汤剂煎制参数的决策方法及煎制参数决策模型的训练方法转让专利
申请号 : CN202111059006.2
文献号 : CN113509388B
文献日 : 2021-12-07
发明人 : 李智彪 , 杜建强 , 杨明 , 张琦 , 程春雷 , 熊旺平 , 余瑛 , 朱彦陈 , 李远辉 , 王学成 , 伍振峰 , 臧振中 , 王雅琪
申请人 : 江西中医药大学 , 赣江新区智药善和科技有限公司
摘要 :
本申请提供一种汤剂煎制参数的决策方法及煎制参数决策模型的训练方法，包括：获取待煎制中药汤剂的处方信息；处方信息至少包括方剂组成信息和方剂剂量信息；将处方信息与方剂数据库中的既有处方从不同维度进行匹配，每一个维度得到一个既有处方及对应的煎制参数；方剂数据库包括至少一个既有处方及对应的煎制参数；将所有维度对应煎制参数形成的数据序列输入事先训练好的煎制参数决策模型，得到的第一煎制参数符合古方或经典名方的煎制逻辑，体现了中药煎制的个性化特点，满足了一方一煎的要求，对药材加热控制精度高，保证了药效。
权利要求 :
1.一种汤剂煎制参数的决策方法，其特征在于，包括：获取待煎制中药汤剂的处方信息；所述处方信息至少包括方剂组成信息和方剂剂量信息；
将所述处方信息与方剂数据库中的既有处方从不同维度进行匹配，每一个维度得到一个既有处方及对应的煎制参数；所述方剂数据库包括至少一个既有处方及对应的煎制参数；
将所有维度对应煎制参数形成的数据序列输入事先训练好的煎制参数决策模型，得到第一煎制参数。
2.如权利要求1所述的汤剂煎制参数的决策方法，其特征在于，所述不同维度，包括方剂组成信息、方剂剂量信息、方剂功效信息或方剂主治信息中的至少一个维度。
3.如权利要求2所述的汤剂煎制参数的决策方法，其特征在于，以方剂组成信息为一个维度时；
所述将所述处方信息与方剂数据库中的既有处方从不同维度进行匹配，每一个维度得到一个既有处方及对应的煎制参数，包括：以方剂组成信息的维度，采用JACCARD相似系数，计算所述处方信息与所述方剂数据库中的既有处方的相似度，并输出相似度最高的既有处方及对应的煎制参数。
4.如权利要求2所述的汤剂煎制参数的决策方法，其特征在于，以方剂剂量信息为一个维度时；
所述将所述处方信息与方剂数据库中的既有处方从不同维度进行匹配，每一个维度得到一个既有处方及对应的煎制参数，包括：以方剂剂量信息的维度，采用余弦相似算法，计算所述处方信息与所述方剂数据库中的既有处方的相似度，并输出相似度最高的既有处方及对应的煎制参数；所述相似度的计算为：
其中，X，Y分别为两个处方的方剂剂量。
5.如权利要求2所述的汤剂煎制参数的决策方法，其特征在于，以方剂功效信息或方剂主治信息为一个维度时；
所述将所述处方信息与方剂数据库中的既有处方从不同维度进行匹配，每一个维度得到一个既有处方及对应的煎制参数，包括：以方剂功效信息或方剂主治信息的维度，采用潜在狄利克雷分配主题模型算法，计算所述处方信息与所述方剂数据库中的既有处方的相似度，并输出相似度最高的既有处方及对应的煎制参数。
6.如权利要求1‑5任一所述的汤剂煎制参数的决策方法，其特征在于，还包括：根据现代中药汤剂煎制逻辑，生成第二煎制参数；
对所述第一煎制参数和所述第二煎制参数，按照设置的权重进行加权求和，得到第三煎制参数。
7.一种煎制参数决策模型的训练方法，其特征在于，包括：获取样本数据；所述样本数据包括至少一个处方信息及对应的煎制参数；
将所述样本数据中的至少一个处方信息与方剂数据库中的既有处方从不同维度进行匹配，得到至少一个数据序列；
将至少一个数据序列输入煎制参数决策模型进行训练，得到训练后的煎制参数决策模型。
8.如权利要求7所述的煎制参数决策模型的训练方法，其特征在于，所述将至少一个数据序列输入煎制参数决策模型进行训练，得到训练后的煎制参数决策模型，包括：通过遗传算法对至少一个数据序列进行迭代训练；
当到达预设的迭代终止条件时，输出训练后的煎制参数决策模型。
9.如权利要求7所述的煎制参数决策模型的训练方法，其特征在于，所述将至少一个数据序列输入煎制参数决策模型进行训练，得到训练后的煎制参数决策模型，包括：采用BP神经网络对至少一个数据序列进行训练，得到训练后的煎制参数决策模型。
10.一种电子设备，其特征在于，包括：处理器和存储器，所述存储器存储有所述处理器可执行的机器可读指令，所述机器可读指令被所述处理器执行时执行如权利要求1‑9任一所述的方法。
11.一种存储介质，其特征在于，该存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1‑9任一所述的方法。
