基于知常达变原理的气体放电可视化(GDV)序参量模型

The gas discharge visualization(GDV)order parameter model based on the principle of mastering both permanence and change

二维码有效期 120s

摘要目的采用"从定性到定量的综合集成法"来研究人体复杂系统,以实现对人体健康状态的定性分类和定量刻画.方法本文通过引入"序参量"的概念,提出了基于"知常达变"原理建立气体放电可视化(GDV)图像信号的序参量模型的方法,分为三个步骤.首先,计算GDV图像的平均亮度((I))和平均面积((S))构建相空间,并计算健康问卷的总得分作为健康偏差指数(H);其次,采用k-means++聚类方法,根据数据样本确定具有相同健康特征的亚类,统计各个亚类的特异性症状频次.最后,在相空间中确定每个亚类的"理想健康状态",计算每个样本与其之间的距离(d)作为描述健康偏离度的序参量,建立d与H之间的线性映射.进一步的,通过分析亚类症状谱,探索GDV信号的健康含义.我们还与基于年龄、性别和体质指数(BMI)的分类方法比较均方误差(MSE),来验证相空间具备刻画人体健康状态的能力.结果本研究初步在 20 名志愿者提供的数据样本中检验了序参量模型.基于发现的线性规律,当前模型可以通过GDV图像信号计算得到的偏差(d)来预测健康偏差指数(H)(R2>0.77).结合亚类的症状谱,我们为相空间的分类依据提供了基于辨证论治的解释.与基于年龄、性别、BMI等的常见分类方法相比,基于相空间分类的MSE降低了一个数量级.结论本研究基于"知常达变"原理的GDV图像信号序参量模型能够准确地识别亚类并表征个体的健康水平,采用主客观结合的方法探索GDV信号的中医健康含义,对于从传统中医诊断原理建立数学模型以解读人体信号具有重要意义.