【正文】 庫(kù) AIS算法當(dāng)數(shù)據(jù)庫(kù)被掃描時(shí)，候選集被產(chǎn)生并計(jì)數(shù)，每讀一個(gè)事務(wù)，決定上次掃描找到的頻繁集中有哪些包含在事務(wù)中?；谝?guī)則中涉及到的數(shù)據(jù)的維數(shù)，關(guān)聯(lián)規(guī)則可以分單維和多維的。向保險(xiǎn)公司索賠過(guò)則是物品丙。一些數(shù)據(jù)不像售貨數(shù)據(jù)那樣很容易就能看出一個(gè)事務(wù)是許多物品的集合，但稍微轉(zhuǎn)換一下思考角度，仍然可以像售貨數(shù)據(jù)一樣處理。即，當(dāng)時(shí)，其所對(duì)應(yīng)的關(guān)聯(lián)規(guī)則是沒(méi)有意義的。假設(shè)最小支持度為40%，最小置信度為60%，則。作用度(Lift)作用度是置信度與期望置信度的比值，即。滿足最小支持度的項(xiàng)集稱之為頻繁項(xiàng)集。最小支持度表示項(xiàng)集的最低實(shí)用性，最小置信度表示關(guān)聯(lián)規(guī)則的最低可靠性。 關(guān)聯(lián)規(guī)則的有關(guān)定義設(shè)是n個(gè)不同項(xiàng)(Item)的集合，表示集合中的第j項(xiàng)。 關(guān)聯(lián)規(guī)則 關(guān)聯(lián)規(guī)則介紹數(shù)據(jù)挖掘所發(fā)現(xiàn)出的知識(shí)種類中關(guān)聯(lián)規(guī)則的應(yīng)用是目前數(shù)據(jù)挖掘領(lǐng)域中研究最為廣泛的課題之一。舉個(gè)例子，一個(gè)用數(shù)據(jù)挖掘工具的分析，想找到引起貸款拖欠的因素，數(shù)據(jù)挖掘可以幫他找到高負(fù)債和低收入是引起這個(gè)問(wèn)題的因素，甚至還能發(fā)現(xiàn)一些分析師從沒(méi)想過(guò)或試過(guò)的其它因素。其中決策樹、關(guān)聯(lián)規(guī)則和面向?qū)傩缘臍w納方法可以在不同配伍層次(單味藥、藥物功效分類等)上分析藥味配伍的模式或規(guī)則。在中藥化學(xué)研究中的應(yīng)用中藥發(fā)揮作用的物質(zhì)是其所含的化學(xué)成分，在中藥中提取有效成分直接用于新藥開(kāi)發(fā)或作為先導(dǎo)化合物，經(jīng)過(guò)結(jié)構(gòu)修飾或改造后進(jìn)行合理藥物設(shè)計(jì)，然后開(kāi)發(fā)為新藥的途徑，己成為現(xiàn)代新藥開(kāi)發(fā)的熱點(diǎn)。如中藥藥性理論的現(xiàn)代化研究，中藥藥性理論是中藥配伍應(yīng)用的核心內(nèi)容之一，其內(nèi)容完善的程度將直接影響到組方的準(zhǔn)確性和治療的有效性。當(dāng)中醫(yī)藥在實(shí)現(xiàn)以計(jì)算機(jī)技術(shù)為主要工具的信息化研究時(shí)，這種定性信息的量化常常會(huì)遇到相當(dāng)?shù)睦щy，即使是原先有量化信息的用藥劑量，也因不同中藥有效成分含量的差異而失去了原先的意義。比如發(fā)現(xiàn)病人對(duì)治療方式的不良反應(yīng)校式，在欺騙檢測(cè)中孤立點(diǎn)可能預(yù)示著欺騙行為模式。例如，根據(jù)病人的癥狀和己建立的疾病分類規(guī)則可到定病人患病的種類。例如，分別提取兩張不同疾病的癥狀，利用這些癥狀就可以區(qū)分這兩種疾病。從數(shù)據(jù)挖掘技術(shù)上的定義可以看出，數(shù)據(jù)挖掘的原始數(shù)據(jù)必須是大量的真實(shí)數(shù)據(jù)，挖掘出的知識(shí)是用戶感興趣的并對(duì)用戶有價(jià)值的數(shù)據(jù)，用戶可以理解、接受并應(yīng)用這些知識(shí)。這種知識(shí)可能包括概念分層，用于將屬性或?qū)傩灾到M織成不同的抽象層。