说明书 :
汤剂煎制参数的决策方法及煎制参数决策模型的训练方法
技术领域
[0001] 本申请涉及中药汤剂煎制技术领域，具体而言，涉及一种汤剂煎制参数的决策方法及煎制参数决策模型的训练方法。
背景技术
[0002] 中药方剂的特点是将中医药理论的普遍真理和患者的个体实践相结合，形成了对症下药一人一方的精准模式。在方剂上有差异，也必然会在煎药方式上有差异，即一方一
煎。
煎。
[0003] 中药汤剂是中药的传统剂型之一，汤剂质量的好坏直接影响到临床疗效，汤剂影响疗效到物质基础主要是汤剂中煎出的有效成分，因此要发挥中药汤剂的临床疗效，必须
要尽最大限度的煎出有效成分，传统的中药煎煮方法非常讲究，从器具到火候，先煎后下，
烊化冲服等。
要尽最大限度的煎出有效成分，传统的中药煎煮方法非常讲究，从器具到火候，先煎后下，
烊化冲服等。
[0004] 因此，现有的煎药机将煎药参数设置成有限的选择去指导所有方剂的煎药，不能满足一方一煎的要求，对药材加热控制精度差，容易影响药效。
发明内容
[0005] 本申请实施例的目的在于提供一种汤剂煎制参数的决策方法及煎制参数决策模型的训练方法，用以解决现有的煎药机将煎药参数设置成有限的选择去指导所有方剂的煎
药，不能满足一方一煎的要求，对药材加热控制精度差，容易影响药效的问题。
药，不能满足一方一煎的要求，对药材加热控制精度差，容易影响药效的问题。
[0006] 本发明实施例提供的一种汤剂煎制参数的决策方法，包括：
[0007] 获取待煎制中药汤剂的处方信息；处方信息至少包括方剂组成信息和方剂剂量信息；
[0008] 将处方信息与方剂数据库中的既有处方从不同维度进行匹配，每一个维度得到一个既有处方及对应的煎制参数；方剂数据库包括至少一个既有处方及对应的煎制参数；
[0009] 将所有维度对应煎制参数形成的数据序列输入事先训练好的煎制参数决策模型，得到第一煎制参数。
[0010] 上述技术方案中，处方信息中包含了不同维度的信息，如方剂组成信息、方剂剂量信息、方剂功效信息和方剂主治信息等，从不同维度将处方信息与方剂数据库中的既有处
方进行相似度匹配。方剂数据库由能够体现一方一煎的古方或经典名方构成，方剂数据库
中包括了既有处方及对应的煎制参数。匹配出的既有处方，同时也匹配出了既有处方对应
的煎制参数。将不同维度对应的煎制参数输入煎制参数决策模型，得到唯一的第一煎制参
数。第一煎制参数符合古方或经典名方的煎制逻辑，体现了中药煎制的个性化特点，满足了
一方一煎的要求，对药材加热控制精度高，保证了药效。
方进行相似度匹配。方剂数据库由能够体现一方一煎的古方或经典名方构成，方剂数据库
中包括了既有处方及对应的煎制参数。匹配出的既有处方，同时也匹配出了既有处方对应
的煎制参数。将不同维度对应的煎制参数输入煎制参数决策模型，得到唯一的第一煎制参
数。第一煎制参数符合古方或经典名方的煎制逻辑，体现了中药煎制的个性化特点，满足了
一方一煎的要求，对药材加热控制精度高，保证了药效。
[0011] 在一些可选的实施方式中，不同维度，包括方剂组成信息、方剂剂量信息、方剂功效信息或方剂主治信息中的至少两个维度。
[0012] 在一些可选的实施方式中，以方剂组成信息为一个维度时；
[0013] 将处方信息与方剂数据库中的既有处方从不同维度进行匹配，每一个维度得到一个既有处方及对应的煎制参数，包括：
[0014] 以方剂组成信息的维度，采用JACCARD相似系数，计算处方信息与方剂数据库中的既有处方的相似度，并输出相似度最高的既有处方及对应的煎制参数。
[0015] 上述技术方案中，以方剂组成的维度进行相似度比较，仅比较处方中药物组成的不同，选用JACCARD相似系数计算处方组成的相似度。JACCARD相似系数计算方法如下：
[0016] Sim(X，Y)=|X∩Y|/|X∪Y|
[0017] 其中，X，Y分别为两个处方的方剂组成。
[0018] 在一些可选的实施方式中，以方剂剂量信息为一个维度时；
[0019] 将处方信息与方剂数据库中的既有处方从不同维度进行匹配，每一个维度得到一个既有处方及对应的煎制参数，包括：
[0020] 以方剂剂量信息的维度，采用余弦相似算法，计算处方信息与方剂数据库中的既有处方的相似度，并输出相似度最高的既有处方及对应的煎制参数。
[0021] 上述技术方案中，以方剂剂量信息的维度进行相似度比较，对处方的中药组成和剂量组成的复杂信息进行比较，采用余弦相似算法。由于很多中药的用量单位不同，例如剂
量单位为克、枚等等，并且大多数中药的常用剂量范围不同，需要进行标准化处理，消除单
