本文对图像分割与采集方法在交通车流量计算中的应用进行了研究

第一篇：本文对图像分割与采集方法在交通车流量计算中的应用进行了研究

本文对图像分割与采集方法在交通车流量计算中的应用进行了研究，使用图像采集和精度测量，将图像数字化，结合MAT—LAB将车辆行走在公路上的视频分帧。然后自定义截取一定的时间（小于5分钟）的视频作为分析对象，截取局部图片，对像素矩阵进行分析，就其像素矩阵与无车通过时截取的图像像素矩阵进行对比，观察其变化；其次，对背景图像进行分析，将像素矩阵与无车通过道路时截取的图像对比，观察其变化值，得出矩阵差值目标函数和四个新的行矩阵，用MATLAB绘制vY,像素反映车流量的曲线图，对数值进行分析并观察其变化从而判断车流量。

车辆检测是智能交通系统的基础核心问题。与传统的检测器相比,视频车辆检测器具有安装维护便捷且费用较低、可监视范围广、可获取更多种类的交通参数等诸多优点,因而在智能交通系统中得到了广泛的应用。背景差法是一种重要的视频车辆检测方法。该方法建立一个参考背景图像并将其与当前输入图像进行比较,从而分割出前景目标车辆。由于实际交通道路状况受气候、光照等多种因素的影响,变化非常复杂,因此如何设计一种自适应的背景提取与更新算法以适应实际环境的变化,是背景差法的关键所在。本文研究基于背景差法的视频车辆检测算法。针对背景差法的关键问题,提出了两种不同的基于混合高斯分布像素模型的背景提取与更新算法。并且在虚拟线圈法的框架下,用背景差法实现了昼间车辆检测和交通参数计算。此外,在全天候视频车辆检测系统中通常存在两种车辆检测算法,虚拟线圈法框架下的背景差法只适用于昼间车辆检测,必须进行昼间检测算法和夜间检测算法的切换。本文提出了一种基于路面亮度中值变化速率的切换方法。本文的研究创新点和贡献主要包括:提出了一种基于自适应分布数K混合高斯分布模型的背景提取与更新算法,该算法具有很好的准确

1、yuv视频-->视频帧-->提取YUV数据

或者从BMP图里提取RGB信息，存进数组

2、将背景帧与当前帧相减，得到差值图像（2维数组）

3、将差值图像2值化

4、滤波

目前能从BMP图里提取RGB信息，求高手帮助

性和鲁棒性;提出了一种基于改进的固定分布数K混合高斯分布模型的背景

第二篇：深度学习方法在图像处理中的应用与研究(总结)

深度学习方法在图像处理中的应用与研究

1.概述和背景........................................................................................................1 2.人脑视觉机理......................................................................................................3 3.深度学习的基本思想..........................................................................................6 4.深度学习的常用方法..........................................................................................7 5.总结与展望.......................................................................................................9

深度学习方法在图像处理中的应用与研究

1.概述和背景

Artificial Intelligence，也就是人工智能，就像长生不老和星际漫游一样，是人类最美好的梦想之一。虽然计算机技术已经取得了长足的进步，但是到目前为止，还没有一台电脑能产生“自我”的意识。是的，在人类和大量现成数据的帮助下，电脑可以表现的十分强大，但是离开了这两者，它甚至都不能分辨一个喵星人和一个汪星人。

图灵（图灵，大家都知道吧。计算机和人工智能的鼻祖，分别对应于其著名的“图灵机”和“图灵测试”）在 1950 年的论文里，提出图灵试验的设想，即，隔墙对话，你将不知道与你谈话的，是人还是电脑。这无疑给计算机，尤其是人工智能，预设了一个很高的期望值。但是半个世纪过去了，人工智能的进展，远远没有达到图灵试验的标准。这不仅让多年翘首以待的人们，心灰意冷，认为人工智能是忽悠，相关领域是“伪科学”。

