Ncbi - Nlm.nih - Gov-Avancées Dans La Classification Des Patients Pour La Médecine Traditionnelle Chinoise Une Perspectiv

www.ncbi.nlm.nih.
gov /pmc/articles/PMC4515265/
Avancées dans la classification des patients pour la

médecine traditionnelle chinoise : une perspective
d’apprentissage automatique
As a library, NLM provides access to scientific literature. Inclusion in an NLM database does not imply
endorsement of, or agreement with, the contents by NLM or the National Institutes of Health.
Learn more: PMC Disclaimer | PMC Copyright Notice
Complément à base d’Evid Alternat Med. 2015; 2015: 376716.
Publié en ligne le 12 juillet 2015. DOI : 10.1155/2015/376716
PMCID : PMC4515265
PMID : 26246834
Changbo Zhao, Guo-Zheng Li, Chengjun Wang et Jinling Niu *
Changbo Zhao
Department of Control Science and Engineering, Tongji University, Shanghai 201804, China
Find articles by Changbo Zhao
1/47
Guo-Zheng Li
Find articles by Guo-Zheng Li
Chengjun Wang
Find articles by Chengjun Wang
Jinling Niu
Find articles by Jinling Niu

Informations sur l’auteur Notes sur l’article Informations sur les droits d’auteur et la licence Clause de
non-responsabilité PMC
*Guo-Zheng Li: nc.ude.ijgnot@ilzg
Academic Editor: Angelo A. Izzo
Received 2014 Nov 7; Accepted 2015 Apr 7.
Copyright © 2015 Changbo Zhao et al.
This is an open access article distributed under the Creative Commons Attribution License, which permits
unrestricted use, distribution, and reproduction in any medium, provided the original work is properly
cited.
Atteindre:
Abstrait
En tant que médecine complémentaire et alternative dans le domaine médical, la médecine traditionnelle
chinoise (MTC) a attiré une grande attention dans le domaine national et à l’étranger. Dans la pratique, la
MTC fournit une méthodologie de diagnostic et de traitement des patients tout à fait distincte de celle de
la médecine occidentale (MW). Le syndrome (ZHENG ou modèle) se différencie par un ensemble de
symptômes et de signes examiné d’un individu par quatre méthodes diagnostiques principales :
l’inspection, l’auscultation et l’olfaction, l’interrogatoire et la palpation qui reflète les changements
pathologiques et physiologiques de l’environnement. l’apparition et le développement de la maladie. La
classification des patients consiste à diviser les patients en plusieurs classes en fonction de différents
critères. Dans cet article, du point de vue de l’apprentissage automatique, une enquête sur La question
de la classification des patients sera résumée sur trois aspects majeurs de la MTC : la classification des
signes, la différenciation du syndrome et la classification de la maladie. Avec la prise en compte de
2/47
différents diagnostics données analysées par différentes méthodes de calcul, nous présentons la vue
d’ensemble pour quatre sous-domaines du diagnostic de la MTC, respectivement. Pour chaque sous-
domaine, nous concevons une liste de références rectangulaire avec des applications dans le sens
horizontal et des algorithmes d’apprentissage automatique dans le sens longitudinal. Selon le
développement actuel du diagnostic objectif de la MTC pour la classification des patients, une discussion
sur les questions de recherche autour des techniques d’apprentissage automatique avec des
applications au diagnostic de la MTC est donnée pour faciliter la recherche ultérieure pour la
classification des patients de la MTC.
Atteindre:
1. Préambule
La médecine traditionnelle chinoise est utilisée pour le traitement et la prévention des maladies et des
soins de santé depuis des milliers d’années en Chine. Dans une certaine mesure, la MTC a également
été traitée comme une médecine complémentaire et alternative populaire dans le domaine médical. Cela
est dû au fait que la médecine occidentale se concentre généralement sur la prescription de
médicaments pour traiter les symptômes du patient aussi efficacement que possible. Cependant, la
théorie de la MTC est basée sur des cadres philosophiques tels que la théorie du Yin-Yang et des cinq
éléments, les systèmes des méridiens du corps humain et la théorie du Zang Fu [1, 2], dans laquelle les
traitements de MTC visent à rétablir l’équilibre Yin-Yang du corps du patient, puis à éliminer les causes
des maladies [3]. Pour être plus détaillé, selon la théorie de l’équilibre Ying-Yang, tout se compose de
cinq éléments : le bois, le feu, la terre, le métal et l’eau. Sur la base de cette théorie, la MTC interprète
que la physiologie et la pathologie du corps humain et les circonstances naturelles ont des relations qui
montrent que les organes viscéraux ont des propriétés similaires avec les cinq éléments [3]. Ainsi, des
maladies surviendraient si l’équilibre Ying-Yang était perturbé dans notre système corporel. Pendant ce
temps, les organes viscéraux sont touchés et certaines manifestations cliniques et conditions
pathologiques apparaîtront sur certaines parties du corps ou parfois dans tout le corps.
Ensuite, afin d’examiner ces conditions pathologiques humaines dans la pratique, les anciens
spécialistes de la MTC établissent quatre méthodes principales de diagnostic de la MTC comme
communément appelées inspection (observation), auscultation et olfaction (écoute et odorat),
interrogatoire (enquête ou interrogatoire) et palpation (examen du pouls). L’inspection consiste à
observer tous les signes visibles et les conditions externes des patients, notamment la vitalité, la couleur,
l’apparence, les sécrétions et les excrétions. L’auscultation et l’olfaction font référence à l’utilisation du
sens auditif et olfactif pour recueillir des informations sur la voix, la respiration, la toux et l’odeur du
patient. L’interrogatoire est un moyen de poser diverses questions sur les antécédents familiaux des
patients, les plaintes majeures, les états de vie, les régimes alimentaires, les habitudes de sommeil, etc.
La palpation examine toujours les changements pathologiques des organes internes des patients par les
trois doigts des médecins touchant trois positions spéciales du pouls de l’artère radiale. Toutes ces
méthodes de diagnostic nécessitent des compétences considérables qui mettraient de nombreuses
années pour que les débutants comprennent les relations compliquées entre les symptômes et
différentes maladies, même des connaissances apprises auprès d’éminents médecins vétérans de la
MTC.
3/47
De plus, outre les quatre méthodes de diagnostic ci-dessus, le diagnostic de la MTC implique un autre
élément essentiel connu sous le nom de différenciation des syndromes (également connue sous le nom
de classification des modèles ou différenciation de ZHENG). Ce concept est établi sur les quatre
principales procédures diagnostiques de la MTC, ce qui est différent de l’approche diagnostique
conventionnelle de la médecine occidentale. Au sens figuré, c’est comme un pont pour faire une analyse
complète à partir de quatre méthodes de diagnostic, puis guider le choix du traitement de la MTC avec
l’acupuncture et la formule à base de plantes basée sur le diagnostic de la MTC et la théorie du
traitement. En pratique, les quatre méthodes de diagnostic mentionnées permettraient de dériver deux
indices critiques utilisés pour la différenciation du syndrome, appelés symptômes et signes. Un
symptôme est identifié comme une expérience subjective : des changements dans le fonctionnement
physiologique et psychologique, les sensations et la cognition d’un individu. À l’inverse, un signe est
appelé toute anomalie indiquant une maladie qui est examinée par les praticiens de la MTC [4].
Du point de vue des praticiens de la MTC, les syndromes et les maladies doivent être diagnostiqués sur
la base des symptômes et des signes des patients. Cela est dû à la fois aux syndromes et aux maladies
qui peuvent fournir des informations pour faire une prescription sur le traitement médical chinois. En
particulier, une maladie indique des changements pathologiques dans le corps des patients alors qu’un
syndrome reflète l’état d’une maladie à une certaine période. Par conséquent, en général, les relations
entre ces méthodes de diagnostic et la maladie peuvent être définies par un cadre unifié, comme le
montre la Graphique 1.
Open in a separate window

Graphique 1
Les relations hiérarchiques et la signification clinique correspondante des diagnostics de MTC.
Vu à partir du diagramme hiérarchique, il est facile de savoir qu’un patient qui souffre d’une maladie de
MW est un mélange d’un syndrome primaire avec plusieurs syndromes secondaires du point de vue de
4/47
la MTC. Et tous les syndromes sont les profils théoriques de plusieurs symptômes/signes (c’est-à-dire
des manifestations) mais pas seulement un simple assemblage de symptômes/signes. De plus, chaque
symptôme est une conclusion diagnostique basée sur les quatre principales méthodes de diagnostic. En
particulier, la flèche pointillée dans ce diagramme est également décrite en raison de certaines études de
classification des patients qui se concentrent sur la différenciation du syndrome ou la classification de la
maladie sans utiliser toutes les méthodes de diagnostic. Ceci est raisonnable car certains syndromes ou
maladies de la MTC reflètent des changements pathologiques apparents et distincts sur certains aspects,
ce qui permet de classer le patient uniquement par une ou plusieurs méthodes de diagnostic, même quel
que soit le processus de différenciation du syndrome. De plus, un patient peut souffrir de plusieurs
maladies en même temps et une maladie peut refléter plusieurs syndromes, et, en outre, un syndrome
peut être transformé au cours du traitement de la MTC de la maladie, de sorte que la différenciation du
syndrome est également dynamique simultanément. Ainsi, dans une vision plus globale, les relations
entre le diagnostic de la MTC et les maladies devraient être multidimensionnelles, ce qui a été démontré
dans [5].
En tant que l’un des principaux aspects de la médecine complémentaire et alternative dans l’ensemble
du domaine médical, la pratique de la MTC a été largement étudiée pendant longtemps. Cependant,
certains défis sérieux entravent encore le développement du diagnostic et du traitement de la MTC. Par
exemple, la méthodologie de base des méthodes de diagnostic de la MTC est encore principalement
basée sur l’observation avec les yeux nus des praticiens ou sur les connaissances de l’expérience
clinique depuis des milliers d’années. Cela est susceptible d’obtenir des résultats diagnostiques
incohérents en raison de la grande dépendance des expériences subjectives et des connaissances
personnelles des praticiens. De plus, différents patients atteints de la même maladie peuvent être soumis
à différents syndromes de MTC ; à l’inverse, différentes maladies peuvent contenir le même syndrome de
MTC. Cela rend les diagnostics de MTC difficiles à mettre en pratique, même par des praticiens
distingués de la MTC. Par conséquent, il vaut la peine pour les médecins et les chercheurs en MTC de
développer un système objectif et fiable assisté par ordinateur pour le diagnostic clinique.
Au cours des dernières décennies, des méthodes informatiques pour la MTC ont été développées pour
permettre aux experts d’identifier et de diagnostiquer des informations pathologiques et d’explorer ces
relations potentielles qui sont inconnues entre la MTC actuelle et la médecine occidentale. Pour ces
méthodes, le but ultime est de classer les patients atteints de différentes maladies ou syndromes et
d’étudier leurs relations potentielles. Ensuite, sur la base des manifestations cliniques, des traitements
efficaces de MTC pourraient être formulés pour rétablir l’équilibre de l’organisme des patients.
Cependant, dans la pratique, les traitements efficaces et appropriés nécessiteraient une différenciation
précise du syndrome ou une classification ZHENG basée sur les symptômes et les signes diagnostiques.
Ainsi, différents traitements de MTC pourraient être appliqués à leurs classes de patients
correspondantes. En général, la classification des patients est essentielle non seulement pour l’uniformité
clinique et l’efficacité diagnostiquées par différents experts en MTC, mais aussi pour le développement
de l’objectivation de la MTC qui pourrait permettre de comprendre les relations entre les différents types
de syndromes, symptômes/signes et maladies.
Le reste de cet article est organisé comme suit : La section 2 décrit les travaux connexes sur l’étude des
recherches modernes de la MTC. La section 3 présente brièvement quelques algorithmes
d’apprentissage automatique classiques et avancés pour aider les chercheurs à comprendre les
5/47
caractéristiques de ces techniques. Des travaux approfondis sur la question de la classification des
patients sont présentés dans la section 4, y compris quatre approches diagnostiques principales, la
différenciation du syndrome à partir des dossiers médicaux et certains aspects divers de la MTC.
Ensuite, nous discutons de l’état actuel et des principaux problèmes de classification des patients avec
des techniques d’apprentissage automatique dans la section 5. Enfin, la section 6 tire quelques
conclusions pour l’ensemble de l’article.
Atteindre:
2. Œuvres connexes
Pour les études de synthèse connexes dans les recherches modernes de la médecine traditionnelle
chinoise, un grand nombre de travaux ont été réalisés précédemment en termes de différents aspects de
la MTC (différenciation du syndrome, analyse des dossiers médicaux, quatre méthodes de diagnostic,
traitement, et un mélange d’entre elles) [1, 3, 5-15 ]. Compte tenu de la pratique et des applications,
l’apprentissage automatique peut être dérivé avec deux aspects : la reconnaissance de formes et
l’exploration de données. La technologie de reconnaissance des formes est plus couramment utilisée
pour l’inspection, l’auscultation et l’olfaction, et la palpation qui tente de reconnaître les informations
pathologiques correctes telles que le teint du visage, l’état du pouls, les caractéristiques acoustiques et
les composants chimiques de l’odeur d’un individu. La technologie d’exploration de données,
principalement utilisée pour l’exploration de texte et la découverte de connaissances dans le domaine de
l’apprentissage automatique, se concentre sur la découverte de divers types de relations de
connaissances cachées telles que le symptôme et le symptôme, le symptôme et le syndrome, et le
syndrome et la maladie.