位或剂量波动幅度不同造成的影响。因此，对统一单位后的剂量进行规范化：
量单位为克、枚等等，并且大多数中药的常用剂量范围不同，需要进行标准化处理，消除单
位或剂量波动幅度不同造成的影响。因此，对统一单位后的剂量进行规范化：
[0022] Xi=X1/(Xmin+Xmax)
[0023] 其中，Xi为标准化剂量，X1为实际应用剂量，Xmin，Xmax分别为常用剂量的最小、最大值。
[0024] 所有剂量规范化后，利用余弦相似度计算方剂剂量的相似度：
[0025]
[0026] 其中，X，Y分别为两个处方的方剂剂量。
[0027] 在一些可选的实施方式中，以方剂功效信息或方剂主治信息为一个维度时；
[0028] 将处方信息与方剂数据库中的既有处方从不同维度进行匹配，每一个维度得到一个既有处方及对应的煎制参数，包括：
[0029] 以方剂功效信息或方剂主治信息的维度，采用潜在狄利克雷分配主题模型算法，计算处方信息与方剂数据库中的既有处方的相似度，并输出相似度最高的既有处方及对应
的煎制参数。
的煎制参数。
[0030] 上述技术方案中，第一种情形，以方剂功效信息的维度，采用潜在狄利克雷分配（Latent Dirichlet Allocation，LDA）主题模型算法，在处方的功效相似度计算中，根据治
法分类，方剂分为解表剂、泻下剂、和解剂等21类，将LDA中“文档‑主题‑词项”的三者关系的
建立分别转换成“方剂‑治法‑组成成分”的三者关系的建立。基于LDA的具体方法步骤如下：
法分类，方剂分为解表剂、泻下剂、和解剂等21类，将LDA中“文档‑主题‑词项”的三者关系的
建立分别转换成“方剂‑治法‑组成成分”的三者关系的建立。基于LDA的具体方法步骤如下：
[0031] 将数据放入LDA主题模型中进行处理，处理过程如下：
[0032] （1）按照先验概率P(di)选择一个中药方剂di。
[0033] （2）依据方剂‑治法的狄利克雷(Dirichlet)先验分布 中取样生成中药方剂di的治法分布 ，换言之，治法分布 是由超参数为方剂‑治法的狄利克雷先验分布 的狄利克
雷分布生成。
雷分布生成。
[0034] （3）从中药方剂di的治法分布 中取样生成中药方剂di的第j个组成成分的治法Tij。
[0035] （4）依据治法‑组成成分狄利克雷(Dirichlet)先验分布 中取样生成治法Tij对应的组成成分分布 ，换言之，组成成分分布 由超参数为治法‑组成成分狄利克雷先验分
布 的狄利克雷分布生成。
布 的狄利克雷分布生成。
[0036] （5）从组成成分分布 中采样最终的生成组成成分Cij。
[0037] （6）取出目标方剂对应的治法分布，其他方剂用对应的治法分布表示，计算目标方剂与其他每个方剂的KL距离DKL(p,q)，计算出的值即为目标方剂与其他任意一个方剂的相
似度。
似度。
[0038] （7）与目标方剂相似度最大的方剂即为治法最为相似的方剂，取其煎煮参数为第一煎制参数。
[0039] 第二种情形，以方剂主治信息的维度，采用潜在狄利克雷分配（Latent Dirichlet Allocation，LDA）主题模型算法，在处方的主治相似度计算中，根据中医辨证论治中的 150
个证型，将LDA中“文档‑主题‑词项”的三者关系的建立分别转换成“方剂‑证型‑组成成分”
的三者关系的建立。基于LDA的具体方法步骤同方剂功效信息的维度，不同之处在于参数设
置。
个证型，将LDA中“文档‑主题‑词项”的三者关系的建立分别转换成“方剂‑证型‑组成成分”
的三者关系的建立。基于LDA的具体方法步骤同方剂功效信息的维度，不同之处在于参数设
置。
[0040] 在一些可选的实施方式中，还包括：
[0041] 根据现代中药汤剂煎制逻辑，生成第二煎制参数；
[0042] 对第一煎制参数和第二煎制参数，按照设置的权重进行加权求和，得到第三煎制参数。
[0043] 上述技术方案中，对第一煎制参数和第二煎制参数进行加权求和，使基于古方或经典名方逻辑的煎制参数与现代煎药逻辑的煎制参数进行融合，得到融合了处方的个性特
点以及现代煎药工艺属性的煎煮方案。
点以及现代煎药工艺属性的煎煮方案。
[0044] 本发明实施例提供的一种煎制参数决策模型的训练方法，包括：
[0045] 获取样本数据；样本数据包括至少一个处方信息及对应的煎制参数；
[0046] 将样本数据中的至少一个处方信息与方剂数据库中的既有处方从不同维度进行匹配，得到至少一个数据序列；
[0047] 将至少一个数据序列输入煎制参数决策模型进行训练，得到训练后的煎制参数决策模型。