比如超市的經(jīng)營(yíng)者希望獲得哪些商品經(jīng)常被顧客同時(shí)購(gòu)買，保險(xiǎn)公司希望得到購(gòu)買保險(xiǎn)的客戶的特征，傳統(tǒng)的統(tǒng)計(jì)、查詢方法都是對(duì)數(shù)據(jù)進(jìn)行簡(jiǎn)單的處理，無(wú)法直接提取出這些潛在的有價(jià)值的信息。 本課題的主要研究目標(biāo)本文的研究目標(biāo)是設(shè)計(jì)一個(gè)高血壓的輔助診斷和治療系統(tǒng)，目的是幫助用戶診斷是否患有高血壓，為確診的病人提供一個(gè)合適的治療方案，從而提高病人的知曉率和治療率，最終提高全社會(huì)對(duì)高血壓的防治水平。關(guān)聯(lián)規(guī)則最初應(yīng)用于購(gòu)物籃分析，用于發(fā)現(xiàn)商品交易數(shù)據(jù)中的被顧客頻繁購(gòu)買的商品、顧客的購(gòu)買習(xí)慣和不同商品之何的聯(lián)系。(3)借助數(shù)據(jù)倉(cāng)庫(kù)、數(shù)據(jù)挖掘和人工智能等計(jì)算機(jī)技術(shù)對(duì)高血壓的病因、尿酸與高血壓前期關(guān)系的研究、血脂與高血壓關(guān)系的研究等。 相關(guān)研究的現(xiàn)狀 高血壓領(lǐng)域的研究現(xiàn)狀高血壓作為全球人類最常見(jiàn)的慢性病，中華人民共和國(guó)衛(wèi)生部疾病預(yù)防控制局、衛(wèi)生部心血管病防治研究中心出臺(tái)了中國(guó)高血壓防治指南(2009年基層版)，指南中估計(jì)我國(guó)現(xiàn)有高血壓患者2億人，嚴(yán)重了我國(guó)居民的身心健康。治療高血壓最有效的方式是藥物治療，藥物治療就需要醫(yī)生開(kāi)具處方，從而產(chǎn)生了大量的紙質(zhì)處方的存儲(chǔ)和查詢問(wèn)題。 data mining。本文的主要研究工作如下：深入分析和探討了典型的關(guān)聯(lián)規(guī)則挖掘算法Apriori算法，在此算法的基礎(chǔ)上完成數(shù)據(jù)庫(kù)挖掘的基本構(gòu)思。中醫(yī)臨證辨治是以中醫(yī)視點(diǎn)采集信息、以中醫(yī)思維處理信息，并據(jù)此施以中醫(yī)治法的過(guò)程。本文提出的高血壓診療系統(tǒng)，只在輔助高血壓的診斷和治療，是依靠人工技能及計(jì)算機(jī)技術(shù)對(duì)高血壓診斷和治療工作的一次嘗試與探索。心腦血管病的發(fā)病和死亡一半以上與高血壓有關(guān)，同時(shí)居民腦卒中和冠心病發(fā)病最重要的危險(xiǎn)因素也是高血壓，所以控制高血壓是防治心腦血管病、腦卒中和冠心病的關(guān)鍵。中醫(yī)藥在漫長(zhǎng)的發(fā)展過(guò)程中形成了自己獨(dú)特的理論和診療經(jīng)驗(yàn)，中醫(yī)醫(yī)案中的方、藥、證之間的關(guān)系錯(cuò)綜復(fù)雜，在一定程度上保持了中醫(yī)藥系統(tǒng)的特色，但也成為中醫(yī)藥走向世界的障礙。%。同時(shí)，為了增強(qiáng)全科醫(yī)生的查詢能力，更好地提醒病人按時(shí)服藥，Thusitha等人還開(kāi)發(fā)了一個(gè)基于本體的查詢方法。在醫(yī)學(xué)領(lǐng)域中，關(guān)聯(lián)規(guī)則主要用來(lái)尋找癥狀和疾病之間的關(guān)聯(lián)、疾病和治療標(biāo)準(zhǔn)之間的關(guān)聯(lián)、藥物和不良反應(yīng)之問(wèn)的關(guān)聯(lián)，從而輔助疾病的診斷和治療。在Windows XP平臺(tái)上Visual BAS工C6. 0的環(huán)境下，采用Apriori算法，開(kāi)發(fā)了基于數(shù)據(jù)挖掘的中醫(yī)高血壓醫(yī)案分析系統(tǒng)。