Du point de vue de l’apprentissage automatique, plusieurs travaux ont accordé plus d’attention aux
enquêtes sur l’utilisation d’approches de reconnaissance de formes pour effectuer des recherches sur la
MTC. Lukman et al. [1] ont brièvement présenté les éléments de la MTC et ont passé en revue diverses
approches computationnelles sur les herbes et les formulations de la MTC, le diagnostic de la MTC et
d’autres systèmes miniers biomédicaux pour la MTC. Enfin, ils ont conclu que l’élaboration de normes
pour l’évaluation de diverses méthodes de calcul de la MTC est urgente et importante. Jokiniemi [3] a
non seulement étudié les herbes, les formulations et le diagnostic de la MTC, mais s’est également
concentré sur les systèmes experts, l’acquisition de connaissances et les systèmes de partage de la
MTC. En particulier, il a également présenté certaines entreprises célèbres qui déploient des
technologies pour aider les hôpitaux à normaliser leurs dossiers de patients en Chine sur les questions
de soins de santé, telles qu’IBM, Dell et Microsoft. Cela a montré que la MTC a fait l’objet d’une attention
particulière et s’est répandue dans le monde entier. Jiang et al. [5] ont axé leur enquête sur la
différenciation du syndrome et l’évaluation pharmacologique de la liste des médicaments à base de
plantes de la MTC pour la découverte de médicaments. Plusieurs cadres généraux et impressionnants
ont été résumés sur la base des recherches modernes actuelles de la MTC. Gu et Chen [6] ont discuté
de la relation entre la bio-informatique moderne et la MTC et ont conclu que les principaux objectifs des
recherches actuelles sur la MTC sont de comprendre les mécanismes pathologiques de la MTC du point
de vue de la biologie des systèmes et de faciliter la conception de nouveaux médicaments basés sur
l’analyse de la phytothérapie MTC. Ferreira [7] a introduit les méthodes de validation des modèles
computationnels pour l’évaluation diagnostique et a également analysé certaines raisons potentielles des
6/47
résultats d’erreur de diagnostic. Dans un autre travail [10], Ferreira et Lopes ont passé en revue les
recherches sur la classification des modèles concernant des troubles spécifiques tels que les troubles
génito-urinaires, cardiovasculaires, neurologiques, chirurgicaux, etc. Lu et al. [8] ont décrit l’évolution
historique de la différenciation des syndromes, la méthodologie de différenciation des syndromes et
l’efficacité de la pratique de la MTC avec les syndromes et les maladies. Guo et al. [13] ont illustré les
méthodes et l’état des recherches objectives actuelles sur le diagnostic de la MTC selon les processus
de diagnostic modernes de la MTC, qui comprend une plate-forme de construction logicielle et matérielle,
l’acquisition de données, l’extraction de caractéristiques à partir de données d’échantillon et la
classification du syndrome. Sá Ferreira [14] a évalué la précision diagnostique des algorithmes de
différenciation des motifs (PDA) avec différentes combinaisons de quatre méthodes de diagnostic, et
enfin il a suggéré que les informations expliquées et disponibles devraient être utilisées comme critères
objectifs pour l’évaluation de la PDA.
D’autre part, certains travaux ont fourni des enquêtes principalement sur les méthodes d’exploration de
données pour la MTC. Zhang et al. [9] ont discuté des méthodes d’exploration de données utilisées pour
le diagnostic et le traitement cliniques dans le monde réel. Lan et al. [11] ont étudié l’exploration de
données actuelles appliquée au diagnostic clinique de la MTC, à la normalisation et à la prédiction du
syndrome, et à l’étude des herbes et des formulations. Zhou et al. [12] ont fait un tour d’horizon complet
du concept de base de la MTC et d’une série de théories, de sources d’information connexes (telles que
les bases de données bibliographiques de la littérature et les bases de données annotées de la littérature
ancienne) et de méthodes de fouille de texte à la MTC. Ils ont également comparé les différences entre
la biomédecine moderne et la MTC du point de vue méthodologique. Feng et al. [15] ont passé en revue
la découverte des connaissances dans la base de données pour les formules médicales, la
phytothérapie, la recherche sur le syndrome et le diagnostic clinique. En outre, ils ont discuté de
plusieurs questions importantes sur l’endroit où se trouve l’étalon-or, quel type d’étalon-or est caché et
comment nous pouvons exploiter pour l’étalon-or.
Dans toutes les revues ci-dessus sur les recherches sur la MTC, la synthèse et l’induction des différents
types de techniques d’apprentissage automatique appliquées à la classification des patients en MTC sur
différentes applications n’ont toujours pas été explicitement étudiées. Pour faire cet examen, des
informations précieuses seraient bénéfiques à la MTC à plusieurs égards : (1) Cela pourrait guider le
praticien de la MTC, qui s’attend simplement à appliquer des algorithmes d’apprentissage automatique
pour des applications spécifiques, à choisir une méthode plus générale et plus efficace. (2) Les
chercheurs en MTC pourraient également découvrir des algorithmes d’apprentissage automatique qui
n’ont pas encore été étudiés ou utilisés pour des applications spécifiques. (3) Nous avons pu comprendre
certaines caractéristiques liées au domaine des données cliniques de la MTC pour les problèmes de
classification des patients du point de vue de l’apprentissage automatique. À cet égard, nous visons à
passer en revue les recherches avancées pour la classification des patients en MTC selon différents
types d’apprentissage automatique.
Atteindre:
3. Connaissances préliminaires pour les algorithmes

d’apprentissage automatique
7/47
Dans cette section, afin de faire une compréhension préliminaire des algorithmes d’apprentissage
automatique, nous présenterons d’abord plusieurs approches fréquemment utilisées pour la classification
des patients en MTC. Néanmoins, il est presque impossible d’élaborer tous les algorithmes
d’apprentissage automatique dans cet article, et ce n’est pas non plus ce que nous devrions envisager
de faire. Nous ne décrivons donc que brièvement quelques algorithmes classiques et quelques
approches avancées soulevées récemment. De plus, ces méthodes sont à la base de la plupart des
algorithmes d’apprentissage automatique actuels, ce qui peut expliquer l’idée centrale de la majorité des
autres méthodes proposées ultérieurement.
k Voisin le plus proche (k-NN). Un type d’apprentissage paresseux, qui est considéré comme l’algorithme
d’apprentissage automatique le plus simple, est mis en œuvre en calculant les échantillons
d’apprentissage les plus proches dans les échantillons de test. Il est modélisé sans aucune phase
d’apprentissage, juste pour stocker les vecteurs de caractéristiques (ou d’attributs/variables) et leurs
étiquettes correspondantes. De plus, la métrique de distance couramment utilisée est la distance
euclidienne et le seul paramètre est la valeur k.
Machine vectorielle de support (SVM) [15]. Un algorithme d’apprentissage automatique supervisé

construit un hyperplan ou un ensemble d’hyperplans dans l’espace des caractéristiques. Il peut souvent
être utilisé comme modèle de classification ou de régression. En appliquant l’astuce du noyau, la SVM
non linéaire peut être dérivée de la SVM linéaire d’origine. L’efficacité de SVM dépend de la fonction du
noyau et de la sélection de plusieurs paramètres tels que les paramètres du noyau et le paramètre soft
margin.
Analyse discriminante linéaire (LDA). Il est lié à une autre méthode appelée discriminant linéaire de
Fisher qui tente de découvrir une combinaison linéaire de caractéristiques pour la classification. Il peut
être utilisé comme classification ou réduction de dimensionnalité. Elle est donc également similaire à
l’analyse en composantes principales (ACP) du point de vue de la réduction de la dimensionnalité.
Bayes naïf (N.-B.). Il s’agit d’un modèle probabiliste simplifié basé sur le théorème de Bayes mais qui
suppose une forte indépendance entre toutes les caractéristiques. Dans la plupart des cas, l’estimation
des paramètres pour les modèles bayésiens naïfs utilise toujours le maximum de vraisemblance. Même
si cet algorithme fait une forte hypothèse d’indépendance entre les caractéristiques, il peut toujours
atteindre d’excellentes performances de classification dans la plupart des applications pratiques.
Arbre de décision. Un modèle prédictif mappe les caractéristiques des échantillons à des étiquettes de
classe qui peuvent être construites sous forme d’arbres de classification ou d’arbres de régression. On
l’appelle arbre parce que les étiquettes sont représentées par des feuilles d’arbres et que les
conjonctions d’entités sont représentées par des branches d’arbres. L’arbre peut être appris en répétant
sur différents sous-ensembles de jeux de caractéristiques d’origine de manière récursive. Parmi les
algorithmes d’arbre de décision notables, citons ID3 (Iterative Dichotomiser 3), C4.5 (successeur d’ID3)
et CART (Classification And Regression Tree). De plus, sur la base de l’arbre de décision, certaines
techniques avancées sont dérivées, connues sous le nom de classificateur d’ensemble, telles que la forêt
aléatoire.
Réseau de neurones artificiels (RNA). Il s’inspire du système nerveux central d’un animal et fait référence
à un modèle informatique dans le domaine de l’apprentissage automatique. Il construit un système avec
8/47
un grand nombre de neurones de l’entrée à la sortie. Les connexions des neurones sur les couches
voisines sont modélisées par des fonctions activées. Ses algorithmes d’apprentissage sont courants en
utilisant la rétropropagation avec descente de gradient. Les réseaux neuronaux courants sont le réseau
neuronal de rétropropagation (BP-NN) et le réseau de neurones à fonction de base radiale (RBF-NN).
Modèles graphiques. Modèle probabiliste qui utilise la représentation de graphe pour désigner la
structure de dépendance conditionnelle entre diverses caractéristiques. Il peut être utilisé pour découvrir
les relations entre les caractéristiques et analyser la distribution complexe des entités dans l’espace des
entités. Les réseaux bayésiens (BN), les champs aléatoires conditionnels (CRF) et le modèle de Markov
caché (HMM) sont quelques-uns des types de modèles graphiques les plus connus.
Apprentissage multilabel. Il s’agit d’un problème de modélisation de plusieurs entités d’entrée mappées
dans plusieurs étiquettes de sortie pour chaque échantillon. C’est donc l’opposé de l’apprentissage à
étiquette unique et complètement différent de l’apprentissage multiclasse qui produit des étiquettes
différentes pour différents échantillons, mais une seule étiquette pour chaque échantillon. Parmi les
algorithmes les plus connus, citons la pertinence binaire (BR), le k-NN multilabel (ML-kNN), le SVM de
rang (Rank-SVM), etc.
Apprentissage profond. Il s’agit d’une technique récente d’apprentissage automatique avancée qui
contient un ensemble d’algorithmes, tels que les réseaux de croyances profondes (DBN) et les réseaux
de neurones convolutifs profonds (DCNN). Il tente de construire une transformation hautement non
linéaire pour mapper les données brutes dans des abstractions de haut niveau avec un grand réseau
profond. En particulier, il peut apprendre automatiquement la représentation des caractéristiques en
fonction des données brutes données. Il a connu un grand succès ces dernières années dans les
domaines de la vision par ordinateur, de la reconnaissance automatique de la parole et du traitement du
langage naturel.
Analyse de clustering. Une technique d’apprentissage automatique non supervisé vise à agréger un
ensemble d’échantillons en différents groupes (clusters). Dans le même groupe, tous les échantillons
sont similaires mais distincts avec les échantillons des autres groupes basés sur la métrique spécifiée :
des algorithmes bien connus comme les k-means et la version basée sur la logique floue connue sous le
nom de fuzzy C-means (FCM).
Atteindre:
4. Approches d’apprentissage automatique pour la classification

des patients en MTC
Cette section donne un aperçu détaillé des recherches actuelles sur la classification des patients en
MTC. Mais tout d’abord, il convient de noter que les grands travaux se concentrent sur le diagnostic des
symptômes/signes à l’aide de méthodes d’apprentissage automatique et n’effectuent pas directement la
différenciation du syndrome ou la classification des patients. Ainsi, compte tenu de l’importance de ces
études, l’enquête de cet article pour la classification des patients serait plus généralisée que les études
précédentes qui contiennent également la classification des symptômes/signes basée sur les diagnostics
de MTC et les relations entre les symptômes, le syndrome et la maladie. Par conséquent, le problème de
classification des patients sera généralisé en trois aspects en ce qui concerne les données diagnostiques
9/47
spécifiques de la MTC : la classification des signes (SC), la différenciation du syndrome (SD) et les
questions de classification de la maladie (DC). De plus, en ce qui concerne les données des dossiers
médicaux recueillies à partir des quatre méthodes de diagnostic, la plupart des travaux se concentrent
sur la question du SD avec les algorithmes d’apprentissage automatique courants ou les méthodes
proposées. Mais en fait, il existe des recherches explorant d’autres aspects du point de vue de la
technique d’exploration de données. Ces travaux tentent de découvrir certaines relations entre les
dossiers médicaux sans procéder à une différenciation des syndromes en MTC : symptôme et
symptôme, symptôme et syndrome, et relations entre le syndrome et la maladie.