[0048] 在一些可选的实施方式中，将至少一个数据序列输入煎制参数决策模型进行训练，得到训练后的煎制参数决策模型，包括：
[0049] 通过遗传算法对至少一个数据序列进行迭代训练；
[0050] 当到达预设的迭代终止条件时，输出训练后的煎制参数决策模型。
[0051] 在一些可选的实施方式中，将至少一个数据序列输入煎制参数决策模型进行训练，得到训练后的煎制参数决策模型，包括：
[0052] 采用BP神经网络对至少一个数据序列进行训练，得到训练后的煎制参数决策模型。
[0053] 本发明实施例提供的一种电子设备，包括：处理器和存储器，所述存储器存储有所述处理器可执行的机器可读指令，所述机器可读指令被所述处理器执行时执行如以上任一
所述的方法。
所述的方法。
[0054] 本发明实施例提供的一种存储介质，该存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如以上任一所述的方法。
附图说明
[0055] 为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看
作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以
根据这些附图获得其他相关的附图。
作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以
根据这些附图获得其他相关的附图。
[0056] 图1为本发明实施例提供的一种汤剂煎制系统的结构示意图；
[0057] 图2为本发明实施例提供的一种汤剂煎制方法的步骤流程图；
[0058] 图3为本发明实施例提供的一种汤剂煎制参数的决策方法步骤流程图；
[0059] 图4为融合基于古方或经典名方逻辑的煎制参数与现代煎药逻辑的煎制参数的步骤流程图；
[0060] 图5为本发明实施例提供的一种煎制参数决策模型的训练方法步骤流程图；
[0061] 图6为本申请实施例提供的一种电子设备的结构示意图。
[0062] 图标：1‑方剂数据库服务器，2‑煎药机，3‑电子设备，31‑处理器，32‑存储器，33‑通信总线。
具体实施方式
[0063] 下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。
[0064] 本发明实施例提供的一种汤剂煎制参数的决策方法及煎制参数决策模型的训练方法，符合古方或经典名方的煎煮逻辑，实现了一方一煎，提高对药材加热控制精度，保证
药效。
药效。
[0065] 为了便于对本发明实施例的理解，首先对本发明实施例提供的一种汤剂煎制系统进行详细阐述：
[0066] 请参照图1，图1为本发明实施例提供的一种汤剂煎制系统的结构示意图，汤剂煎制系统包括方剂数据库服务器1和煎药机2；
[0067] 其中，方剂数据库服务器1与煎药机2通信连接。方剂数据库服务器1用于获取医生开的处方信息（或智能诊断系统根据病症自动生成的处方信息），根据该处方信息与方剂数
据库中的既有处方及对应的煎制参数，进行决策，得到唯一的煎制参数传输给煎药机2。煎
药机2根据方剂数据库传输的煎制参数进行相关的配置，并基于定制的煎制参数进行煎煮
过程。
据库中的既有处方及对应的煎制参数，进行决策，得到唯一的煎制参数传输给煎药机2。煎
药机2根据方剂数据库传输的煎制参数进行相关的配置，并基于定制的煎制参数进行煎煮
过程。
[0068] 请参照图2，图2为本发明实施例提供的一种汤剂煎制方法的步骤流程图，应用于方剂数据库服务器1具体包括：
[0069] 步骤101、方剂数据库服务器1获取处方信息；
[0070] 步骤102、在方剂数据库服务器1中，根据处方信息与方剂数据库中的既有处方及对应的煎制参数，进行决策，得到唯一的煎制参数；
[0071] 步骤103、方剂数据库服务器1将步骤102中得到的煎制参数传输给煎药机2。
[0072] 在另一发明实施例中，方剂数据库服务器1将步骤102中得到的煎制参数传输给医院煎药人员或者患者的移动终端（包括手机、平板、电脑或其他电子设备），以便用户根据煎
制参数进行人工煎药。
制参数进行人工煎药。
[0073] 在另一发明实施例中，方剂数据库服务器1将步骤102中得到的煎制参数传输给用户的家用煎药机，并采用包括但不限于下列两种传输方式：第一种传输方式，由用户配置煎
药机的通信地址，方剂数据库服务器1直接传输煎制参数到家用煎药机；第二种传输方式，
家用煎药机与用户手机交互，方剂数据库服务器1传输煎制参数到用户手机，再由用户手机