但是自 2006 年以来，机器学习领域，取得了突破性的进展。图灵试验，至少不是那么可望而不可及了。至于技术手段，不仅仅依赖于云计算对大数据的并行处理能力，而且依赖于算法。这个算法就是，Deep Learning。借助于 Deep Learning 算法，人类终于找到了如何处理“抽象概念”这个亘古难题的方法。

在实际应用中，例如对象分类问题如对象的分类(对象可是文档、图像、音频等)，我们不得不面对的一个是问题是如何用数据来表示这个对象，当然这里的数据并非初始的像素或者文字，也就是这些数据是比初始数据具有更为高层的含义，这里的数据往往指的就是对象的特征。例如人们常常将文档、网页等数据用词的集合来表示，根据文档的词集合表示到一个词组短语的向量空间(vector space model, VSM模型)中，然后才能根抓不同的学习方法设计出适用的分类器来对目标对象进行分类;又如在图像处理中，像素强度的集合的表示方法可以最初浅的表示一幅图像，这也是我们视觉意义上的图像，一可是由于各种原因人们提出了更高层的语义的特征，如SIFT为经典的几何特征、以LBP为经典的纹理特征、以特征脸为经典的统计特征等，像SIFT，特征在很多图像处理的应用中突显出其优越性，因此特征选取得好坏对于实际应用的影响是很深刻的。因此，选取什么特征或者用什么特征来表示某一对象对于解决一个实际问题非常的重要。然而，人为地选取特征的时间代价是非常昂贵，另外劳动成本也高，而所谓的启发式的算法得到的结果往往不稳定，结果好坏经常是依靠经验和运气。既然如此，人们自然考虑到自动学习来完成特征抽取这一任务。Deep Learning的产生就是缘于此任务，它又被称为无监督的特征学习(Unsupervised Feature Learning)，一显然从这个名称就可以知道这是一个没有人为参与的特征选取方法。

深度学习(Deep Learning)的概念是2006年左右由 Geoffrey Hinton等人在《science》上发表的一篇文章((Reducing the dimensionality of data with neural networks》》提出来的，主要通过神经网络(Neural Network NN)来模拟人的大脑 的学习过程，希望借鉴人脑的多层抽象机制来实现对现实对象或数抓(图像、语音及文木等)的抽象表达，整合特征抽取和分类器到一个学习框架下，特征的抽取过程中应该尽量少地减少人为的干预。

深度学习是通过大量的简单神经元组成，每层的神经元接收更低层的神经元的输入，通过输入与输出之间的非线性关系，将低层特征组合成更高层的抽象表示，并发现观测数据的分布式特征。通过自下而上的学习形成多层的抽象表示，并多层次的特征学习是大连理卜大学硕十学位论文一个自动地无人工干预的过程。根据学习到的网络结构，系统将输入的样本数据映射到各种层次的特征，并利用分类器或者匹配算法对顶层的输出单元进行分类识别等。

2.人脑视觉机理

研究表明，哺乳动物的大脑皮层，处理输入信息时是采用了一种分层机制，信息从感知器官输入后，经过多层的神经元，在经过每一层神经元时，神经元会将能够体现对象本质的特征抽取出来，然后将这些特征继续传递到下一层神经元上，同样地，后继的各层神经元都是以类似的方式处理和传递信息，最后传至大脑。深层的人工神经网络的诞生很大程度上受这一发现的启示，即构建一种包含多层结点，并且使得信息、得以逐层处理抽象的神经网络。

换言之，哺乳动物的大脑是以深度方式组织的，这一类深层的结构组织里的每一层会对于输入进行不同层次的信息处理或者抽象表示，因此，实际生活中，层次化的方法经常被用于表示一些抽象的语义概念。与哺乳动物一样，人类的大脑处理信矛息时也是采用逐层传输和表达的方式，人脑的初级视觉系统，首先利用某些神经元探测物体边界、元形状，然后又利用其他的神经元组织，逐步向上处理形成更复杂的视觉形状。人脑识别物体的原理是:外部世界中的物体先在视网膜上进行投影，然后大脑的视皮层对于聚集在视网膜上的投影进行分解处理，最后利用这些分解处理后的信息进行物体识别。因此视皮层的功能不是仅限于简单的重现视网膜图像，而是提取和计算感知信号。