4.1. Approches d’apprentissage automatique pour l’inspection
Comme mentionné précédemment dans la section 1, l’inspection de la méthode de diagnostic consiste à

observer certains signes visibles des patients. Ces signes contiennent divers aspects qui sont apparus
sur l’apparence d’un individu ou des excrétions des patients. D’après la littérature actuelle étudiée sur la
question de l’inspection, la plupart des travaux mettent l’accent sur l’information sur la langue, la couleur
des lèvres et l’analyse du teint du visage. Des algorithmes classiques d’apprentissage automatique et
leurs versions modifiées ont été proposés à différents problèmes d’inspection. Tableau 1 résume
certaines des études récentes sur l’inspection de la MTC, où le nombre dans chaque cellule du tableau
indique la référence correspondante.
Tableau 1
Vue d’ensemble des algorithmes d’apprentissage automatique pour la classification des patients à l’aide
de l’inspection (SC_Inspection : classification des signes basée sur l’inspection ; SD_Inspection :
différenciation du syndrome basée sur l’inspection ; DC_Inspection : classification des maladies basée
sur l’inspection).
Applications
Algorithmes
SC_Inspection SD_Inspection DC_Inspection
K-voisin le plus proche [16 à 18, 29, 32, 33, 35, 43 ] [19, 21, 34, 38, 138]
Bayes naïf [35 et 43] [22]
Arbre de décision [20, 22]
Machine à vecteur de support [35, 36, 39, 42, 43] [20, 22] [21, 37, 38]
Réseau de neurones [23] [20] [21]
Modèles graphiques [26] [22] [24 et 25]
Divers [29 à 31, 35, 40] [27] [28, 41]
Ouvrir dans une fenêtre séparée
Sur la base de ce tableau, il est facile de constater que les méthodes SVM et k-NN sont plus
couramment utilisées dans le problème SC sur la base des données d’inspection. En dehors de ces
algorithmes, d’autres algorithmes classiques sont également utilisés pour l’inspection de la MTC, tels que
Bayes naïf, l’arbre de décision et les réseaux neuronaux. En particulier, plusieurs modèles graphiques
ont été étudiés et introduits sur différents diagnostics de MTC, tels que les réseaux bayésiens et le
modèle de Markov caché.
Pour l’application spécifique sur le diagnostic de la langue, Huang et Li [16] ont rapporté que nous
pouvions utiliser tous les pixels de la surface de la langue pour analyser les catégories de couleurs de la
10/47
langue, ils ont donc proposé un schéma d’analyse de la couleur de la langue basé sur un algorithme
réduit de k plus proches voisins. Chiu [17] a utilisé la correspondance des caractéristiques basée sur les
métriques k-NN pour identifier les couleurs de la langue et l’épaisseur de son revêtement. Wang et al.
[18] ont montré que l’information régionale est plus essentielle que la classification de la couleur de la
langue basée sur les pixels. Ils ont utilisé l’algorithme de distance d’Earth Mover pour classer différentes
catégories de couleurs de substances et de revêtements sur la langue. Zhang et al. [19] ont étudié le
problème de classification des maladies normales de santé, d’appendicite et de pancréatite en extrayant
les caractéristiques chromatiques et texturales. En combinant la procédure de sélection des
caractéristiques et le classificateur du plus proche voisin, ils valident le rôle significatif de l’inspection de
la langue dans le diagnostic de ces maladies. Kanawong et al. [20] ont proposé un système de
classification ZHENG qui extrait les informations sur le revêtement sous forme de caractéristiques sur
des images modifiées de langue sans spéculaire. Les différents problèmes de différenciation du
syndrome de la base de données sur la gastrite par rapport aux volontaires sains sont construits et
évalués sur plusieurs algorithmes de classification, notamment la machine à vecteurs de support, les
réseaux de perceptrons multicouches et la forêt aléatoire. Un autre travail similaire [21] a comparé la
SVM linéaire, la SVM non linéaire, le réseau neuronal des fonctions de base radiales (RBF) et le k-NN
pour analyser la classification des patients atteints de cholécystite chronique et des volontaires sains sur
la base d’images de langue médicale hyperspectrale. Les résultats expérimentaux manifestés par la
SVM non linéaire sont plus appropriés à leurs données. Siu et al. [22] ont dérivé 24 classes de langue du
point de vue du syndrome et ont comparé cinq algorithmes pris en charge par le logiciel Weka : deux
algorithmes basés sur l’arbre de décision, deux algorithmes basés sur Bayésian et SVM. En
conséquence, SVM a obtenu les meilleures performances en termes de précision et de mesures
d’évaluation de la courbe des caractéristiques de fonctionnement du récepteur (AUC).
Toutes les études ci-dessus ont principalement considéré un classifieur simple comme k-NN ou un
classifieur plus puissant comme SVM. Il existe également des recherches éparses qui ont permis
d’utiliser d’autres algorithmes et modèles d’apprentissage automatique. Dans les premiers stades, Jang
et al. [23] ont introduit un réseau neuronal pour analyser la couleur du corps de la langue. Par la suite, le
réseau de neurones a également été utilisé dans [20, 21] comme mentionné précédemment. Les
modèles graphiques, tels que les réseaux bayésiens, ont été comparés à d’autres méthodes dans [22].
Zhang et al. [24] ont proposé un système de diagnostic de la langue assisté par ordinateur (CATDS) qui
contient un module d’acquisition, un module de traitement d’image et un module de diagnostic. Le
classificateur des réseaux bayésiens est intégré pour le diagnostic de 9 maladies et de sujets sains,
similaire à [25]. Li et al. [26] se sont concentrés sur le problème de l’extraction et de la classification des
fissures de la langue, où un modèle de Markov caché est utilisé pour classer les fissures de la langue en
12 catégories typiques. Le diagnostic de la MTC est caractérisé par une expérience subjective et une
définition floue sur une longue période, de sorte que des algorithmes et des cadres basés sur la théorie
floue peuvent être appropriés pour expliquer les liens potentiels de la MTC. Par conséquent, les
recherches de pointe ont été étudiées pour la MTC au cours des dernières décennies. Watsuji et al. [27]
ont très tôt construit un système de diagnostic par inspection de la langue basé sur des règles floues
d’éléments de MTC et de logique pour classer différents syndromes. Pham et Cai [28] ont introduit des
techniques et des processus de visualisation pour analyser les données interactives d’inspection de la
langue. Et, aussi, ils discutent de la façon dont la théorie des ensembles flous peut être intégrée dans les
techniques de visualisation pour améliorer la perception et la compréhension des données d’inspection
de la langue. Plus récemment, Huang et al. [29] ont effectué une classification de la forme de la langue
11/47
par caractéristiques géométriques. Un cadre de fusion floue a été combiné avec 7 modules de processus
hiérarchique analytique (AHP). Cette méthode a validé qu’elle peut représenter l’incertitude et
l’imprécision entre les caractéristiques quantitatives et les formes de la langue. Chiu et al. [30] ont
envisagé l’inspection des veines sublinguales de la langue pour la classification de la stase sanguine à
l’aide de la régression logistique, qui est un type de modèle de classification statistique probabiliste. Un
autre modèle de classification des couleurs de la langue [31] a appliqué l’algorithme de mappage d’angle
spectral (SAM) pour discriminer différentes catégories de substances et de revêtements. Cette méthode
compare les spectres d’image aux spectres connus, qui est appliquée aux images hyperspectrales de la
langue.
En effet, le diagnostic de la langue est étudié depuis longtemps. Mais certains rapports récents ont
montré que le diagnostic du visage et le diagnostic des lèvres étaient également à l’ordre du jour. Des
travaux préliminaires ont été réalisés pour la classification des couleurs faciales (cinq couleurs morbides
et couleurs saines) à l’aide du classificateur k-NN [32, 33]. Ils ont également conçu un dispositif
d’acquisition d’images faciales qui vise à surmonter l’instabilité de la lumière naturelle dans un
environnement ouvert. Liu et Guo [34] ont construit un système de diagnostic automatique de la couleur
du visage pour l’hépatite ; k-NN avec distance euclidienne est utilisé comme classificateur. Liu et al. [35]
ont comparé divers algorithmes d’apprentissage supervisé sur cinq parties faciales différentes,
respectivement. Les performances de reconnaissance des couleurs ont démontré que la SVM avec
fusion de cinq parties faciales est supérieure à k-NN, Bayes naïve et Adaboost. Cette conclusion est
également similaire à celle d’un autre travail rapporté dans [36]. La différence est que les parties faciales
sont plus fines que [35] selon une autre théorie de la MTC de la partition faciale. Wang et al. [37] ont
étudié la santé normale et la classification de l’ictérohépatite en fonction de la couleur du visage par
regroupement flou et SVM. Zhang et al. [38] ont non seulement étudié la classification des maladies en
fonction de la couleur du visage, mais ont également constaté que les informations sur la brillance du
visage sont importantes pour la classification de la santé par rapport à la maladie. Ils ont comparé la
SVM avec k-NN dans leur expérience, mais les résultats ont montré que k-NN est légèrement plus
performant que la SVM. De plus, Zhao et al. [39] ont proposé une nouvelle caractéristique chromatique
pour la reconnaissance des couleurs faciales et l’analyse de la brillance basée sur la SVM, qui peut
représenter la chromaticité et la distribution de la luminance avec des connaissances préalables
régionales faciales. Zhou et al. [40] ont concentré leurs travaux sur la reconnaissance de la brillance
faciale et ont comparé diverses méthodes d’analyse discriminante sur différents espaces colorimétriques.
L’analyse discriminante linéaire s’est avérée plus supérieure à celle des autres. Une étude plus récente
sur le diagnostic facial a été rapportée dans [41]. Cette recherche a abordé le diabète sucré via une
approche plus avancée qu’auparavant, à savoir le classificateur de représentation parcimonieuse (SRC).
Sur la base de leur méthode, la précision moyenne peut atteindre 97,54 % sur la question de la
classification du diabète sucré par rapport à la santé avec leur base de données d’images faciales. De
plus, le modèle basé sur SRC est plus puissant que les approches classiques comme k-NN et SVM.
Outre les recherches ci-dessus, Zheng et al. [42] ont utilisé SVM pour classer différentes catégories de
couleurs de lèvres avec des caractéristiques statistiques d’histogramme sur divers espaces
colorimétriques. Li et al. [43] ont mis au point un système de reconnaissance automatique de la couleur
des lèvres sur un dispositif d’acquisition bien conçu. Différents algorithmes d’apprentissage supervisé et
algorithmes de sélection de caractéristiques sont largement comparés dans leur base de données. La
conclusion est que SVM avec élimination récursive des caractéristiques pour la sélection des
caractéristiques est le meilleur modèle pour la classification des couleurs des lèvres.
12/47
Tout au long de tous les travaux mentionnés sur la question de l’inspection, nous constatons qu’un grand
nombre de travaux se concentrent sur le diagnostic de la langue. Pendant ce temps, le diagnostic facial
et le diagnostic des lèvres ont été rapportés et étudiés récemment. Les algorithmes d’apprentissage
automatique populaires, tels que k-NN et SVM, sont toujours le premier choix vu dans la littérature
actuelle. En outre, le modèle non linéaire peut être plus approprié aux données d’inspection dans la
plupart des cas selon la littérature examinée ci-dessus, ce qui indique que la structure spatiale des
données d’inspection est une distribution non linéaire. De plus, un algorithme d’apprentissage
automatique plus avancé est également nécessaire pour être étudié pour la MTC, ce qui pourrait
améliorer les performances du système précédent, comme le montre [41].
4.2. Approches d’apprentissage automatique pour l’auscultation et l’olfaction
Dans cette section, nous passons en revue une autre méthode de diagnostic importante qui contient
deux sujets : l’auscultation et l’olfaction. L’auscultation consiste à examiner les changements de voix par
le sens auditif du médecin, et l’olfaction consiste à vérifier les changements d’odeur par le sens de
l’odorat du médecin. Leur fondement théorique est que la MTC croit que le son de la parole et l’odeur
corporelle produits par les patients peuvent refléter les conditions physiologiques et psychologiques des
organes de Zang Fu. Ainsi, l’auscultation et l’olfaction ont suscité une grande attention pendant une
longue période dans le domaine de la MTC. Cependant, les travaux connexes sur l’auscultation objective
et l’olfaction sont encore rares et rarement étudiés. Cela peut être dû aux caractéristiques acoustiques
complexes du son, y compris les bruits massifs et les signaux acoustiques similaires dans la nature, et
aux diverses compositions chimiques de l’haleine expirée contenant des milliers de composés
organiques volatils (COV). Tous ces facteurs entravent le développement de la recherche sur
l’auscultation objective et l’olfaction en MTC. Dans la mesure du possible, une minorité de recherches
préliminaires ont été étudiées sur cette question. Malgré cela, nous répertorions les œuvres connexes
dans Tableau 2. En outre, des descriptions détaillées sont présentées dans une perspective
d’auscultation objective et d’olfaction, respectivement. De plus, bien que certains travaux n’aient même
pas appris un modèle d’apprentissage automatique pour le diagnostic objectif de l’auscultation-olfaction,
nous allons tout de même les passer brièvement en revue car leurs travaux fondamentaux
constitueraient une référence précieuse pour d’autres recherches à l’avenir.