将煎制参数同步到家用煎药机。
药机的通信地址，方剂数据库服务器1直接传输煎制参数到家用煎药机；第二种传输方式，
家用煎药机与用户手机交互，方剂数据库服务器1传输煎制参数到用户手机，再由用户手机
将煎制参数同步到家用煎药机。
[0074] 本发明实施例提供的一种汤剂煎制方法，应用于煎药机2，具体包括：
[0075] 步骤104、煎药机2接收方剂数据库服务器1传输的煎制参数；
[0076] 步骤105、在煎药机2，根据方剂数据库服务器1传输的煎制参数，进行相关配置；
[0077] 步骤106、煎药机2以步骤105的相关配置，进行对应的煎煮过程。
[0078] 请参照图3，图3为本发明实施例提供的一种汤剂煎制参数的决策方法步骤流程图，具体包括：
[0079] 步骤201、获取待煎制中药汤剂的处方信息；处方信息至少包括方剂组成信息和方剂剂量信息；
[0080] 步骤202、将处方信息与方剂数据库中的既有处方从不同维度进行匹配，每一个维度得到一个既有处方及对应的煎制参数；方剂数据库包括至少一个既有处方及对应的煎制
参数；
参数；
[0081] 步骤202中，处方信息中包含了不同维度的信息，如方剂组成信息、方剂剂量信息、方剂功效信息和方剂主治信息等，从不同维度将处方信息与方剂数据库中的既有处方进行
相似度匹配。方剂数据库由能够体现一方一煎的古方或经典名方构成，方剂数据库中包括
了既有处方及对应的煎制参数。
相似度匹配。方剂数据库由能够体现一方一煎的古方或经典名方构成，方剂数据库中包括
了既有处方及对应的煎制参数。
[0082] 步骤203、将所有维度对应煎制参数形成的数据序列输入事先训练好的煎制参数决策模型，得到第一煎制参数。
[0083] 其中，步骤202匹配出的既有处方，同时也匹配出了既有处方对应的煎制参数，煎制参数包括单位重量（如100g）的加水量、武火时间、文火时间、浸泡时间、先煎后下、是否二
煎等。将不同维度对应的煎制参数输入煎制参数决策模型，得到唯一的第一煎制参数。第一
煎制参数符合古方或经典名方的煎制逻辑，体现了中药煎制的个性化特点，满足了一方一
煎的要求，对药材加热控制精度高，保证了药效。
煎等。将不同维度对应的煎制参数输入煎制参数决策模型，得到唯一的第一煎制参数。第一
煎制参数符合古方或经典名方的煎制逻辑，体现了中药煎制的个性化特点，满足了一方一
煎的要求，对药材加热控制精度高，保证了药效。
[0084] 本发明实施例的不同维度具体包括方剂组成信息、方剂剂量信息、方剂功效信息或方剂主治信息四个维度，下述详细阐述每一维度对应的匹配方法。
[0085] 以方剂组成信息的维度进行匹配，得到既有处方及对应的煎制参数，具体包括：
[0086] 以方剂组成信息的维度，采用JACCARD相似系数、余弦相似度或皮尔逊相关系数等，计算处方信息与方剂数据库中的既有处方的相似度，并输出相似度最高的既有处方及
对应的煎制参数。以方剂组成的维度进行相似度比较，仅比较处方中药物组成的不同，本发
明实施例选用JACCARD相似系数计算处方组成的相似度。JACCARD相似系数计算方法如下：
对应的煎制参数。以方剂组成的维度进行相似度比较，仅比较处方中药物组成的不同，本发
明实施例选用JACCARD相似系数计算处方组成的相似度。JACCARD相似系数计算方法如下：
[0087] Sim(X，Y)=|X∩Y|/|X∪Y|
[0088] 其中，X，Y分别为两个处方的方剂组成。
[0089] 以方剂剂量信息的维度进行匹配，得到既有处方及对应的煎制参数，具体包括：
[0090] 以方剂剂量信息的维度，采用JACCARD相似系数、余弦相似度或皮尔逊相关系数等，计算处方信息与方剂数据库中的既有处方的相似度，并输出相似度最高的既有处方及
对应的煎制参数。以方剂剂量信息的维度进行相似度比较，对处方的中药组成和剂量组成
的复杂信息进行比较，本申请实施例采用余弦相似算法。由于很多中药的用量单位不同，例
如剂量单位为克、枚等等，并且大多数中药的常用剂量范围不同，需要进行标准化处理，消
除单位或剂量波动幅度不同造成的影响。因此，对统一单位后的剂量进行规范化：
对应的煎制参数。以方剂剂量信息的维度进行相似度比较，对处方的中药组成和剂量组成
的复杂信息进行比较，本申请实施例采用余弦相似算法。由于很多中药的用量单位不同，例
如剂量单位为克、枚等等，并且大多数中药的常用剂量范围不同，需要进行标准化处理，消
除单位或剂量波动幅度不同造成的影响。因此，对统一单位后的剂量进行规范化：
[0091] Xi=X1/(Xmin+Xmax)