從商業(yè)角度來(lái)看，數(shù)據(jù)挖掘是對(duì)既定的業(yè)務(wù)目標(biāo)，從大量的企業(yè)數(shù)據(jù)中發(fā)現(xiàn)未知的規(guī)律或者驗(yàn)證己知的規(guī)律，并進(jìn)一步模型化，從而獲得輔助商業(yè)決策、, NCR, DaimlerChrysler三家公司在1996年制定了數(shù)據(jù)挖掘的交叉產(chǎn)業(yè)標(biāo)準(zhǔn)過(guò)程(CRISPDM) ，它強(qiáng)調(diào)數(shù)據(jù)挖掘在商業(yè)中的應(yīng)用，是數(shù)據(jù)挖掘應(yīng)用商業(yè)的通用流行標(biāo)準(zhǔn)之一。它可能使用興趣度閩值過(guò)濾發(fā)現(xiàn)的模式。從數(shù)據(jù)中挖掘出有用的知識(shí)是一個(gè)往復(fù)循環(huán)的過(guò)程，首先要確定合適的挖掘目標(biāo)，然后抽取所需要的數(shù)據(jù)，選取相應(yīng)的挖掘算法進(jìn)行數(shù)據(jù)挖掘，最后對(duì)生成的知識(shí)進(jìn)行評(píng)估，如果對(duì)挖掘出的只是不滿足用戶的要求，則整個(gè)挖掘過(guò)程需要退回，重新選取數(shù)據(jù)，甚至改變挖掘算法，直到滿足要求為止。關(guān)聯(lián)規(guī)則被廣泛地應(yīng)用到商業(yè)領(lǐng)域，“啤酒和尿布”的故事就是從超市的交易數(shù)據(jù)中分析得出的頻繁項(xiàng)集。每個(gè)數(shù)據(jù)集包括若干個(gè)類，各類之間數(shù)據(jù)對(duì)象相似程度極低，每個(gè)類內(nèi)部的對(duì)象相似程度很高。 數(shù)據(jù)挖掘技術(shù)在中醫(yī)藥研究中的應(yīng)用數(shù)據(jù)挖掘技術(shù)只有十多年的發(fā)展時(shí)間，但其應(yīng)用十分廣泛。在中醫(yī)藥專家系統(tǒng)研究中的應(yīng)用計(jì)算機(jī)和人工智能技術(shù)在中醫(yī)藥研究中最普遍的應(yīng)用是各種專家系統(tǒng)，如關(guān)幼波肝病專家系統(tǒng)等。如數(shù)據(jù)挖掘中的分類方法可以依據(jù)藥性特征的辨識(shí)結(jié)果，將一些還未歸類的中藥進(jìn)行分類預(yù)測(cè)。如利用分子對(duì)接技術(shù)(DOCK)在進(jìn)行受體與配體結(jié)合分析的基礎(chǔ)上，建立對(duì)應(yīng)結(jié)構(gòu)類型不同配體的構(gòu)效方程和它們的結(jié)合模式。比如一個(gè)分析師想找到是什么導(dǎo)致拖欠貸款，他可能先做一個(gè)初始假設(shè)，認(rèn)為低收入的人信用也低，然后他可以用OLAP來(lái)驗(yàn)證他的假設(shè)，如果這個(gè)假設(shè)沒(méi)有被證實(shí)，他可能去查看那些高負(fù)債的賬戶，如果還不行，他可能要把收入和負(fù)債一起來(lái)考慮，繼續(xù)進(jìn)行下去直到找到他想要的結(jié)果或放棄。先前未知的信息是指該信息是預(yù)先未能預(yù)料的。條形碼技術(shù)的發(fā)展使得數(shù)據(jù)的收集變得更容易更完整，從而存儲(chǔ)了大量交易資料，關(guān)聯(lián)規(guī)則是通過(guò)辨別這些交易資料，來(lái)分析顧客的購(gòu)買模式。設(shè)A是一個(gè)項(xiàng)集當(dāng)且僅當(dāng)時(shí)就稱事務(wù)T包含A。up的頻繁項(xiàng)集的集合:第二步是根據(jù)設(shè)定的minconf從頻繁項(xiàng)集產(chǎn)生關(guān)聯(lián)規(guī)則。置信度表示了規(guī)則的強(qiáng)度。在上例中，關(guān)聯(lián)規(guī)則的作用度為50%/15% ≈3. 3。根據(jù)這個(gè)式子，一條規(guī)則的興趣度越大(IR0)說(shuō)明對(duì)這條規(guī)則越感興趣(即其實(shí)際利用價(jià)值越大)；一條規(guī)則的興趣度越小(IR0) 說(shuō)明對(duì)這條規(guī)則的反面規(guī)則越感興趣(即其反面規(guī)則的實(shí)際利用價(jià)值越大)。