视觉系统的输入数据量在人类感知系统的层次结构进行了维数减约，并剔除了与物体个性无关的信息;例如对于处理潜在结构是复杂的丰富数据(如图像、视频、主意等)，深度学习应该与人类视觉系统一样可以精准地获取对象的本质特征。深度学习的构想是借鉴大脑的分层组织方式，通过由下向上、由简单到高级的逐层抽象的特征学习，研究者们期望深度网络结构能通过模拟大脑来解决复杂的模式识别难题。因此，深层的人工神经网络是一种人工定义用于模拟人脑组织形式的多层神经网络。

从文本来说，一个doc表示什么意思？我们描述一件事情，用什么来表示比较合适？用一个一个字嘛，我看不是，字就是像素级别了，起码应该是term，换句话说每个doc都由term构成，但这样表示概念的能力就够了嘛，可能也不够，需要再上一步，达到topic级，有了topic，再到doc就合理。但每个层次的数量差距很大，比如doc表示的概念->topic（千-万量级）->term（10万量级）->word（百万量级）。

一个人在看一个doc的时候，眼睛看到的是word，由这些word在大脑里自动切词形成term，在按照概念组织的方式，先验的学习，得到topic，然后再进行高层次的learning。

那我们需要有多少个特征呢？我们知道需要层次的特征构建，由浅入深，但每一层该有多少个特征呢？

任何一种方法，特征越多，给出的参考信息就越多，准确性会得到提升。但特征多意味着计算复杂，探索的空间大，可以用来训练的数据在每个特征上就会稀疏，都会带来各种问题，并不一定特征越多越好。

一些浅层的算法(指仅含一个隐层的神经网络、核回归、支撑向量机等)，当

给定有限数量的样本和计算单元时，浅层结构难以有效地表示复杂函数，并且对于复杂分类问题表现性能及泛化能力针均有明显的不足，尤其当目标对象具有丰富的含义。深度学习通过大量的简单神经元组成的网络，利用输入与输出之间的非线性关系，对复杂函数进行近似，对观测样本进行拟合，并在学习输入样本本质特征的抽取上体现了强大的能力。有文献中就列举出一系列无法使用浅层网络表示的函数，这些研究成果揭示了浅层网络的局限性，从而也激发了人们探寻深度网络在一些复杂函数表示和复杂分类的应用前景。指出深度学习结构在对于复杂函数的表示问题上具有非常高的效率及效果，而一个不适用的结构模型否(如浅层网络)对数据建模时可能需要数目非常大的计算单元。

3.深度学习的基本思想

假设一个系统S，它是一个n层(S1，„，Sn)的结构，I是系统的输入，O是系统输出，形象地表示为:I =>S1=>S2=>...=>Sn=>O，如果输出O等于输入I，物理意义也就是表明在经过系统变化之后，输入I的信息量没有任何损失，和原始的输入保持了不变，这表明了输入I经过每一层S;均没有丢失任何信息,，即在任何一层S;，它都是输入I也就是原始信息的另外一种表示。简单说，深度学习的精髓也就是，在一个n层的神经网络中，任何一层的输入I和输出O是“相等.’的。学习过程中，我们希望它是不需要人为干预的，它能够自动地学习对象的特征。在给定一组原始的输入I(可以理解为是一堆图像或者文本、一段语音之类)，经过一个包含n层的系统S时，我们通过调整系统中参数，使得输出与输出相等，即输出O仍然是输入I，这样，我们就获取了输入I(原始数据)的一系列的层次特征，记为S,...Sn。