[0092] 其中，Xi为标准化剂量，X1为实际应用剂量，Xmin，Xmax分别为常用剂量的最小、最大值。
[0093] 所有剂量规范化后，利用余弦相似度计算方剂剂量的相似度：
[0094]
[0095] 其中，X，Y分别为两个处方的方剂剂量。
[0096] 以方剂功效信息的维度，采用潜在狄利克雷分配（Latent Dirichlet Allocation，LDA）主题模型算法，在处方的功效相似度计算中，根据治法分类，方剂分为解
表剂、泻下剂、和解剂等21类，将LDA中“文档‑主题‑词项”的三者关系的建立分别转换成“方
剂‑治法‑组成成分”的三者关系的建立。基于LDA的具体方法包括：按照先验概率P(di)选择
一个中药方剂di。依据方剂‑治法的狄利克雷(Dirichlet)先验分布 中取样生成中药方剂
di的治法分布 ，换言之，治法分布 是由超参数为方剂‑治法的狄利克雷先验分布 的
狄利克雷分布生成。从中药方剂di的治法分布 中取样生成中药方剂di的第j个组成成分的
治法Tij。依据治法‑组成成分狄利克雷(Dirichlet)先验分布 中取样生成治法 Tij对应的
组成成分分布 ，换言之，组成成分分布 由超参数为治法‑组成成分狄利克雷先验分布
的狄利克雷分布生成。从组成成分分布 中采样最终的生成组成成分 Cij。取出目标方剂对
应的治法分布，其他方剂用对应的治法分布表示，计算目标方剂与其他每个方剂的KL距离
DKL(p,q)，计算出的值即为目标方剂与其他任意一个方剂的相似度。与目标方剂相似度最大
的方剂即为治法最为相似的方剂，取其煎煮参数为第一煎制参数。
表剂、泻下剂、和解剂等21类，将LDA中“文档‑主题‑词项”的三者关系的建立分别转换成“方
剂‑治法‑组成成分”的三者关系的建立。基于LDA的具体方法包括：按照先验概率P(di)选择
一个中药方剂di。依据方剂‑治法的狄利克雷(Dirichlet)先验分布 中取样生成中药方剂
di的治法分布 ，换言之，治法分布 是由超参数为方剂‑治法的狄利克雷先验分布 的
狄利克雷分布生成。从中药方剂di的治法分布 中取样生成中药方剂di的第j个组成成分的
治法Tij。依据治法‑组成成分狄利克雷(Dirichlet)先验分布 中取样生成治法 Tij对应的
组成成分分布 ，换言之，组成成分分布 由超参数为治法‑组成成分狄利克雷先验分布
的狄利克雷分布生成。从组成成分分布 中采样最终的生成组成成分 Cij。取出目标方剂对
应的治法分布，其他方剂用对应的治法分布表示，计算目标方剂与其他每个方剂的KL距离
DKL(p,q)，计算出的值即为目标方剂与其他任意一个方剂的相似度。与目标方剂相似度最大
的方剂即为治法最为相似的方剂，取其煎煮参数为第一煎制参数。
[0097] 以方剂主治信息的维度，采用潜在狄利克雷分配（Latent Dirichlet Allocation，LDA）主题模型算法，在处方的主治相似度计算中，根据中医辨证论治中的 150
个证型，将LDA中“文档‑主题‑词项”的三者关系的建立分别转换成“方剂‑证型‑组成成分”
的三者关系的建立。基于LDA的具体方法步骤同方剂功效信息的维度，不同之处在于参数设
置。
个证型，将LDA中“文档‑主题‑词项”的三者关系的建立分别转换成“方剂‑证型‑组成成分”
的三者关系的建立。基于LDA的具体方法步骤同方剂功效信息的维度，不同之处在于参数设
置。
[0098] 本申请实施例中，在进行多个维度匹配的相似度计算时，若多个维度匹配出的相似度最大值小于某个阈值（如0.7），则采用现代通用的煎煮方案，例如：对普通药物：煮沸
后，文火煎煮30分钟即可；对解表药、芳香药:因含挥发性有效成分，不宜久煎，故用武火煮
沸后，改用文火煎煮10分钟即可；对补益类药物:因其滋腻质重，需久煎方能煎出有效成分，
用武火煎沸，后改为文火煎熬30～40分钟；对含有效成分不易煎出的矿物、骨角、贝壳、甲壳
类药物，武火煮沸后，宜文火久煎60分钟左右。
后，文火煎煮30分钟即可；对解表药、芳香药:因含挥发性有效成分，不宜久煎，故用武火煮
沸后，改用文火煎煮10分钟即可；对补益类药物:因其滋腻质重，需久煎方能煎出有效成分，
用武火煎沸，后改为文火煎熬30～40分钟；对含有效成分不易煎出的矿物、骨角、贝壳、甲壳
类药物，武火煮沸后，宜文火久煎60分钟左右。
[0099] 请参照图4，图4为融合基于古方或经典名方逻辑的煎制参数与现代煎药逻辑的煎制参数的步骤流程图。即汤剂煎煮参数的决策方法还包括：
[0100] 步骤204、根据现代中药汤剂煎制逻辑，生成第二煎制参数；