Tableau 2
de l’auscultation ou de l’olfaction (SC_Aus-Olf : classification des signes basée sur l’auscultation ou
l’olfaction ; SD_Aus-Olf : différenciation du syndrome basée sur l’auscultation ou l’olfaction ; DC_Aus-Olf
: classification des maladies basée sur l’auscultation ou l’olfaction).
Applications
Algorithmes
SC_Aus-Olf SD_Aus-Olf DC_Aus-Olf
K-voisin le plus proche [55 et 64]
Bayes naïf
Arbre de décision
Machine à vecteur de support [45 à 47] [56 à 58, 60]
Réseau de neurones [61]
Modèles graphiques
Divers [48 à 50] [54, 59, 62, 63, 65]
13/47
Pour l’analyse objective de l’auscultation, Wang et al. [44] ont passé en revue certaines techniques
numériques au cours des dernières années. Mais presque tous les travaux connexes sur le diagnostic de
l’auscultation sont rapportés avant le 21ème siècle, où les recherches sont préliminaires et immatures.
Plus récemment, des travaux d’analyse des signaux d’auscultation en MTC ont été rapportés. Yan et al.
[45] ont introduit l’entropie d’énergie des paquets d’ondelettes pour décomposer les signaux
d’auscultation afin de diviser des bandes de fréquences plus élaborées. Ensuite, la SVM est utilisée pour
classer les patients dans leurs catégories respectives : santé, Qi-vacuité et Yin-vacuité. Dans un autre
travail, Yan et al. [46] ont considéré que les informations de non-stationnarité des signaux d’auscultation
reconnaissaient automatiquement les individus en bonne santé de ceux qui présentaient une déficience
en Qi ou en Yin. À l’aide de la SVM et d’un critère de maximisation de l’information mutuelle
conditionnelle de la méthode de sélection des caractéristiques, ils ont obtenu une précision de
classification de 80 % sur la base de leurs résultats expérimentaux. De plus, un travail d’extraction de
caractéristiques améliorées sur les signaux d’auscultation a été étudié dans [47]. La combinaison de la
transformée en paquets d’ondelettes et de deux méthodes d’entropie différentes (entropie d’échantillon et
entropie approximative) a été calculée pour quantifier tous les signaux audio. De même, ils ont effectué
une classification avec SVM sur la même question. Enfin, la précision de la reconnaissance a été
améliorée et s’est rapprochée de 90% avec un schéma d’entropie approximatif, et même supérieure à
90% avec l’entropie de l’échantillon par rapport aux travaux précédents.
À la différence des travaux ci-dessus, Chiu et al. [48] ont proposé quatre nouveaux paramètres
acoustiques pour former des caractéristiques de signal : deux paramètres temporels (le nombre moyen
de passages à zéro, les variations des pics et des vallées locaux) et deux autres paramètres (les
variations des fréquences des premier et deuxième formants, et le rapport d’énergie spectrale). L’objectif
de la classification est le même que celui des travaux ci-dessus, mais une autre régression logistique de
l’algorithme d’apprentissage automatique a été introduite pour construire le modèle de reconnaissance.
Compte tenu des caractéristiques de la parole liées aux irrégularités de production, Chiu et al. [49] ont
également utilisé le paramètre de dimension fractale. Les résultats expérimentaux avec régression
logistique ont montré que le taux de classification était meilleur que leurs travaux précédents. Yan et al.
[50] ont constaté que la plupart des approches existantes se limitaient à l’analyse d’une seule voyelle, ils
ont donc introduit un cadre d’apprentissage multi-instances et multi-étiquettes afin de faire une analyse
complète avec cinq voyelles. Les résultats de l’expérience révèlent que cette méthode est efficace pour
identifier les données d’auscultation de la MTC sur la santé, la carence en Qi et la carence en Yin. Nous
avons récupéré le reste des travaux et n’avons pas construit de modèle de diagnostic pour le diagnostic
d’auscultation, de sorte que Yan et al. [51] ont utilisé une analyse en composantes indépendante pour
réduire le bruit. Yan et al. [52] ont introduit la méthode de variance du vecteur de retard pour détecter la
non-linéarité de la série temporelle. Deux nouveaux paramètres, le rapport d’énergie et le rapport de
puissance maximale, sont proposés pour étudier l’auscultation objective dans [53].
Pour l’analyse objective de l’olfaction, il n’y a presque pas de travaux récents sur la perspective de la
MTC. La plupart des recherches sur l’analyse de l’haleine expirée sont effectuées pour le diagnostic des
maladies du point de vue de la médecine occidentale. Sur la base de cette situation, nous passons
encore en revue plusieurs travaux récents comme référence pour le diagnostic de l’olfaction de la MTC.
Dans le diagnostic des maladies, la plupart des travaux se concentrent sur l’identification du diabète à
14/47
partir de volontaires sains. Ping et al. [54] ont introduit un algorithme de clustering flou non supervisé
pour le diabète basé sur le nez électronique à un stade précoce. Yu et al. [55] ont mis au point un
système portable d’analyse des gaz en utilisant un réseau de capteurs en polymère conducteur. Les
patients diabétiques ont été distingués des personnes normales par l’analyse en composantes
principales (ACP) avec k classificateur du plus proche voisin. Un autre système d’analyse de l’haleine
[56, 57] a été mis en place à deux fins : le diagnostic du diabète et la prédiction de la glycémie. Leurs
modèles de diagnostic ont été construits par un classificateur de vecteurs de support et une régression
de vecteurs de support, respectivement. Guo et al. [58] ont appliqué un nouvel algorithme de régression
appelé régression ordinale à vecteur de support pour effectuer une classification avec quatre catégories
ordinales marquées comme bien contrôlé, plutôt contrôlé, mal contrôlé et non contrôlé.
D’autres recherches ont porté attention au diagnostic de diverses maladies à l’aide de divers algorithmes
d’apprentissage automatique. Dragonieri et al. [59] ont utilisé le nez électronique pour recueillir l’haleine
expirée pour différents niveaux de diagnostic des patients asthmatiques et ont été classés par analyse
discriminante linéaire. Une méthode de décision d’assemblage a été établie sur la base d’une SVM à
marge molle avec un noyau gaussien dans [60], puis ce modèle a été appliqué à dix cultures
bactériennes différentes capturées à partir d’un nez électronique. Saraoglu et al. [61] ont utilisé le réseau
neuronal RBF pour les prédictions des paramètres de l’HbA1c et des paramètres de glucose basées sur
le capteur de microbalance à cristaux de quartz. Les patients atteints d’un cancer du poumon pourraient
avoir accéléré le catabolisme des composés organiques volatils par l’induction de génotypes de
cytochrome p450 à haut risque. Par conséquent, sur la base de ce fait, Phillips et al. [62, 63] ont construit
un modèle prédictif et un modèle logique flou, respectivement, pour la détection et la prédiction du cancer
du poumon, tous deux avec des marqueurs volatils. Un système d’analyse de l’haleine [64] a été
construit pour la classification du diabète, des maladies rénales et de l’inflammation des voies
respiratoires basée sur un classificateur simple, connu sous le nom de k plus proche voisin. Lin et al. [65]
ont concerné le diagnostic de l’urémie par nez électronique. Ils ont recueilli l’haleine expirée de sujets
normaux, d’urémiques, d’insuffisance rénale et d’insuffisance rénale chronique. L’analyse finale des
signaux a été réalisée à l’aide d’une technique standard appelée analyse discriminante.
Comme on peut le voir à partir de Tableau 2 et passé en revue les recherches sur l’auscultation objective
et le diagnostic olfactif, les travaux axés sur la MTC ne sont pas si nombreux et préliminaires. Au
contraire, un certain nombre de rapports ont été étudiés sur l’olfaction, mais ont été réalisés du point de
vue du diagnostic de la maladie de la médecine occidentale. Plusieurs algorithmes d’apprentissage
automatique courants sont également pris en compte sur les différents problèmes de classification des
maladies, tels que SVM, k-NN et ANN. En attendant, nous constatons qu’il existe peu de travaux
concernant la question de la classification des signes en utilisant des données d’auscultation ou
d’olfaction. Bien que le diagnostic objectif de l’auscultation et de l’olfaction du point de vue de la MTC ait
rarement été mis en pratique, les études ci-dessus pourraient être une connaissance qui mérite d’être
apprise et explorée.
4.3. Approches d’apprentissage automatique pour la palpation
Le diagnostic par palpation (ou diagnostic par pouls), une autre méthode de diagnostic importante en
MTC, est également un moyen non invasif et efficace d’examiner l’emplacement et l’étendue des
problèmes de santé d’un individu. Les méthodes traditionnelles examinées en médecine chinoise sont la
perception de trois positions de mesure sur l’artère radiale définies dans la théorie de la MTC, où elles
15/47
sont connues sous le nom de Cun, Guan et Chi en chinois. Plusieurs systèmes d’acquisition de données
de palpation différents ont été développés à l’aide de divers capteurs de signaux [66–70]. D’après les
articles récupérés, nous produisons la liste de référence rectangulaire pour les approches récentes
d’apprentissage automatique pour la palpation, telles qu’elles sont répertoriées dans Tableau 3.
Tableau 3
de la palpation (SC_Palpation : classification des signes basée sur la palpation ; SD_Palpation :
différenciation du syndrome basée sur la palpation ; DC_Palpation : maladie Classification basée sur la
palpation).
Applications
Algorithmes
SC_Palpation SD_Palpation DC_Palpation
K-voisin le plus proche [71 et 76] [79 à 83]
Bayes naïf
Arbre de décision [72 et 76]
Machine à vecteur de support [73 et 76] [83 à 93]
Réseau de neurones [74, 75, 139] [84, 140]
Modèles graphiques [77 et 78]
Divers [76 et 95] [79, 83, 94 à 96]
D’après le tableau, il est évident que la classification des signes et la classification de la maladie basée
sur la palpation sont l’objectif principal de la MTC. Cependant, à notre connaissance, la différenciation du
syndrome par les données de palpation à l’aide de méthodes informatiques n’a pas encore été étudiée.
Ce n’est pas comme les données d’inspection pour la différenciation du syndrome qui ont été étudiées
comme indiqué précédemment. D’autre part, les algorithmes couramment utilisés comme SVM et k-NN
sont également le premier choix pour analyser les signaux d’impulsion ainsi que les données
d’inspection. Il convient de noter que certains algorithmes avancés d’apprentissage automatique qui ont
récemment suscité une grande attention sont également utilisés pour résoudre la classification des
formes d’onde d’impulsions ou la classification des maladies. Par conséquent, nous allons passer en
revue la plupart des travaux de cette partie sous différents aspects, y compris le même problème résolu
par différents algorithmes d’apprentissage automatique et différents problèmes résolus par les mêmes
algorithmes d’apprentissage automatique.
En ce qui concerne la classification des types de forme d’onde d’impulsion, Zhang et al. [71] ont proposé
deux nouvelles approches basées sur k plus proches voisins en utilisant la distance d’édition avec une
pénalité réelle. Ensuite, ces méthodes ont été appliquées pour reconnaître cinq modèles d’impulsion, y
compris modéré, lisse, tendu, creux et non lisse. Comparées à d’autres littératures récentes, les
méthodes proposées ont obtenu de meilleurs résultats avec le critère de précision. Une méthode d’arbre
de décision est introduite dans [72] pour la classification des types de force d’impulsion à partir de quatre
cents échantillons de signaux d’impulsion. En raison des classes déséquilibrées de cet ensemble de
données, ils ont sous-échantillonné la classe majoritaire et construit un sous-ensemble d’impulsions
équilibré. Les résultats expérimentaux sur l’impulsion d’intensité normale (impulsion NS) par rapport à
l’impulsion faible (impulsion F) et la classification globale des échantillons ont tous deux été obtenus à
plus de 90 %. Jia et al. [73] reconnaissent cinq modèles d’impulsions distincts à partir de 2470 formes
16/47
d’onde d’impulsion. Ils ont fourni une nouvelle métrique élastique pour la SVM afin d’effectuer la
classification des formes d’onde d’impulsion. Des expériences ont été menées sur deux aspects : les
comparaisons de métriques et les comparaisons de classificateurs. Tous les résultats ont démontré que
la métrique proposée est appropriée pour représenter les données des formes d’onde d’impulsion. Xu et
al. [74] et Wang et al. [75] ont tous proposé la combinaison de la théorie floue et des réseaux neuronaux
pour résoudre le problème de la reconnaissance des modèles d’impulsion. Par rapport au réseau de
rétropropagation, la logique floue s’est avérée plus utile à l’analyse des impulsions en MTC. Ling et al.
ont comparé divers réseaux neuronaux avec le réseau d’état d’écho amélioré (ESN), qui est basé sur la
théorie du chaos, ont validé l’efficacité et la supériorité du réseau neuronal ESN. Ma et al. [76] ont
proposé une méthode de classification améliorée en deux étapes pour classer sept modèles d’impulsions
courants. Ils ont d’abord comparé huit fonctions discriminantes, dont SVM, k-NN et l’arbre de décision.