另外，前面是假设输出严格地等于输入，即这个地方“相等”有两个含义在里面:第一个是说O和I不是在绝对形式上的相等，而是在抽象意义上的相等;另外一点指的是限制的约束的程度，比如说是不会造成歧义的完全“相等”还是有适当宽松条件的“相等”。而绝对意义上的“相等”这个限制太严格，我们可以略微地放松这个限制，例如我们只要使得输入与输出的差别尽可能地小即可，这个放松会形成另外一类不同的深度学习的方法。举个不太恰当的例子，比如说对“交通工具”这个概念上，I是“可以驾驶的四个轮子”，O是“车”，这样虽然对两者的描述不一致，但是我们都一可以理解为“交通工具”了。上述就是深度学习的基本思想，而上述中的两个思想也对应了深度学习中的两个经典的方法AutoEncoder和Sparse Coding，还有一个很常用的方法就是受限玻尔兹曼机(Restrict Boltzmann Machine，RBM)。

4.深度学习的常用方法

4.1AutoEncoder自动编码器

最简单的一种方法是利用人工神经网络的特点，人工神经网络(ANN)本身就是具有层次结构的系统，如果给定一个神经网络，我们假设其输出与输入是相同的，然后训练调整其参数，得到每一层中的权重，自然地，我们就得到了输入I的儿种不同表示(每一层是输入的一种表示)，这些表示就是特征，在研究中可以发现，如果在原有的特征中加入这些自动学习得到的特t正可以大大提高精确度，甚至在分类问题中比}」前址好的分类算法效果还要好，这种方法称为自动编码(AutoEncoder)。

4.2、Sparse Coding稀疏编码

如果我们把输出必须和输入相等的限制放松，同时利用线性代数中基的概念，即O=Wx B, +砚x B, +...+W,x B， , B是基，W;是系数，我们可以得到这样一个优化问题:Min 11一Olo 通过求解这个最优化式子，我们可以求得系数W和基B;，这些系数和基础就是输入的另外一种近似表达，因此，它们可以被当成特征来表达输入I，这个过程也是自动学习得到的。如果我们在上述式子上加上L1的Regularity限制，得到:

Min}I一O}+u*(IW卜}砚I+„+}W，})。(2.1)种方法被称为Sparse Coding，它是一种对对象的简洁表征的方法，这种方法可以自动地学习到隐藏在对象数据潜在的基函数。

4.3、Restricted Boltzmann Machine(RBM)限制波尔兹曼机

假设有一个二部图，每一个相同层的节点之间没有链接，一层是可视层，即输入数据层(v)，一层是隐层(h)，如果假设所有的节点都是二值变量节点(只能取0或者1值)，同时假设联合概率分布p(v, h)满足Boltzmann分布，我们称这个模型是受限玻尔兹曼机(RBM)。下面我们来看看为什么它是Deep Learning方法。首先，这个模型因为是二部图，所以在己知v的情况下，所有的隐藏节点之间是条件独立的，即p(hIv卜p(h, I 1,)...p(h-I v)。同理，在己知隐藏层h的情况下，所有的可视节点都是条件独立的，同时又由于所有的v和h满足Boltzmann分布，因此，当输入v的时候，通过p(hlv)可以得到隐藏层h，而得到隐藏层h之后，通过p(vlh)又能重构可视层，通过调整参数，我们就是要使得从隐藏层得到的可视层VI与原来的可视层v如果一样，那么得到的隐藏层就是可视层的另外一种表达，因此隐藏层可以作为可视层输入数据的特征，所以它就是一种Dcep Learning方法。文献X32]从理论一上证明，当隐层节点足够多时，深度网络就可以表示任意离散分布;文献[33]指出受限玻尔兹曼机中的隐层节点与可视节点可以为任意的指数族单元(即给定隐单元(可见单元)，可见单元(隐单元)的分布的