[0101] 步骤205、对第一煎制参数和第二煎制参数，按照设置的权重进行加权求和，得到第三煎制参数。
[0102] 本申请实施例对第一煎制参数和第二煎制参数进行加权求和，或对第一煎制参数和第二煎制参数中的部分参数进行加权求和，使基于古方或经典名方逻辑的煎制参数与现
代煎药逻辑的煎制参数进行融合，得到融合了处方的个性特点以及现代煎药工艺属性的煎
煮方案。
代煎药逻辑的煎制参数进行融合，得到融合了处方的个性特点以及现代煎药工艺属性的煎
煮方案。
[0103] 请参照图5，图5为本发明实施例提供的一种煎制参数决策模型的训练方法步骤流程图，具体包括：
[0104] 步骤301、获取样本数据；样本数据包括至少一个处方信息及对应的煎制参数；
[0105] 其中，样本数据中处方信息至少包括方剂组成信息和方剂剂量信息，样本数据中煎制参数包括单位重量（如100g）的加水量、武火时间、文火时间、浸泡时间、先煎后下、是否
二煎等。
二煎等。
[0106] 步骤302、将样本数据中的至少一个处方信息与方剂数据库中的既有处方从不同维度进行匹配，得到至少一个数据序列；
[0107] 其中，不同维度包括方剂组成信息、方剂剂量信息、方剂功效信息或方剂主治信息中的至少两个维度。
[0108] 步骤303、将至少一个数据序列输入煎制参数决策模型进行训练，得到训练后的煎制参数决策模型。
[0109] 本发明实施例中，将至少一个数据序列输入煎制参数决策模型进行训练，包括但不限于以下的两种情形：
[0110] 第一种情形下，通过遗传算法对至少一个数据序列进行迭代训练；当到达预设的迭代终止条件时，输出训练后的煎制参数决策模型。
[0111] 其中，可以将训练样本（数据序列集）划分为训练部分和验证部分，其中划分的比例可以是9比1，训练样本中的90％作为训练模型的样本，10％作为验证模型的样本，当然也
还可以是其他的比例，例如8比2，之后通过对训练样本中的训练部分的样本进行模型训练。
本实施例中，在每次迭代训练完成之后，可以判断迭代次数是否达到预设次数，若是，则确
定满足预置的迭代终止条件，并输出该煎制参数决策模型，若否，则继续进行迭代训练，直
至训练次数达到预设次数；更多的，也可以在每次迭代训练完成之后，判断煎制参数决策模
型的模型参数是否收敛，若是，则确定满足预置的迭代终止条件，并输出煎制参数决策模
型，若否，则继续进行训练，直至煎制参数决策模型的模型参数收敛为止。
还可以是其他的比例，例如8比2，之后通过对训练样本中的训练部分的样本进行模型训练。
本实施例中，在每次迭代训练完成之后，可以判断迭代次数是否达到预设次数，若是，则确
定满足预置的迭代终止条件，并输出该煎制参数决策模型，若否，则继续进行迭代训练，直
至训练次数达到预设次数；更多的，也可以在每次迭代训练完成之后，判断煎制参数决策模
型的模型参数是否收敛，若是，则确定满足预置的迭代终止条件，并输出煎制参数决策模
型，若否，则继续进行训练，直至煎制参数决策模型的模型参数收敛为止。
[0112] 第二种情形，采用BP神经网络对至少一个数据序列进行训练，得到训练后的煎制参数决策模型。BP神经网络是一种按误差反向传播训练的多层前馈网络，其算法为BP算法，
基于梯度下降法，利用梯度搜索技术，以期使网络的实际输出值和期望输出值的误差均方
差为最小。BP算法包括信号的前向传播和误差的反向传播两个过程。正向传播时，输入的数
据序列通过隐含层作用于输出节点，经过非线性变换，产生输出的煎制参数，若实际输出与
期望输出不相符，则转入误差的反向传播过程。误差的反向传播过程是将输出误差通过隐
含层向输入层逐层反传，并将误差分摊给各层所有单元，以从各层获得的误差信号作为调
整各单元权值的依据。通过调整输入节点与隐层节点的联接强度和隐层节点与输出节点的
联接强度以及阈值，使误差沿梯度方向下降，经过反复学习训练，确定与最小误差相对应的
网络参数，训练停止。训练后的网络模型对输入的实际数据序列，自行处理输出误差最小的
经过非线性转换的煎制参数。
基于梯度下降法，利用梯度搜索技术，以期使网络的实际输出值和期望输出值的误差均方
差为最小。BP算法包括信号的前向传播和误差的反向传播两个过程。正向传播时，输入的数
据序列通过隐含层作用于输出节点，经过非线性变换，产生输出的煎制参数，若实际输出与
期望输出不相符，则转入误差的反向传播过程。误差的反向传播过程是将输出误差通过隐
含层向输入层逐层反传，并将误差分摊给各层所有单元，以从各层获得的误差信号作为调
整各单元权值的依据。通过调整输入节点与隐层节点的联接强度和隐层节点与输出节点的
