refers to the syndrome structure in Theory of Syndromes in Traditional Chinese Medicine. The syndrome structure in this book is a three-level structure consisting of syndromes, signs, and symptoms. A sign describes the mechanism of a disease. In other words, a syndrome is made up of signs, and a sign is made up of symptoms. The probabilities of signs appearing in a syndrome may be different. Hence, a sign can be a primary, a secondary, or a minor sign, of a syndrome, respectively. The symptoms of a sign appearing in different syndromes may be different slightly.
This thesis studies the effectiveness of two different Bayesian networks. The first one is a three-level Bayesian network of syndromes, signs and symptoms. Given a collection of symptoms, this Bayesian network directly computes the probability of each syndrome. The secondary one is a two-level Bayesian network of signs and symptoms. Given a collection of symptoms, this Bayesian network directly computes the probability of each sign. The probability of each syndrome is then computed from the probabilities of its signs with respect to the primary, secondary, and minor relationships of it signs. We wish the insights obtained from this thesis can contribute to the standardization of syndromes and the standardization of signs in the future.

第一章 概論 1
第一節 研究動機 1
第二節 研究方法 1
第三節 論文架構 2
第二章 機率概論 3
第一節 無條件機率 3
第二節 條件機率 4
第三節 全聯合機率分布 4
第四節 獨立 6
第五節 貝氏法則 7
第六節 條件獨立 8
第七節 原始貝氏 9
第三章 貝氏網路 10
第一節 資料結構 10
第二節 條件獨立關係 11
第三節 公式推導 12
第四節 應用範例 12
第四章 貝氏網路的演算法 15
第一節 列舉演算法 15
第二節 變數消元演算法 16
第三節 直接取樣演算法 18
第四節 拒絕取樣演算法 19
第五節 似然加權演算法 20
第五章 辨證 22
第一節 三層貝氏網路 22
第二節 兩層貝氏網路 24

[1]林劉育:中醫症狀標準化初探,碩士論文,國立中正大學資訊工程學系,台灣, 2011.
[2]葉桂:臨證指南醫案,清,1746.
[3]朱文鋒:辨證統一體系的創立,中國中醫基礎醫學雜誌,2001,7(4):4-6.
[4]李洪成、李新平、李新曄:中醫證候學,中國醫藥科技出版社,大陸,2008.
[5]朱文锋、晏峻峰、黄碧群:貝葉斯網絡在中醫證素辨證體系中的應用,
中西醫结合學報,大陸,2006,4(6):567-571.
[6]Jensen F.V.: An introduction to Bayesian networks, Springer, New York, 1996.
[7]Pearl J.: Probabilistic reasoning in intelligent systems, Morgan Kaufmann, San Mateo, 1998.
[8]Heckerman D., Mamdani A., Weliman M. P.: Real-world application of Bayesian network, Communications of the ACM, 1995, 38(3):24-26.
[9]Beinlich I., Suermondt H., Chavez R., Cooper G.: The ALARM monitoring system. In: Hunter J. editor, Proceedings of the second European conference on artificial intelligence in medicine. Heildeberg: Springer-Verlag; 1992, p. 689-93.
[10]van der Gaag L.C., Renooij S., Witteman C. L. M., Aleman B. M. P., Taal B. G.: Probabilities for a probabilistic network: A case-study in oesophageal cancer. Artificial intelligence in medicine, 2002, 25(2):123-48.
[11]Burnside B. E., Rubin D. L., Shachter R.: A Bayesian network for mammography. In: Overhage J. M. editor, Proceedings of the 2000 AMIA annual symposium, 2000, p. 106-10.
[12]Onisko A., Druzdzel M., Wasyluk H.: A probabilistic model for diagnosis of liver disorders. In: Klopotek M., Michalewicz M., Ras Z., editors, Proceedings of the seventh symposium on intelligent information systems (IIS-98), 1998, p. 379-87.
[13]Staurt R., Peter N.: Artificial intelligence: A modern approach, 1995.
[14]姚乃禮:中醫證候鑑別診斷學,人民衛生出版社,大陸,2002.
[15]洪淨:中醫辨證的思维模式和方法研究,中醫雜誌,2003,44(1):8-10.

QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top