形式一可以为任意的指数族分布)，如高斯单元、softmax单元、泊松单元等等。

4.4、Deep BeliefNetworks深信度网络

DBNs是一个概率生成模型，与传统的判别模型的神经网络相对，生成模型是建立一个观察数据和标签之间的联合分布，对P(Observation|Label)和 P(Label|Observation)都做了评估，而判别模型仅仅而已评估了后者，也就是P(Label|Observation)。对于在深度神经网络应用传统的BP算法的时候，DBNs遇到了以下问题：

（1）需要为训练提供一个有标签的样本集；（2）学习过程较慢；

（3）不适当的参数选择会导致学习收敛于局部最优解。

目前，和DBNs有关的研究包括堆叠自动编码器，它是通过用堆叠自动编码器来替换传统DBNs里面的RBMs。这就使得可以通过同样的规则来训练产生深度多层神经网络架构，但它缺少层的参数化的严格要求。与DBNs不同，自动编码器使用判别模型，这样这个结构就很难采样输入采样空间，这就使得网络更难捕捉它的内部表达。但是，降噪自动编码器却能很好的避免这个问题，并且比传统的DBNs更优。它通过在训练过程添加随机的污染并堆叠产生场泛化性能。训练单一的降噪自动编码器的过程和RBMs训练生成模型的过程一样。

4.5 Networks卷积神经网络

卷积神经网络是人工神经网络的一种，已成为当前语音分析和图像识别领域的研究热点。它的权值共享网络结构使之更类似于生物神经网络，降低了网络模型的复杂度，减少了权值的数量。该优点在网络的输入是多维图像时表现的更为明显，使图像可以直接作为网络的输入，避免了传统识别算法中复杂的特征提取和数据重建过程。卷积网络是为识别二维形状而特殊设计的一个多层感知器，这种网络结构对平移、比例缩放、倾斜或者共他形式的变形具有高度不变性。

CNNs是受早期的延时神经网络（TDNN）的影响。延时神经网络通过在时间维度上共享权值降低学习复杂度，适用于语音和时间序列信号的处理。

CNNs是第一个真正成功训练多层网络结构的学习算法。它利用空间关系减少需要学习的参数数目以提高一般前向BP算法的训练性能。CNNs作为一个深度学习架构提出是为了最小化数据的预处理要求。在CNN中，图像的一小部分（局部感受区域）作为层级结构的最低层的输入，信息再依次传输到不同的层，每层通过一个数字滤波器去获得观测数据的最显著的特征。这个方法能够获取对平移、缩放和旋转不变的观测数据的显著特征，因为图像的局部感受区域允许神经元或者处理单元可以访问到最基础的特征，例如定向边缘或者角点。

5.总结与展望

1）Deep learning总结

深度学习是关于自动学习要建模的数据的潜在（隐含）分布的多层（复杂）表达的算法。换句话来说，深度学习算法自动的提取分类需要的低层次或者高层次特征。高层次特征，一是指该特征可以分级（层次）地依赖其他特征，例如：对于机器视觉，深度学习算法从原始图像去学习得到它的一个低层次表达，例如边缘检测器，小波滤波器等，然后在这些低层次表达的基础上再建立表达，例如这些低层次表达的线性或者非线性组合，然后重复这个过程，最后得到一个高层次的表达。

Deep learning能够得到更好地表示数据的feature，同时由于模型的层次、参数很多，capacity足够，因此，模型有能力表示大规模数据，所以对于图像、语音这种特征不明显（需要手工设计且很多没有直观物理含义）的问题，能够在大规模训练数据上取得更好的效果。此外，从模式识别特征和分类器的角度，deep learning框架将feature和分类器结合到一个框架中，用数据去学习feature，在使用中减少了手工设计feature的巨大工作量（这是目前工业界工程师付出努力最多的方面），因此，不仅仅效果可以更好，而且，使用起来也有很多方便之处，因此，是十分值得关注的一套框架，每个做ML的人都应该关注了解一下。