联接强度以及阈值，使误差沿梯度方向下降，经过反复学习训练，确定与最小误差相对应的
网络参数，训练停止。训练后的网络模型对输入的实际数据序列，自行处理输出误差最小的
经过非线性转换的煎制参数。
[0113] 请参照图6，图6为本申请实施例提供的一种电子设备3的结构示意图，本申请提供一种电子设备3，包括：处理器31和存储器32，处理器31和存储器32通过通信总线33和/或其
他形式的连接机构（未标出）互连并相互通讯，存储器32存储有处理器31可执行的计算机程
序，当计算设备运行时，处理器31执行该计算机程序，以执行时执行上述实施例的任一可选
的实现方式中的方法。
他形式的连接机构（未标出）互连并相互通讯，存储器32存储有处理器31可执行的计算机程
序，当计算设备运行时，处理器31执行该计算机程序，以执行时执行上述实施例的任一可选
的实现方式中的方法。
[0114] 本申请实施例提供一种存储介质，所述计算机程序被处理器执行时，执行上述实施例的任一可选的实现方式中的方法。其中，存储介质可以由任何类型的易失性或非易失
性存储设备或者它们的组合实现，如静态随机存取存储器（Static Random Access
Memory, 简称SRAM），电可擦除可编程只读存储器（Electrically Erasable Programmable
Read‑Only Memory, 简称EEPROM），可擦除可编程只读存储器（Erasable Programmable
Read Only Memory, 简称EPROM），可编程只读存储器（Programmable Red‑Only Memory,
简称PROM），只读存储器（Read‑Only Memory, 简称ROM），磁存储器，快闪存储器，磁盘或光
盘。
性存储设备或者它们的组合实现，如静态随机存取存储器（Static Random Access
Memory, 简称SRAM），电可擦除可编程只读存储器（Electrically Erasable Programmable
Read‑Only Memory, 简称EEPROM），可擦除可编程只读存储器（Erasable Programmable
Read Only Memory, 简称EPROM），可编程只读存储器（Programmable Red‑Only Memory,
简称PROM），只读存储器（Read‑Only Memory, 简称ROM），磁存储器，快闪存储器，磁盘或光
盘。
[0115] 在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻
辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可
以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间
的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连
接，可以是电性，机械或其它的形式。
辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可
以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间
的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连
接，可以是电性，机械或其它的形式。
[0116] 另外，作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多
个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的
目的。
个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的
目的。
[0117] 再者，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
[0118] 在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际
的关系或者顺序。
的关系或者顺序。
[0119] 以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的
任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。