關(guān)聯(lián)規(guī)則描述了A的出現(xiàn)影響到B的出現(xiàn)。保單上記錄有投保人的年齡、性別、健康狀況、工作單位、工作地址、工資水平等。布爾型關(guān)聯(lián)規(guī)則處理的值都是離散的、種類化的，它顯示了這些變量之間的關(guān)系；值型關(guān)聯(lián)規(guī)則可以和多維關(guān)聯(lián)或多層關(guān)聯(lián)規(guī)則結(jié)合起來(lái)，對(duì)數(shù)值型字段進(jìn)行處理，將其進(jìn)行動(dòng)態(tài)的分割，或者直接對(duì)原始的數(shù)據(jù)進(jìn)行處理，值型關(guān)聯(lián)規(guī)則中也可以包含種類變量。多維關(guān)聯(lián)規(guī)則是處理各個(gè)屬性之間的某些關(guān)系。 APRIORI算法Apriori算法是一種最有影響的挖掘關(guān)聯(lián)規(guī)則的算法，它使用了頻繁項(xiàng)集的所有非空子集都必須是頻繁集的這一性質(zhì)。其具體步驟如圖。②算法在效率上存在著問(wèn)題。圖25 Apriori算法的具體挖掘過(guò)程基于Hash的方法。第二遍掃描計(jì)算全局候選項(xiàng)集的全局支持度，以確定全局頻繁項(xiàng)集。例如，當(dāng)長(zhǎng)度為1的頻集有10000個(gè)的時(shí)候，長(zhǎng)度為2的候選集個(gè)數(shù)將會(huì)超過(guò)10M，并累計(jì)和檢查它們的頻繁性。itemname記錄了該節(jié)點(diǎn)所代表的項(xiàng)的名字：count記錄了所在路徑代表的交易(transaction)中達(dá)到此節(jié)點(diǎn)的交易個(gè)數(shù):node_ link指向下一個(gè)具有同樣的itemname域的節(jié)點(diǎn)，要是沒(méi)有這樣一個(gè)節(jié)點(diǎn)，就為null。每個(gè)事務(wù)中的項(xiàng)按L中的次序處理(即按遞減支持度計(jì)數(shù)排序)并對(duì)每個(gè)事務(wù)創(chuàng)建一個(gè)分支。它使用最不頻繁的項(xiàng)作后綴，提供了好的選擇性，該方法大大降低了搜索開(kāi)銷。設(shè)是一個(gè)頻繁k項(xiàng)集，如果在關(guān)聯(lián)圖中有一條從到。本研究按照數(shù)據(jù)挖掘的程序、要求和基本方法對(duì)其進(jìn)行處理，試圖探索數(shù)據(jù)挖掘在名老中醫(yī)用藥規(guī)律研究中的方法意義和應(yīng)用策略。第二部分是該系統(tǒng)的核心部分，該部分首先將第一部分的原始數(shù)據(jù)經(jīng)過(guò)清洗、轉(zhuǎn)換、抽取、匯總，裝載到數(shù)據(jù)集市，然后以數(shù)據(jù)集市為基礎(chǔ)，以數(shù)據(jù)挖掘技術(shù)為核心，將分析的結(jié)果存放到中醫(yī)醫(yī)案模型庫(kù)中。比如，高血壓、高血壓病、血壓高、原發(fā)性高血壓、一級(jí)高血壓、早期高血壓等均用高血壓病表示。醫(yī)案數(shù)據(jù)具有多層關(guān)聯(lián)結(jié)構(gòu)，藥與癥、藥與病、藥與證、癥與方、病與方、證與方等等。 Apriori算法的實(shí)現(xiàn)過(guò)程實(shí)現(xiàn)過(guò)程分為以下五步：①記錄程序開(kāi)始執(zhí)行的時(shí)間和初始化。如果k為奇數(shù)，清空1項(xiàng)集，否則清空2項(xiàng)集，由頻繁(k1)集連接(前k 2項(xiàng)相同最后一項(xiàng)不同的頻繁(k1)集進(jìn)行連接)，然后對(duì)其剪枝(只要連接后產(chǎn)生的k集的k1子集中有一個(gè)不是頻繁的就將其剪掉)產(chǎn)生候選k項(xiàng)集，再?gòu)念^到尾遍歷k項(xiàng)集，把頻數(shù)小于相應(yīng)患者個(gè)數(shù)x最小置信度的項(xiàng)集刪除，只到無(wú)法發(fā)現(xiàn)新的項(xiàng)集為止。