当然，deep learning本身也不是完美的，也不是解决世间任何ML问题的利器，不应该被放大到一个无所不能的程度。2）Deep learning未来

深度学习目前仍有大量工作需要研究。目前的关注点还是从机器学习的领域借鉴一些可以在深度学习使用的方法，特别是降维领域。例如：目前一个工作就是稀疏编码，通过压缩感知理论对高维数据进行降维，使得非常少的元素的向量就可以精确的代表原来的高维信号。另一个例子就是半监督流行学习，通过测量训练样本的相似性，将高维数据的这种相似性投影到低维空间。另外一个比较鼓舞人心的方向就是evolutionary programming approaches（遗传编程方法），它可以通过最小化工程能量去进行概念性自适应学习和改变核心架构。

Deep learning还有很多核心的问题需要解决：

（1）对于一个特定的框架，对于多少维的输入它可以表现得较优（如果是图像，可能是上百万维）？

（2）对捕捉短时或者长时间的时间依赖，哪种架构才是有效的？（3）如何对于一个给定的深度学习架构，融合多种感知的信息？

（4）有什么正确的机理可以去增强一个给定的深度学习架构，以改进其鲁棒性和对扭曲和数据丢失的不变性？

（5）模型方面是否有其他更为有效且有理论依据的深度模型学习算法？

探索新的特征提取模型是值得深入研究的内容。此外有效的可并行训练算法也是值得研究的一个方向。当前基于最小批处理的随机梯度优化算法很难在多计算机中进行并行训练。通常办法是利用图形处理单元加速学习过程。然而单个机器GPU对大规模数据识别或相似任务数据集并不适用。在深度学习应用拓展方面，如何合理充分利用深度学习在增强传统学习算法的性能仍是目前各领域的研究重点。

第三篇：多元分析方法在辨证论治研究中的应用现状与思考概要

多元分析方法在辨证论治研究中的应用现状与思考

[ 08-10-30 15:03:00 ]

作者：田松

编辑：studa20 【摘要】

证候是中医学认识疾病和辨证论治的主要依据，是带动中医药基础理论取得突破、促进中医药现代化的关键问题之一。证候的高维高阶特性为证候实质的研究、证候的规范化、证候诊断标准的建立等带来了困难。运用多元统计分析方法在合理整合和充分利用各种数据资源的基础上，进行科学分析、特征提取和规律探索是研究中医学临床规律的一条可行的途径。【关键词】

多元分析 辨证论治 疾病危险度 证治规律 综述

多元分析方法在辨证论治研究中的应用

1．1

共性特征和证候特征的研究

症状是疾病所反映的现象，他是判断病种、辨别证候的主要依据。有专家指出，疾病的症状表现可大致分为3类：第1类是代表疾病本身特征的症状，第2类是代表证本身特征的症状，第3类是对辨证辨病皆贡献不大的症状［1］。如何从纷繁复杂的症状中筛选出属于中医证本身的主要症状是认清证本身特点的前提。张琴等［2］运用因子分析、模糊C 均值聚类和模糊综合评价的方法，提取900例肝炎后肝硬化患者的中医证候因子，认为肝炎后肝硬化的症状和体征可划分为共性特征和证候特征两大类，前者反映疾病所具有的中医基本病机，后者反映疾病的不同综合病理状态。李永健等［3］在肝癌流行性调查资料的基础上，运用多元Logistic 回归分析在筛选肝癌常见证候与症状方面做了一些尝试性的探索。

1．2

证的分类与疾病危险度关系的研究

证是机体在疾病发展过程中某一阶段的病理概括，反映出病变发展过程中某一阶段病理变化的本质。疾病的证型会随着疾病的发展而变化，同一疾病的不同证型反映了疾病不同阶段的不同病机，也反映了疾病的轻重及危险性。当疾病表现出不同的证型时，其对健康的损害程度如何并不十分明了，所以分析每一证型危险程度的大小就显得十分必要。丁邦晗等［4］对375例胸痹心痛患者进行证候分类和冠状动脉造影检查，通过二值多元Logistic 回归分析，比较不同证型的危险度。结果提示对胸痹心痛的危险程度依次为血瘀证、痰浊证、气虚证、阴虚证、寒凝证。