Ensuite, un modèle de classification hiérarchique grossière à fine est construit avec un classificateur
optimal dans les domaines correspondants. Les résultats finaux ont montré que la méthode améliorée
pouvait obtenir de bonnes performances sur la précision globale de la classification.
Les réseaux bayésiens, un modèle graphique probabiliste, pourraient construire les relations
cartographiques entre les types d’impulsions et les signaux d’impulsion. Wang et Zhang [77] ont présenté
un modèle utilisant des réseaux bayésiens pour identifier la profondeur, la fréquence, le rythme, la force
et la forme des signaux d’impulsion humaine, respectivement. Ainsi, cinq structures graphiques sont
établies pour réaliser l’identification automatique de différents paramètres des signaux d’impulsion. La
matrice de confusion et les critères de précision ont démontré la puissante capacité de modélisation des
réseaux bayésiens. Wang et Cheng [78] ont affirmé que les types d’impulsions peuvent être classés en
onze types en fonction de sept facteurs. Ils ont considéré que l’architecture du système de diagnostic par
impulsions basé sur les BN devrait consister en trois étapes : le module de découverte de la relation de
dépendance, l’apprentissage des paramètres et le module de raisonnement. Ainsi modifié l’algorithme de
recherche de motifs bayésiens gourmands (GBPS∗ ) a été utilisé pour les deux premières étapes ;
L’algorithme de propagation de l’arbre de clique (CTP) a été implémenté pour le module de
raisonnement. De plus, ils ont également utilisé la couverture de Markov pour effectuer des inférences
causales. Tous les résultats prédictifs ont validé l’efficacité du système proposé pour le diagnostic du
pouls.
Dans le but de classer les maladies de personnes en bonne santé ou entre les maladies, Yang et al. [79]
ont utilisé l’analyse en composantes indépendantes pour extraire la caractéristique du pouls pour le
diagnostic de cholécystite et de gastrite. En modélisant avec k-NN, le meilleur taux de reconnaissance de
classification est obtenu par la méthode d’extraction de caractéristiques proposée concurrençant
l’analyse discriminante linéaire et l’analyse en composantes principales. Liu et al. [80] ont adopté une
méthode récente d’appariement de séries temporelles et une distance d’édition de distorsion temporelle,
pour diagnostiquer quatre patients atteints de la maladie à partir d’une personne en bonne santé avec le
classificateur du plus proche voisin. Les résultats expérimentaux ont montré que la méthode introduite
est supérieure aux autres approches d’appariement de séries chronologiques. Un système de soins de
santé mobile a été développé en [81] pour le diagnostic de la cirrhose, y compris le débruitage du signal
et l’élimination de l’errance de base pour le prétraitement du pouls du poignet ; L’algorithme d’extraction
de caractéristiques proposé est appelé méthode de binning et classificateur du voisin le plus proche k.
Sun et al. [82] se sont concentrés sur l’extraction de caractéristiques pour l’analyse des impulsions à
l’aide de l’ACP à noyau et la classification de cinq maladies à l’aide de k-NN.
17/47
En dehors de k-NN pour la classification des maladies, un grand nombre de travaux préfèrent adopter la
SVM pour modéliser leur système de diagnostic des maladies. Jiang et al. [83] ont étudié six
classificateurs pour distinguer les patients atteints de gastrite et de cholécystite des personnes en bonne
santé. Tous les classificateurs incluent le discriminant linéaire de Fisher (FLD), le discriminant linéaire de
Fisher à programmation quadrique (FLD-QP), le perceptron en mode batch (Perc), le perceptron de
Kozinec (Kozi), le k-NN et le SVM L2-soft. Dans trois tâches de classification, les performances de la
SVM L2-soft étaient meilleures que les autres. Wang et al. [84] ont extrait de nombreuses
caractéristiques différentes, notamment la forme, la largeur, l’énergie, la fréquence, le coefficient
d’ondelettes et l’ACP. Le k-NN et le RBF-SVM sont utilisés pour séparer les personnes en santé des
diabétiques. La précision finale de la classification a montré la fusion de toutes les caractéristiques ci-
dessus et RBF-SVM a obtenu les meilleures performances sur ce problème. De même, Chen et al. [85]
ont proposé un modèle autorégressif modifié pour extraire la caractéristique du signal d’impulsion. Grâce
à la SVM, ils ont pu distinguer les personnes en bonne santé des patients atteints d’appendicite aiguë
avec une précision de plus de 82 % et une précision encore plus élevée pour les autres maladies. Jia et
al. [86] ont fusionné trois types de caractéristiques au niveau de la décision pour la question de la
classification de la maladie par rapport à la santé, appelées caractéristiques spatiales, énergie des
ondelettes et caractéristiques de similitude. La règle de somme de Bayes avec SVM a obtenu les
meilleures performances par rapport aux autres règles de fusion dans leurs expériences. Jiang [87] a
tenté d’extraire d’autres caractéristiques appelées cinq paramètres Doppler cliniques (DP), les énergies
d’ondelettes (WE), les énergies de paquets d’ondelettes (WPE) et les bispectres axialement intégrés par
morceaux (PAIB). Ils saisissent toutes les caractéristiques dans L2-SVM pour l’analyse du signal de flux
sanguin Doppler. En fait, d’autres travaux se concentrent également sur les approches d’extraction de
caractéristiques afin de représenter les signaux d’impulsion aussi précisément que possible, tels que la
transformée de Hilbert-Huang (HHT) [88], l’erreur de prédiction régressive automatique (ARPE) [89] et
les transformées en ondelettes (paquets) (WT) [90] pour le signal de flux sanguin par ultrasons Doppler,
l’entropie d’échantillon multi-échelle [91] et le HTT combiné avec des caractéristiques spatiales [92] pour
le signal de flux sanguin du pouls au poignet. Zhang et al. [93] ont conçu et mis en œuvre un système
chinois de récupération du pouls au poignet à l’aide de capteurs de pression, appelé EasiCPRS. Ils ont
démontré l’architecture du système et évalué les performances du diagnostic du pouls avec la SVM
linéaire pour classer six catégories : sain, en mauvaise santé, hypertension, maladie coronarienne,
grossesse et cirrhose du foie.
De plus, comme pour les autres algorithmes d’apprentissage automatique, Chen et al. [94] ont utilisé une
méthode d’apprentissage non supervisée, les C-means flous, pour agréger directement toutes les
données d’impulsion en trois classes : la santé, la pancréatite et l’ulcère du bulbe duodénal. En utilisant
le modèle gaussien modifié pour l’extraction de caractéristiques, leurs approches ont fourni de meilleures
performances de classification que la transformée en ondelettes et les méthodes autorégressives. Liu et
al. [95] ont introduit l’algorithme d’apprentissage à noyaux multiples (MKL) pour combiner plusieurs
caractéristiques afin d’effectuer la classification des symptômes du pouls et la classification de la
maladie. Grâce à différents résultats expérimentaux, le framework MKL a obtenu les meilleurs résultats
globaux en concurrence avec SVM et k-NN. Plus récemment, les réseaux de neurones convolutifs
profonds (DCNN) ont été introduits dans l’analyse des signaux d’impulsion du poignet [96], qui est un
type d’apprentissage représentatif dans le domaine de l’apprentissage automatique. Sur la base de cette
méthode, la précision pourrait atteindre 72,31 % pour distinguer le problème de santé du problème de
18/47
sous-santé, et 96,33 % pour le problème d’artériosclérose par rapport au problème de non-
artériosclérose.
En résumé, le diagnostic objectif par palpation a fait l’objet d’études approfondies sur la classification des
signes et la classification de la maladie. Cependant, les recherches sur la question de la différenciation
du syndrome sont rarement récupérées selon nos travaux actuels. En outre, nous avons également
constaté que la plupart des travaux s’intéressent à la représentation des caractéristiques des signaux
d’impulsion et mettent rarement l’accent sur la construction du modèle d’apprentissage sur la base des
caractéristiques spécifiques des données d’impulsion.
4.4. Approches d’apprentissage automatique pour les interrogatoires et les

dossiers médicaux
Dans cette section, nous passerons en revue les progrès récents en matière d’interrogatoire et d’analyse
des dossiers médicaux. Le diagnostic d’interrogatoire (ou appelé diagnostic d’enquête) consiste à poser
directement des questions sur divers sentiments physiologiques et psychologiques des patients. Les
experts en MTC qui recueillent toutes ces informations pourraient comprendre les antécédents médicaux
et présenter la maladie, afin de fournir des preuves de différenciation du syndrome. Les dossiers
médicaux reposent sur la collecte d’informations cliniques par le biais de quatre méthodes de diagnostic.
Les symptômes et les signes d’un patient seraient examinés à l’aide de méthodes informatiques et
enregistrés dans la base de données clinique.
Sincèrement, les données d’interrogatoire font toujours partie du dossier médical et sont connues comme
l’une des méthodes de diagnostic importantes dans le diagnostic de la MTC. Mais sur la base de la
récupération de la littérature connexe, nous remarquons que peu de travaux sont rapportés et étudiés
dans l’analyse objective de l’interrogation pour les questions de différenciation du syndrome ou de
classification de la maladie purement. Dans la plupart des cas, les données d’interrogation sont toujours
combinées avec d’autres données de diagnostic pour étudier ces problèmes. Par conséquent, nous
avons regroupé les examens des interrogatoires et des dossiers médicaux. Mais certainement, quelques-
unes des recherches sur l’analyse de l’interrogatoire indépendamment des autres données de diagnostic
seraient examinées séparément dans ce qui suit.
En outre, nous remarquons également qu’une majorité des analyses de données des dossiers médicaux
sont effectuées pour la question de la différenciation du syndrome, ce qui est un objectif essentiel étudié
dans la recherche objective sur la MTC. Pendant ce temps, des recherches éparses étudient certaines
relations basées sur des dossiers médicaux sans effectuer de différenciation des syndromes dans la
MTC : symptôme et symptôme, symptôme et syndrome, et relations entre le syndrome et la maladie. Ces
œuvres sont également significatives et nous les présenterons séparément. D’une manière générale,
nous résumerons les articles récupérés afin de formuler une référence en ce qui concerne les
algorithmes et leurs applications, comme indiqué dans Tableau 4. Ce tableau est légèrement différent du
tableau précédent que nous avons créé en raison des applications distinctes des dossiers médicaux.
Tableau 4
d’interrogatoires ou de dossiers médicaux (SD_Int-MRs : différenciation du syndrome basée sur
19/47
l’interrogatoire ou les dossiers médicaux ; AA_Int-IRM : analyse d’association entre les symptômes, les
syndromes et les maladies sur la base d’un interrogatoire ou d’un dossier médical).
Applications
Algorithmes
SD_Int-MR AA_Int-MR
K-voisin le plus proche [98, 99]
Bayes naïf [107, 108, 121]
Arbre de décision [108 et 115]
Machine à vecteur de support [98, 103 à 108] [122]
Réseau de neurones [104, 108, 116]
Modèles graphiques [108, 112 à 114] [123 et 124]
Apprentissage multi-étiquettes [100, 101, 109 à 111 ]
Divers [102, 104, 108, 117 à 121 ] [98, 125 à 128]
Pour le diagnostic d’interrogation objective, la collecte des données est généralement effectuée à l’aide
d’une échelle de diagnostic d’enquête ou d’un questionnaire conçu par des experts en MTC [97]. Li et al.
[98] ont étudié les interactions symptôme-syndrome pour le diagnostic de la maladie coronarienne
(CHD). D’une part, ils ont d’abord construit un grand réseau d’interaction symptôme-symptôme (SSI) qui
révèle leurs connexions potentielles. Ensuite, d’autre part, la relation entre les syndromes a également
été calculée au moyen de la densité associée relative (RAD). La RAD a également été utilisée pour
montrer les liens entre les syndromes et les symptômes. Sur la base de l’analyse quantitative ci-dessus,
dans la phase finale, le RAD a été utilisé pour la sélection des symptômes et la SVM et le k-NN ont été
utilisés pour prédire le syndrome à partir des symptômes. Liu et al. [99] ont proposé une nouvelle
approche de sélection de caractéristiques combinant l’analyse d’association et le gain d’information (IG)
pour effectuer une sélection de symptômes pertinents pour la différenciation du syndrome de
coronaropathie. Basée sur le classifieur k-NN, la méthode proposée a obtenu les meilleures
performances par rapport aux méthodes de sélection des caractéristiques de fréquence des documents
(DF), IG et d’information mutuelle (MI).