據(jù)從Loglstlc回歸分析結(jié)果可知，用藥頻率}=10%的31種中藥中，鉤藤(p 0. 0001)與野葛根(p 0. 05偏回歸系數(shù)的假設(shè)檢驗(yàn)具有統(tǒng)計(jì)學(xué)意義，這表明二者在高血壓病用藥中的特異性較強(qiáng)。在醫(yī)案相同的情況下，最小置信度越小，所花費(fèi)的時(shí)間越多，醫(yī)案模型中中藥的味數(shù)越多。我們以高血壓病驗(yàn)證，實(shí)驗(yàn)結(jié)果證明，運(yùn)用Apriori算法得出的模型幾乎完全符合沈治療高血壓用的驗(yàn)方。參考文獻(xiàn)[1] 劉力生.(高血壓).北京:人民衛(wèi)生出版社，2001,1519 .[2] 李立民,[J] .中華流行病雜志，2005,26（7）:478483.[3] 劉力生，王文，（2009年基礎(chǔ)版）[J] . 中華高血壓雜志，2010,18（1）:1118.[4] [J].北京：計(jì)算機(jī)工程與應(yīng)用，2006,（32）:223225.[5] [D].南京:南京理工大學(xué)，2009.[6] 陳芳，陳玉文，[J] .中國(guó)藥業(yè)，2010,19（4）:45.[7] 王光宏，[J].同濟(jì)大學(xué)學(xué)報(bào)(自然科學(xué)版)，2004,32（2）:247250.[8] [J].情報(bào)探索，2010,6:105106.[9] 張安安，[J].江西科學(xué)，2010,28(5):688691.[10] 范麗霞，[J].計(jì)算機(jī)與現(xiàn)代,2005, 8: 6567.[11] 袁占花，[J].電腦開(kāi)發(fā)與應(yīng)用，2009,22(7):5557.[12] 袁鋒. 基于數(shù)據(jù)挖掘的中醫(yī)醫(yī)案分析系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D]. 山東師范大學(xué), 2006.[13] 王軍亮. 基于關(guān)聯(lián)規(guī)則和本體的高血壓診療系統(tǒng)的研究[D]. 太原理工大學(xué), 2011.[14] Janice Hopkins [J].英國(guó)醫(yī)學(xué)雜志(中文版),2004,7(5):271.[15] 劉燕，[J].中國(guó)數(shù)字醫(yī)院，2007,2(5):3536.[16] T. Mabotuwana, et al, A putational framework to identify patients with pooradherence to blood pressure lowering medication[J]. International Journal of MedicalInformatics, 2009, 78(1):745756.[17] Thusitha Mabotuwana, Jim Warren. An ontologybased approach to enhance querying capabilities of general practice medicine for better management of hypertension[J].Artificial Intelligence in Medicine, 2009,47: 87103.在學(xué)取得成果一、 在學(xué)期間所獲的獎(jiǎng)勵(lì)全國(guó)大學(xué)生英語(yǔ)競(jìng)賽三等獎(jiǎng)致謝經(jīng)過(guò)四年的大學(xué)學(xué)習(xí)和數(shù)月的論文編修，我的論文及實(shí)驗(yàn)設(shè)計(jì)已經(jīng)經(jīng)本完成，由于缺乏經(jīng)驗(yàn)，在設(shè)計(jì)中難免出現(xiàn)各種缺點(diǎn)與不足