1．3

证型标准的研究

辨证分型是将西医或中医的某一疾病，分为几个不同的证候类型进行治疗。辨证分型的“型”是模型，是在对患者群高度分析总结的基础上对疾病过程的模拟，是建立在疾病的基础上的。而疾病是在病因的作用下，出现的具有一定发展规律的演化过程，具体表现出若干特定的症状和各阶段的相应证候，是有规律可循的。因此建立在疾病基础上的证和证型也是有规律可循的，可以运用数理统计如多元分析等客观化的手段来探索其规律。李涛等［5］采用多元统计方法分析焦虑症的中医症状及证型的分布特征，用聚类分析的方法将焦虑症的10 余种证型简化为5 种证型组合。刘寨华等［6］通过对150 例胸痹心脾两虚证患者的36 项指标进行多元线性逐步回归分析，表明胸闷、心前痛等11 项指标对此证的贡献度最大。

1．4

证与危险因素关系的研究

证候作为疾病过程中阶段性的病理概括，影响因素常常涉及病因、病位、病程、病性、气候、患者的年龄、性别、体质等诸多因素，在诸多因素的影响下常常表现为复杂而且多变的特点，但仍有一些规律可循。崔晓琳等［7］采用二元回归法对739例首发中风急性期患者的辨证分型与危险因素的关系进行分析。认为高血压病、吸烟、饮酒与中风之肝阳暴亢风火上扰证相关，其余证型与危险因素的关系无统计学意义。

1．5

证型与实验指标关系的研究

应用现代先进的实验方法与仪器，结合多元分析法建立辨证诊断的实验指标，是探究证候的实质，实现辨证客观化的必要手段。温利辉等［8］运用多元分析法探讨IgA 肾病的病理损害、临床表现及实验室检测指标与中医证型的关系，结果显示IgA 肾病的病理损害和临床表现与中医证型相关联，阳虚证与水肿、阴虚证与尿血关系密切。陈昌华等［9］对27 例肝血虚证患者的15 项指标进行检测，经多因素聚类分析并进行典型指标筛选，认为血浆NE、T3下降，TXB2、cGMP、ALD升高可考虑作为肝血虚证的实验诊断参考指标。

1．6

证治规律研究

传统的文献研究最大的弱点在于研究者没有通过定量方法处理数据，往往主观加以选择或摒弃，令人无所适从。采用多元统计分析方法可以较好地避免数据处理时主观因素的掺杂，客观准确地反映研究对象，并在文献资料中发现其内在的客观规律［10］。通过文献整理与多元分析相结合的方法，探析中医病证的证治规律，重新审视中医学对病机属性、证治方案的认识，可揭示辨证论治的优势和特点，为临床研究提供有价值的依据。卢惠林等［11］通过多元统计分析方法，从方药的频数和剂量两个角度探求唐宋金元明清各历史时期糖尿病的方药规律，发现补虚药、清热药是治疗此病的两类主要药物，提示热盛伤阴、气血两虚应是历朝历代总的糖尿病证侯群的分型归属。李国春等［12］采用多元统计聚类分析的方法探讨了半夏泻心汤临床案例的病种分布、用药规律和特点。

思

考

辨证论治是中医防病治病的基本方法，抓住辨证标准这一关键环节开展研究，就有可能带动中医理论、临床疗效、证候本质研究的进展。证候是中医学认识疾病和辨证论治的主要依据，是带动中医药基础理论取得突破、促进中医药现代化的关键问题之一。然而，证候属于高维高阶的复杂系统，证候的高维高阶特性为证候的规范化、证候实质的研究、证候诊断标准的建立等带来了困难［13］。随着生物信息学、系统生物学等研究的兴起，人们越来越清楚地认识到，从信息系统视角研究同样是系统的、复杂的中医药理论体系，在合理整合和充分利用各种数据资源的基础上，进行科学分析、特征提取和规律探索，可能是研究中医学临床规律的一条可行的途径［14］。