Pour la différenciation du syndrome coronarien, compte tenu des syndromes multiples pour chaque
patient, Liu et al. [100] ont introduit des algorithmes d’apprentissage multi-étiquettes pour résoudre ce
problème. Plusieurs algorithmes d’apprentissage multi-étiquettes sont implémentés dans l’ensemble de
données CHD, notamment l’apprentissage multi-étiquettes k-Nearest Neighbor (ML-k NN), la machine à
vecteurs de support pour le classement (RankSVM) et l’apprentissage multi-étiquettes par
rétropropagation (BPMLL). Les résultats expérimentaux ont montré que l’apprentissage multi-étiquettes
est supérieur à l’apprentissage mono-étiquette, et ML-kNN a obtenu de meilleures performances que
RankSVM et BPMLL. Shao et al. [101] ont également utilisé des algorithmes d’apprentissage multi-
étiquettes pour les maladies coronariennes, mais se sont concentrés sur la recherche sur les algorithmes
de sélection des symptômes. Ils ont proposé un algorithme de sélection de caractéristiques multi-
étiquettes appelé HOML (Hybrid Optimization Based Multilabel Feature Selection (HOML). Une
technique plus avancée a été introduite pour le diagnostic du syndrome de gastrite chronique [102], qui
est populaire récemment dans le domaine de l’apprentissage automatique. Le modèle d’apprentissage
profond Deep Belief Network (DBN) a été combiné avec la méthode de pertinence binaire, un algorithme
d’apprentissage multi-étiquettes, pour reconnaître six syndromes courants. Les performances globales
20/47
sur divers critères multi-étiquettes ont témoigné de la puissante capacité d’apprentissage de la méthode
proposée pour le diagnostic par enquête.
En ce qui concerne l’analyse des données des dossiers médicaux, la plupart des travaux conçoivent
leurs systèmes et leurs approches pour résoudre le problème de différenciation du syndrome. Yang et al.
[103] ont développé le système de gestion de l’information sur le syndrome de MTC qui incorpore la
connaissance préalable de l’information sur le syndrome de MTC à la SVM et construit un modèle P-
SVM pour classer les littératures de MTC comme différents syndromes. Le taux de précision est de 95%
sur l’échantillon de 2000 enregistrements. Xia et al. [104] ont comparé la SVM à la régression pas à pas
et au réseau neuronal ; Les résultats expérimentaux ont indiqué que la fonction du noyau RBF avec SVM
était le meilleur classificateur pour identifier dix syndromes. D’autres travaux [105, 106] ont étudié les
algorithmes de réduction de dimensionnalité avec la SVM pour améliorer les performances de
différenciation du syndrome. Wang et al. [107] ont envisagé d’analyser les dossiers cliniques bruts en
texte libre, ce qui était très différent de nombreux ensembles de données bien structurés qui ont été
collectés, structurés et normalisés manuellement par des experts en MTC. L’utilisation directe des cadres
diagnostiques existants était impossible pour les dossiers cliniques. Par conséquent, ils ont développé un
nouveau cadre de diagnostic automatique pour traiter cet ensemble de données non structurées.
L’architecture du système de diagnostic est composée de quatre composants : la reconnaissance des
noms de symptômes de la MTC, la normalisation des noms de symptômes, la sélection des
caractéristiques et les modules de formation/diagnostic. Les deux premiers modules ont transformé les
données brutes en données bien structurées et les deux derniers ont été utilisés pour construire un
modèle efficace de différenciation du syndrome. Deux classificateurs (NB et SVM) sont utilisés pour
évaluer l’efficacité et la faisabilité du système proposé. Wang et al. [108] ont comparé plusieurs
classificateurs pour prédire le syndrome de cirrhose du foie sous trois angles : la MTC, la MW et leurs
points de vue combinés. Les classificateurs sont la régression logistique (LR), les BN, le NB, LE RBF-
NN, LE C4.5 et le SVM. La précision finale de la classification indique que les caractéristiques combinées
de la MTC et de la WM permettent d’obtenir les performances les plus élevées.
Ces dernières années, plusieurs algorithmes d’apprentissage multi-étiquettes ont été utilisés pour la
différenciation des syndromes pour l’analyse des dossiers médicaux. Li et al. [109] ont réalisé les
données multisources des dossiers médicaux de MTC, y compris les sources de données du diagnostic
du visage et de la langue, le diagnostic de palpation, le diagnostic d’enquête et d’autres informations. Par
conséquent, un schéma de fusion d’informations au niveau des caractéristiques a été proposé basé sur
des algorithmes d’apprentissage multi-étiquettes. Les résultats expérimentaux ont confirmé qu’il était
essentiel de traiter séparément les différentes données sources pour la classification ZHENG. La
fonctionnalité pertinente de l’algorithme multi-étiquettes pour chaque étiquette (REAL) a été introduite
pour étudier la classification et l’identification des syndromes pour les maladies cardiovasculaires [110].
Wang et al. [111] ont utilisé un algorithme d’apprentissage multi-étiquettes différent pour diagnostiquer la
fatigue chronique via un prédicteur conforme avec forêt aléatoire (CP-RF). Des expériences approfondies
ont validé que le CP-RF surpassait le ML-k NN et d’autres modèles CP avec NB et k-NN.
De même, H. Wang et J. Wang [112] ont proposé un nouvel algorithme de sélection des symptômes pour
la différenciation du syndrome des dossiers des patients et la prédiction des éléments clés. Ils ont utilisé
GBPS∗ algorithmes pour apprendre les BN et construit une couverture de Markov de stase sanguine
d’élément clé. Le taux de précision prédictive a validé l’efficacité de la méthode quantitative proposée. Un
21/47
système de diagnostic auto-apprenant a été développé en [113], qui se caractérisait par une nature axée
sur les données et des connaissances d’apprentissage. Des BN hybrides améliorés ont été proposés et
combinés à des méthodes de découverte des connaissances pour identifier les syndromes de cinq cas
représentatifs de patients. Sur la base de la nature axée sur les données et de la propriété de découverte
des connaissances, leur système a obtenu de bons résultats dans le diagnostic de la MTC par rapport à
d’autres systèmes existants basés sur des règles de la MTC. Les BNs ont été combinés avec
l’algorithme classique de sélection des caractéristiques dans [114], qui a été appliqué à l’identification de
trois syndromes sur Chronis Hepatitis B en MTC.
À l’exception des algorithmes d’apprentissage automatique ci-dessus, Wang et al. [115] ont introduit
l’arbre de décision du syndrome de carence en yin du foie et des reins, du syndrome de combustion lente
par la chaleur humide et du syndrome de stase et de combustion lente par la chaleur. Shi et Zhou [116]
ont proposé un réseau neuronal modifié de la BP pour différencier le syndrome, mais seule une
expérience de simulation a été rapportée. Un modèle de hiérarchie d’attributs a été utilisé pour construire
le modèle de diagnostic hiérarchique pour les données de cirrhose posthépatique à trois niveaux : le
niveau du patient, le niveau des symptômes et le niveau de diagnostic [117]. Un modèle de nuage à
valeurs d’intervalle, considéré comme une amélioration de la théorie floue, a été adopté pour
diagnostiquer huit syndromes de sous-santé dans [118]. Et les résultats expérimentaux ont montré que
ce modèle atteignait des performances plus élevées en concurrence avec leur modèle précédent
entraîné par le réseau de neurones BP. Wang et al. [119] ont conçu un modèle hiérarchique de
différenciation du syndrome avec l’hypergraphe dans la combinaison de clusters et d’attributs dans la
procédure d’association. Zhang et al. [120] ont utilisé le modèle de l’arbre latent pour l’analyse des
données sur l’insuffisance rénale. Un classement varié a été proposé pour explorer la différenciation du
syndrome pour l’hépatite virale et comparé à l’ACP, au NB, aux règles d’association et aux k-moyennes
[121].
La différenciation du syndrome peut être l’objectif principal des dossiers médicaux en MTC. Cependant,
certains travaux ont également été rapportés sans expérience d’identification du syndrome. Leurs
objectifs sont principalement d’explorer les relations entre les symptômes et les symptômes, les
symptômes et les syndromes, ou le syndrome et la maladie. Wang et al. [122] ont établi deux relations
pour les maladies coronariennes en utilisant la SVM : la relation entre les symptômes et les syndromes et
la relation entre les syndromes et les signes à partir des données sur la langue et le pouls. Les travaux
de [123, 124] ont tous deux construit des réseaux bayésiens pour étudier les associations entre les
symptômes et les symptômes, l’un pour les maladies rénales et l’autre pour l’apoplexie et les herbes
médicinales chinoises. L’analyse en grappes a été utilisée pour étudier les symptômes liés aux
syndromes d’angor instable [125]. Zhang et al. [126] ont utilisé des modèles d’arbres latents pour valider
la théorie de la MTC en construisant la structure latente des symptômes et des syndromes. La théorie
des ensembles approximatifs a été introduite en [127] pour obtenir les relations entre les syndromes et
les éléments du syndrome. Wu et al. [128] ont utilisé le bootstrapping et la cooccurrence de termes pour
produire les associations entre les gènes et le complexe de symptômes Yang Xu des reins.
D’après les critiques et les références ci-dessus énumérées dans Tableau 4 Sur les interrogatoires et les
dossiers médicaux, il est évident que la différenciation du syndrome est ce que ces données sont
généralement utilisées pour étudier. Les techniques d’apprentissage automatique ont été largement
explorées pour résoudre ce problème dans la MTC. Même certaines approches sophistiquées et
22/47
progressives de l’apprentissage par modèle sont étudiées pour la différenciation des syndromes, telles
que l’apprentissage multi-étiquettes et l’apprentissage profond. Dans ce cas, les associations entre les
symptômes, les syndromes et les maladies sont également analysées pour faciliter la classification des
syndromes des symptômes et des signes recueillis à partir de différentes maladies. De plus, certains
experts en MTC ont procédé à la découverte des syndromes qui peuvent être liés à certains gènes et
protéines dans la perspective de la MW.
4.5. Approches d’apprentissage automatique pour diverses applications
Outre les quatre données diagnostiques et les données des dossiers médicaux utilisées pour la
classification des patients, d’autres travaux sont indirectement liés au diagnostic de la MTC. Certaines
littératures ont exploré les relations entre les syndromes et les herbes ou les formules (prescriptions),
d’autres s’attendaient à découvrir des connaissances utiles et latentes à partir de textes, de données
cliniques ou d’experts en MTC. Compte tenu de l’importance de ces recherches dans la MTC, nous
passerons brièvement en revue plusieurs travaux dans cette section.
Zhang et al. [129] ont appliqué un modèle hiérarchique symptôme-sujet à base d’herbes (HSHT) pour
analyser les données cliniques sur le diabète. Ils ont construit un modèle hiérarchique symptôme-sujet
d’herbe pour décrire les structures latentes avec les deux symptômes et leurs herbes correspondantes.
En conséquence, ce modèle pourrait fournir un système de traitement des patients assisté par ordinateur
en recommandant certaines herbes pour les praticiens de la MTC. Liang et al. [130] ont introduit un arbre
de décision avec une méthode de cartographie des noyaux pour découvrir la relation sous-jacente entre
les résultats cliniques et les types de symptômes sur l’acupuncture pour les douleurs cervicales. Trois
questionnaires ont été appliqués comme résultats mesurés pour évaluer l’effet de l’acupuncture, et un
algorithme de tri non dominé est adopté pour maintenir un classement cohérent de l’effet avec ces
mesures. Selon les résultats expérimentaux de la tâche de classification des dossiers de thérapie, nous
avons constaté que ce modèle fournissait un moyen efficace pour les résultats de la prédiction de
l’acupuncture. Un système de découverte des connaissances nommé KISTCM [131] a tenté de découvrir
plusieurs relations pour le traitement de la MTC. Un nouvel algorithme appelé Drug Dependency
Relationship Evaluation (MDRE) a été proposé pour exploiter les associations de dépendance entre les
médicaments. Pendant ce temps, un autre algorithme, le GEP, qui combine des algorithmes génétiques
(GA) et la programmation génétique (GP), a été introduit pour explorer les relations formule-syndrome
pour le traitement de la MTC. Certaines expériences majeures ont prouvé que le système KISTCM était
utile et prometteur pour le développement de la découverte des connaissances en MTC. Zhang et al.
[132] ont proposé un modèle de sujet de diagnostic des symptômes-herbes (SHDT) pour construire
automatiquement les associations potentielles entre les symptômes, les herbes et le diagnostic sur la
base de données cliniques à grande échelle sur le diabète. Wang et al. [133] ont effectué une recherche
préliminaire sur la reconnaissance du nom des symptômes en utilisant des champs aléatoires
conditionnels. La mesure F de la reconnaissance expérimentale finale approchait les 63 % avec un taux
de reconnaissance de 93,403 %.
Indépendamment des symptômes et des syndromes, certaines personnes se concentrent sur d’autres
aspects de la recherche sur le traitement des patients. Fang et al. [134] ont développé une base de
données très compliquée appelée TCMGeneDIT pour découvrir les relations entre les médicaments, les
gènes, les maladies, les effets de la MTC et les ingrédients de la MTC à partir d’une grande quantité de
littératures biomédicales. Un réseau d’herbes a été construit en [135] pour trouver la formule efficace de
23/47
base en utilisant un algorithme génétique à partir d’un ensemble de données sur le cancer du poumon.
Tous les résultats ont manifesté le réseau proposé qui est efficace et en accord avec la théorie de la
MTC. En outre, Tang et al. [136] s’attendaient à exploiter les connaissances des maîtres de la MTC pour
comprendre le diagnostic et le traitement de la MTC. Afin d’atteindre cet objectif, ils ont proposé un cadre
préliminaire de maître mineur TCM qui s’intègre à l’analyse des correspondances, à la théorie des
graphes et à l’analyse des réseaux complexes. La construction d’un système expert complet de MTC est
fortement nécessaire et a été étudiée depuis longtemps, mais de nombreux systèmes ne sont pas
globaux et intelligents comme nous l’attendions. Huang et Chen [137] ont proposé un cadre relativement
unificateur pour un système intelligent de diagnostic des maladies appelé CMDS (Chinese Medical
Diagnostic System for digestive system). Ce système a intégré divers aspects de la MTC tels que les
symptômes, l’identification, les traitements, les méthodes de prévention et la prescription. Ils ont
également testé des cas pour comparer le système proposé avec des diagnostiqueurs. Les résultats
expérimentaux ont indiqué qu’ils ont obtenu des réponses presque identiques de la part du CMDS et des
diagnostiqueurs.
Atteindre:
5. Discussions
Afin d’obtenir un traitement MTC efficace pour le patient, la classification du patient est une question
critique qui a été étudiée au cours des dernières décennies. Trois sous-questions (la classification des
signes, la différenciation du syndrome et la classification de la maladie) font l’objet de recherches
approfondies en fonction de différentes sources de données de MTC. Nous considérons les quatre
principales méthodes de diagnostic et leurs données de dossiers médicaux de fusion. Après l’enquête du
point de vue de l’apprentissage automatique, nous découvrons plusieurs situations et problèmes des
recherches objectives actuelles sur la classification des patients pour la MTC, qui sont résumés comme
suit :
1. Pour les quatre méthodes de diagnostic, une grande partie des travaux se concentre sur
l’inspection et la palpation à l’aide de divers algorithmes d’apprentissage automatique. Afin
d’effectuer la classification des signes, la différenciation des syndromes en fonction de la maladie
spécifique et de la classification des maladies, l’inspection concerne la langue, et le diagnostic du
visage et des lèvres, la palpation considère l’utilisation des positions de Cun, Guan et Chi du pouls
de l’artère radiale, respectivement ou entièrement. Au contraire, les recherches sur l’auscultation,
l’olfaction et l’interrogation sont rares. Il y a deux raisons possibles de notre point de vue. L’une des
raisons peut être la diversité des compositions chimiques de l’haleine expirée contenant des
milliers de composés organiques volatils (COV) pour l’olfaction, les bruits massifs ou des signaux
acoustiques similaires pour l’auscultation et la difficulté d’une échelle d’enquête standardisée pour
l’interrogatoire. Une autre raison que nous considérons peut être les entités pathologiques limitées
liées à l’auscultation et à l’olfaction. Par conséquent, il peut être plus apparent et plus facile
d’étudier l’inspection objective et la palpation dans la MTC.
2. Pour l’analyse des dossiers médicaux, l’application de la différenciation du syndrome est l’objectif
principal de la MTC. De plus, l’exploration des associations entre les symptômes, les syndromes et
les maladies a également été étudiée pour découvrir la connaissance potentielle des dossiers
médicaux. Pendant ce temps, certains travaux récents manifestent également les gènes et les
24/47
protéines dans la perspective de la MW qui sont liés aux syndromes de la MTC. Cela nous aiderait
à mieux comprendre la théorie de la MTC.
3. Pour les autres applications, leurs travaux ne sont pas directement liés au problème de
classification des patients. Mais sur la base des dossiers médicaux et d’autres données cliniques,
ils construisent toujours des modèles d’association entre les syndromes, les herbes, les formules,
les médicaments, les gènes, les maladies, les effets de la MTC, les ingrédients de la MTC, etc.
Toutes ces recherches sont essentielles pour le diagnostic et le traitement de la MTC après la
classification des patients, nous devrions donc également nous référer à ces travaux pour faciliter
le développement d’un système unificateur de classification et de traitement des patients.
4. Du point de vue de l’apprentissage automatique, une variété d’algorithmes d’apprentissage sont

introduits pour traiter ces données TCM. Certains travaux ont également proposé des algorithmes
appropriés en fonction des caractéristiques particulières des données TCM. Plus récemment,
plusieurs techniques avancées d’apprentissage automatique ont été appliquées pour résoudre la
classification des patients en MTC, telles que l’apprentissage multi-étiquettes et l’apprentissage
profond.
5. Selon les travaux examinés, la plupart d’entre eux n’étudient pas l’apprentissage automatique pour
la construction de modèles. Par exemple, les recherches sur l’inspection objective et l’analyse de la
palpation mettent davantage l’accent sur la représentation des caractéristiques. L’analyse des
données des dossiers médicaux s’intéresse à la façon de sélectionner le sous-ensemble optimal
de symptômes pour la différenciation du syndrome. Mais pour l’analyse des caractéristiques de
structure et de distribution des données de MTC, des travaux mineurs se sont engagés dans ces
questions. Alors que plus les recherches sur l’apprentissage des structures sont détaillées et
approfondies, plus le système de diagnostic sera développé.
6. Sur la base des recherches actuelles, il n’y a pas de base de données de MTC publiée pour fournir
un point de référence pour les différentes évaluations de systèmes de diagnostic. Tous les travaux
sont effectués sur leur propre base de données construite par leur système d’acquisition de
données respectif. Cela n’est pas avantageux pour établir des normes d’or en matière de
classification des patients, ce qu’il est urgent d’étudier.
7. De plus, même une grande quantité de système de diagnostic MTC est développée par des
méthodes informatiques. Pendant ce temps, la plupart d’entre eux ont affirmé que leurs méthodes
ou systèmes pouvaient analyser les données de la MTC d’un point de vue quantitatif. En fait,
aucun d’entre eux n’a pu quantifier ses données diagnostiques avec des implications significatives
correspondant à la théorie de la MTC, en tant qu’indicateurs cliniques du point de vue de la
médecine occidentale. Si cette situation ne peut être améliorée, l’établissement de normes de
diagnostic de la MTC pourrait s’avérer très difficile. De plus, cela peut également entraver le
développement de la recherche objective sur le diagnostic de la MTC.
Atteindre:
6. Conclusions
25/47
Dans cet article, nous passons en revue divers travaux liés à la question de la classification des patients
en médecine traditionnelle chinoise du point de vue de l’apprentissage automatique. Nous élaborons
d’abord les méthodes et concepts de diagnostic de base entre la médecine traditionnelle chinoise et la
médecine occidentale. Ensuite, nous illustrons les relations hiérarchiques et la signification clinique
correspondante du diagnostic de la MTC pour une meilleure compréhension du diagnostic de la MTC.
Ensuite, plusieurs techniques d’apprentissage automatique courantes et avancées sont brièvement
présentées pour comprendre leurs connaissances préliminaires. Ensuite, nous discutons du fait que la
question de la classification des patients pourrait être divisée en trois aspects principaux : la classification
des signes, la différenciation du syndrome et la classification de la maladie. En fonction de ces sous-
numéros, nous passons en revue des travaux connexes sur cinq données diagnostiques différentes de la
MTC directement liées à la classification des patients du point de vue de l’apprentissage automatique :
l’inspection, l’auscultation et l’olfaction, la palpation, l’interrogatoire et les dossiers médicaux, ainsi que
certaines applications diverses qui sont indirectement liées à la classification des patients.
Enfin, sur la base des aperçus ci-dessus, certains faits saillants de la recherche actuelle et les problèmes
existants sont discutés pour améliorer davantage le diagnostic de la MTC. En fait, en raison d’un grand
nombre de travaux sur la classification des patients, l’enquête actuelle dans cet article n’est peut-être pas
terminée et doit encore être améliorée. Néanmoins, c’est suffisant pour refléter les progrès actuels dans
la classification des patients pour la MTC. Pour l’analyse complète du diagnostic actuel de MTC pour la
classification des patients, nous compléterons nos revues et compléterons les tableaux de synthèse
actuels dans les travaux futurs.
Atteindre:
Remerciements
Ce travail a été soutenu par la Fondation des sciences naturelles de Chine dans le cadre des
subventions n° 61105053 et 61273305 ainsi que par les Fonds de recherche fondamentale pour les
universités centrales.
Atteindre:
Conflit d’intérêts
Les auteurs déclarent qu’il n’y a pas de conflit d’intérêts concernant la publication de cet article.
Atteindre:
Références
1.
2. Maciocia G. Les fondements de la médecine chinoise. Churchill Livingstone ; 1989. [Google Scholar]
3. Jokiniemi J. Ontologies et méthodes computationnelles pour la médecine traditionnelle chinoise
[mémoire de maîtrise], 2010. [Google Scholar] (en anglais seulement)
4.
5.
26/47
6.
7. Ferreira A. Avancées dans le diagnostic de la médecine chinoise : des méthodes traditionnelles aux
modèles informatiques. Dans : Kuang H., éditeur. Progrès récents de la médecine chinoise. Rijeka,
Croatie : InTech ; 2012. [Google Scholar]
8.
9. Zhang X., Zhou X., Zhang R., Liu B., Xie Q. Exploration de données cliniques réelles sur le diagnostic
et le traitement cliniques de la MTC : une enquête. Actes de la 14e conférence internationale de l’IEEE
sur les réseaux, les applications et les services de santé en ligne (Healthcom '12) ; octobre 2012 ;
Beijing, Chine. IEEE; p. 88 à 93. [Réf. croisée] [Google Scholar] (en anglais seulement)
10. Ferreira A. S., Lopes A. J. Différenciation des modèles de médecine chinoise et ses implications pour
la pratique clinique. Journal chinois de médecine intégrative. 2011; 17(11) :818-823. DOI :
10.1007/S11655-011-0892-Y. [PubMed] [Réf. croisée] [Google Scholar] (en anglais seulement)
11. Lan H., Lu Y., Jin K., Zhu T., Jin Z. L’exploration de données : un outil moderne pour étudier la
médecine traditionnelle chinoise. Journal des sciences médicales des États-Unis et de la Chine. 2011;
8(5) :316–320. [Google Scholar] (en anglais seulement)
12. Zhou X., Peng Y., Liu B. Fouille de texte pour la découverte des connaissances médicales
traditionnelles chinoises : une enquête. Journal d’informatique biomédicale. 2010; 43(4) :650–660. DOI :
10.1016/j.jbi.2010.01.002. [PubMed] [Réf. croisée] [Google Scholar] (en anglais seulement)
13. Guo R., Wang Y., Li F., et al. Modernisation du diagnostic de la médecine traditionnelle chinoise
basée sur les technologies modernes de l’information. Actes de la 4e Conférence internationale sur la
bioinformatique et le génie biomédical (iCBBE '10) ; juin 2010 ; Chengdu, Chine. IEEE; p. 1 à 5. [Réf.
croisée] [Google Scholar] (en anglais seulement)
15. Feng Y., Wu Z., Zhou X., Zhou Z., Fan W. Découverte des connaissances en médecine traditionnelle
chinoise : état de l’art et perspectives. L’intelligence artificielle en médecine. 2006; 38(3) :219–236. DOI :
10.1016/j.artmed.2006.07.005. [PubMed] [Réf. croisée] [Google Scholar] (en anglais seulement)
16. Huang B., Li N. Biométrie médicale. Vol. 4901. Berlin, Allemagne : Springer ; 2007. Analyse de la
couleur de la langue basée sur les pixels ; p. 282 à 289. (Notes de cours en informatique). [Réf. croisée]
[Google Scholar] (en anglais seulement)
17. Chiu C.-C. Une nouvelle approche basée sur l’analyse d’images informatisées pour le diagnostic
médical traditionnel chinois de la langue. Méthodes et programmes informatiques en biomédecine. 2000;
61(2) :77–89. DOI : 10.1016/S0169-2607(99)00031-0. [PubMed] [Réf. croisée] [Google Scholar] (en
anglais seulement)
18. Wang Y.-G., Yang J., Zhou Y., Wang Y.-Z. Partition de région et reconnaissance des couleurs basée
sur la correspondance des caractéristiques de l’image de la langue. Lettres de reconnaissance de
formes. 2007; 28(1) :11–19. DOI : 10.1016/j.patrec.2006.06.004. [Réf. croisée] [Google Scholar] (en
anglais seulement)
19. Zhang D., Pang B., Li N., Wang K., Zhang H. Diagnostic informatisé à partir de l’apparence de la
langue à l’aide de la classification quantitative des caractéristiques. Le Journal américain de médecine
chinoise. 2005; 33(6) :859–866. DOI : 10.1142/S0192415x05003466. [PubMed] [Réf. croisée] [Google
Scholar] (en anglais seulement)
20. Kanawong R., Obafemi-Ajayi T., Yu J., Xu D., Li S., Duan Y. Classification ZHENG en médecine
traditionnelle chinoise basée sur des images modifiées de langue sans spéculaire. Actes de la
conférence internationale de l’IEEE sur les ateliers de bioinformatique et de biomédecine (BIBMW '12) ;
octobre 2012 ; IEEE; p. 288 à 294. [Réf. croisée] [Google Scholar] (en anglais seulement)
27/47
21. Zhi L., Zhang D., Yan J.-Q., Li Q.-L., Tang Q.-L. Classification d’images médicales hyperspectrales de
la langue pour le diagnostic de la langue. Imagerie médicale informatisée et graphisme. 2007;
31(8) :672–678. DOI : 10.1016/j.compmedimag.2007.07.008. [PubMed] [Réf. croisée] [Google Scholar]
(en anglais seulement)
22. Siu C. H., He Y., Thach D. T. C. Apprentissage automatique pour le diagnostic de la langue. Actes de
la 6e Conférence internationale sur l’information, les communications et le traitement du signal (ICICS
'07) ; décembre 2007 ; Singapour. IEEE; p. 1 à 5. [Réf. croisée] [Google Scholar] (en anglais seulement)
23. Jang J., Kim J., Park K., Park S., Chang Y., Kim B. Développement du système d’inspection
numérique de la langue avec analyse d’images. Actes de la 24e conférence annuelle et de la réunion
annuelle d’automne de la Société de génie biomédical EMBS/BMES 2002. Actes de la 2e conférence
conjointe sur l’ingénierie en médecine et en biologie ; 2002; IEEE; p. 1033 à 1034. [Google Scholar] (en
anglais seulement)
24. Zhang H. Z., Wang K. Q., Zhang D., Pang B., Huang B. Système de diagnostic de la langue assisté
par ordinateur. Actes de la 27e conférence internationale annuelle de la Société d’ingénierie en médecine
et en biologie (IEEE-EMBS '05) ; septembre 2005 ; Shanghai, Chine. p. 6754 à 6757. [PubMed] [Réf.