[ 08-10-30 15:03:00 ]

作者：田松

编辑：studa20

马克思曾深刻指出：“一种科学只有在成功地运用了数学之后，才算达到了完善的地步。”早在《黄帝内经》中就有一定程度的数学语言和思维的运用，如《灵枢·九宫八风》中的“生数”、“成数”和“九宫”等涉及的正是我国古代数学上著名的幻方定理——河图洛书的内容［15］。随着近年来科技的进步，中医药研究也开始有意识地引用现代数学语言和方法，从非生命科学中发展起来的数学，在被应用于中医药领域时就需要多元统计分析的方法。多元统计分析是数理统计学近20多年来迅速发展的一个分支，他探讨高维数据的内在规律，如研究多元变量间的相互关系、数据结构和数据简化等，能综合体现出人体生命活动的特点和规律，与中医药学基础理论有内在的切合性。中医药学理论中充满了数学语言和思维，如证的分类、组成和演变中饱含着多元模糊的数学思想，证候是以症状群组合的形式出现的，但同时又受到许多因素的影响，证与症状的关系不是单纯的线性和正态的。将数理统计引入证的研究不但是可行的而且是科学的。当然在实践运用过程中还存在不少问题，如通过多元分析所得到的证型分类往往与传统中医辨证分型之间存在一定的差异，提示我们现代科学的多元分析方法与传统临床辨证论治经验相对接有待进一步探索。

【参考文献】

［1］梁茂新.中医证研究的困惑与对策［M］.北京:人民卫生出版社，1998：6.［2］张琴，刘平，章浩伟，等.900例肝炎后肝硬化中医证候判别模式 的研究［J］.中国中西医结合杂志，2006，26（8）：694－697.［3］李永健，方肇勤，唐辰龙.154例原发性肝癌临床症状多元Logis-tic回归分析［J］.中国中医基础医学杂志，2003，9（8）：59-61.［4］丁邦晗，刘涛，罗翌.胸痹心痛危险证型的回归分析［J］.中国中医急症，2004，13（4）:225－22.［5］李涛，杨春霞.焦虑症中医证候多元分析初步研究［J］.中国中医基础医学杂志，2006，12（2）：127－129.［6］刘寨华，曹洪欣，张明雪.胸痹（缺血性心脏病）心脾两虚证辨证标准研究［J］.中医药学报，2004，32（1）:5-7.［7］崔晓琳，蔡业峰，卢明，等.739例首发中风急性期辨证分型与危险 因素关系的回顾性分析［J］.中国中医急症，2005，14（10）：974-976.［8］温利辉，罗月中，洪钦国，等.IgA 肾病中医辨证的多元分析［J］.广州中医药大学学报，2006，23（4）:290－294.［9］陈昌华，石林阶，舒毅刚.肝血虚证15 项实验指标同步检测的分析［J］.湖南医科大学学报，2001，26（4）:337-339.［10］任艳玲，董平，郑洪新.多元统计分析在中医药研究中的应用与思考［J］.中国中西医结合杂志，2002，22（11）:860-862.［11］卢惠林，于景伟，吴童.用多元统计分析方法探求糖尿病的证治规律［J］.黑龙江大学自然科学学报，2005，22（6）:846-848.［12］李国春，史欣德.半夏泻心汤临床案例用药量的聚类分析［J］.中医药学刊，2005，23（5）:836-838.［13］郭蕾，张启明，王永炎，等.证候规范化研究的思路和方法探讨［J］.中国中西医结合杂志，2006，26（3）:258-261.［14］王永炎，刘保延，谢雁鸣.应用循证医学方法构建中医临床评价体系［J］.中国中医基础医学杂志，2003，9（3）∶227-231.［15］孙益鑫.论模糊数学与中医学［J］.中国医药学报，1996，11（1）：15－17.