25. Pang B., Zhang D., Li N., Wang K. Diagnostic informatisé de la langue basé sur les réseaux
bayésiens. Transactions de l’IEEE sur le génie biomédical. 2004; 51(10) :1803-1810. doi :
10.1109/TBME.2004.831534. [PubMed] [Réf. croisée] [Google Scholar] (en anglais seulement)
26. Li Q., Wang Y., Liu H., Sun Z., Liu Z. Extraction et classification des fissures de la langue à l’aide de
la technologie d’imagerie hyperspectrale. Optique appliquée. 2010; 49(11) :2006-2013. doi :
10.1364/AO.49.002006. [PubMed] [Réf. croisée] [Google Scholar] (en anglais seulement)
27. Watsuji T., Arita S., Shinohara S., Kitade T. Application médicale de la théorie floue au système de
diagnostic de l’inspection de la langue en médecine traditionnelle chinoise. Actes de la conférence
internationale sur les systèmes flous de l’IEEE (FUZZ-IEEE '99) ; août 1999 ; IEEE; p. 145 à 148.
28. Pham B. L., Cai Y. Techniques de visualisation pour l’analyse de la langue en médecine traditionnelle
chinoise. Imagerie médicale 2004 : visualisation, procédures guidées par l’image et affichage ; février
2004 ; Société internationale d’optique et de photonique ; p. 171 à 180. [Réf. croisée] [Google Scholar]
29. Huang B., Wu J., Zhang D., Li N. Classification de la forme de la langue par caractéristiques
géométriques. Sciences de l’information. 2010; 180(2) :312–324. DOI : 10.1016/j.ins.2009.09.016. [Réf.
30. Chiu C.-C., Lan C.-Y., Chang Y.-H. Évaluation objective de la stase sanguine à l’aide d’une inspection
informatisée des veines sublinguales. Méthodes et programmes informatiques en biomédecine. 2002;
69(1) :1 à 12. doi : 10.1016/S0169-2607(01)00181-X. [PubMed] [Réf. croisée] [Google Scholar] (en
anglais seulement)
31. Li Q., Liu Z. Analyse et discrimination des couleurs de la langue basées sur des images
hyperspectrales. Imagerie médicale informatisée et graphisme. 2009; 33(3) :217–221. DOI :
10.1016/j.compmedimag.2008.12.004. [PubMed] [Réf. croisée] [Google Scholar] (en anglais seulement)
32. Li X., Li F., Wang Y., Qian P., Zheng X. Système de diagnostic de maladie assisté par ordinateur en
MTC basé sur l’analyse d’images faciales. Journal international d’informatique fonctionnelle et de
médecine personnalisée. 2009; 2(3) :303–314. DOI : 10.1504/ijfipm.2009.030829. [Réf. croisée] [Google
28/47
33. Li F., Di D., Li X., et al. Système d’acquisition et de reconnaissance du teint facial pour le diagnostic
clinique en médecine traditionnelle chinoise. Actes de la Conférence conjointe internationale sur la
bioinformatique, la biologie des systèmes et l’informatique intelligente (IJCBS '09) ; août 2009 ; Shanghai,
Chine. IEEE; p. 392 à 396. [Réf. croisée] [Google Scholar] (en anglais seulement)
34. Liu M., Guo Z. Biométrie médicale. Vol. 4901. Berlin, Allemagne : Springer ; 2007. Diagnostic de
l’hépatite à l’aide d’une image faciale en couleur ; p. 160 à 167. (Notes de cours en informatique). [Réf.
35. Liu C., Zhao C., Li G., Li F., Wang Z. Analyse informatisée des couleurs pour le diagnostic du visage
en médecine traditionnelle chinoise. Actes de la conférence internationale de l’IEEE sur la
bioinformatique et la biomédecine (BIBM '13) ; décembre 2013 ; p. 613 et 614. [Réf. croisée] [Google
36. Tunhua W., Baogang B., Fushun S., Changle Z., Ping W. Étude sur la reconnaissance du teint dans
la MTC. Actes de la Conférence internationale sur les technologies de l’informatique et de la
communication dans le génie agricole (CCTAE '10) ; juin 2010 ; Chengdu, Chine. p. 487 à 490. [Réf.
37. Wang X., Zhang B., Guo Z., Zhang D. Système d’analyse médicale d’image faciale utilisant la
caractéristique chromatique quantitative. Systèmes experts avec applications. 2013; 40(9) :3738–3746.
DOI : 10.1016/j.eswa.2012.12.079. [Réf. croisée] [Google Scholar] (en anglais seulement)
38. Zhang B., Wang X., Karray F., Yang Z., Zhang D. Diagnostic facial informatisé utilisant à la fois les
caractéristiques de couleur et de texture. Sciences de l’information. 2013; 221 :49-59. DOI :
10.1016/j.ins.2012.09.011. [Réf. croisée] [Google Scholar] (en anglais seulement)
40. Zhou R., Fu-Feng L., Yi-Qin W., Zheng X.-Y., Zhao R.-W., Li G.-Z. Application des méthodes PCA et
LDA à la recherche sur la reconnaissance de la brillance dans l’inspection du teint de la MTC. Actes de la
conférence internationale de l’IEEE sur les ateliers de bioinformatique et de biomédecine (BIBMW '10) ;
décembre 2010 ; IEEE; p. 666 à 669. [Réf. croisée] [Google Scholar] (en anglais seulement)
41. Zhang B., Kumar B. V. K. V., Zhang D. Détection non invasive du diabète sucré à l’aide d’une couleur
de bloc facial avec un classificateur de représentation clairsemée. Transactions de l’IEEE sur le génie
biomédical. 2014; 61(4) :1027–1033. DOI : 10.1109/TBMe.2013.2292936. [PubMed] [Réf. croisée]
42. Zheng L., Li X., Yan X., Li F., Zheng X., Li W. Classification de la couleur des lèvres basée sur la
machine à vecteurs de support et l’histogramme. Actes du 3e Congrès international sur le traitement de
l’image et du signal (CISP '10) ; octobre 2010 ; Yantai, Chine. IEEE; p. 1883 à 1886. [Réf. croisée]
44. Wang H., Yan J., Wang Y., Li F., Guo R. Technologie numérique pour l’auscultation objective dans le
diagnostic médical traditionnel chinois. Actes de la Conférence internationale sur l’audio, le langage et le
traitement de l’image (ICALIP '08) ; juillet 2008 ; IEEE; p. 1100 à 1104. [Réf. croisée] [Google Scholar]
45. Yan J., Shen X., Xia C., et al. Analyse des signaux d’auscultation en médecine traditionnelle chinoise
à l’aide de l’entropie d’énergie des paquets d’ondelettes et de machines à vecteurs de support. Actes de
la conférence internationale de l’IEEE sur l’ingénierie électrique et de contrôle (ICECE '10) ; 2010; p. 509
à 512. [Google Scholar] (en anglais seulement)
46. Yan J., Shen Q., Wang Y., et al. Détection de la non-stationnarité pour le signal d’auscultation de la
médecine traditionnelle chinoise. Journal des sciences naturelles de l’Université de Wuhan. 2011;
16(1) :83–87. DOI : 10.1007/S11859-011-0716-0. [Réf. croisée] [Google Scholar] (en anglais seulement)
29/47
47. Yan J., Shen Y., Wang Y., et al. Analyse non linéaire des signaux d’auscultation en médecine
traditionnelle chinoise à l’aide de la transformée en paquets d’ondelettes et de l’entropie approximative.
Journal international d’informatique fonctionnelle et de médecine personnalisée. 2009; 2(3) :325–340.
48. Chiu C.-C., Chang H.-H., Yang C.-H. Auscultation objective pour le diagnostic médical traditionnel
chinois à l’aide de nouveaux paramètres acoustiques. Méthodes et programmes informatiques en
biomédecine. 2000; 62(2) :99–107. doi : 10.1016/S0169-2607(00)00055-9. [PubMed] [Réf. croisée]
49. Chiu C.-C., Yang M.-T., Lin C.-S. Utilisation de l’analyse de la dimension fractale sur l’auscultation
objective du diagnostic médical traditionnel chinois. Journal de génie médical et biologique. 2002;
22(4) :219–224. [Google Scholar] (en anglais seulement)
50. Yan J., Shen Q., Ren J., et al. Une approche d’apprentissage multi-instances et multi-étiquettes pour
l’analyse objective de l’auscultation de la médecine traditionnelle chinoise. Actes de la 4e Conférence
internationale sur le génie biomédical et l’informatique (BMEI '11) ; octobre 2011 ; p. 1626 à 1630. [Réf.
51. Yan J., Shen Q., Wang Y., et al. Méthode d’amélioration du signal vocal multicanal basée sur l’ICA
pour l’auscultation objective de la médecine traditionnelle chinoise. Actes du Symposium international de
l’IEEE sur les technologies de l’information en médecine et en éducation (ITME '09) ; août 2009 ; Jinan,
Chine. p. 1097 à 1100. [Réf. croisée] [Google Scholar] (en anglais seulement)
52. Yan J., Wang H., Xia C., et al. Analyse non linéaire dans le diagnostic acoustique de la MTC à l’aide
de la variance du vecteur retard. Procédures de la 2ème Conférence Internationale sur la
Bioinformatique et le Génie Biomédical (ICBBE '08) ; mai 2006 ; Shanghai, Chine. IEEE; p. 2099 à 2102.
[Réf. croisée] [Google Scholar] (en anglais seulement)
53. Yan J., Shen Y., Xia C., Wang Y., Li F., Guo R. La recherche objective sur l’auscultation sur la
médecine traditionnelle chinoise à l’aide de deux nouveaux paramètres. Actes de la Conférence
internationale sur la conception et les applications informatiques (ICCDA '10) ; juin 2010 ; Qinhuangdao,
Chine. IEEE; p. V1-572 à V1-576. [Réf. croisée] [Google Scholar] (en anglais seulement)
54. Ping W., Yi T., Haibao X., Farong S. Une nouvelle méthode de diagnostic du diabète basée sur le nez
électronique. Biocapteurs et bioélectronique. 1997; 12(9-10) :1031–1036. DOI : 10.1016/S0956-
5663(97)00059-6. [PubMed] [Réf. croisée] [Google Scholar] (en anglais seulement)
55. Yu J.-B., Byun H.-G., So M.-S., Huh J.-S. Analyse de l’haleine d’un patient diabétique à l’aide d’un
réseau de capteurs polymères conducteurs. Capteurs et actionneurs, B : Chimique. 2005; 108(1-2) :305–
308. DOI : 10.1016/j.snb.2005.01.040. [Réf. croisée] [Google Scholar] (en anglais seulement)
56. Yan K., Zhang D., Wu D., Wei H., Lu G. Conception d’un système d’analyse de l’haleine pour le
dépistage du diabète et la prédiction de la glycémie. Transactions de l’IEEE sur le génie biomédical.
2014; 61(11) :2787–2795. DOI : 10.1109/TBMe.2014.2329753. [PubMed] [Réf. croisée] [Google Scholar]
57. Guo D., Zhang D., Li N., Zhang L., Yang J. Biométrie médicale. Vol. 6165. Berlin, Allemagne :
Springer ; 2010. Identification et classification du diabète au moyen d’un système d’analyse de l’haleine ;
p. 52 et 63. (Notes de cours en informatique). [Réf. croisée] [Google Scholar] (en anglais seulement)
58. Guo D., Zhang D., Zhang L., Lu G. Surveillance non invasive de la glycémie chez les diabétiques au
moyen de l’analyse du signal respiratoire. Capteurs et actionneurs B : Chimique. 2012; 173 :106-113.
DOI : 10.1016/j.snb.2012.06.025. [Réf. croisée] [Google Scholar] (en anglais seulement)
30/47
59. Dragonieri S., Schot R., Mertens B. J. A., et al. Un nez électronique dans la discrimination des
patients asthmatiques et des témoins. Le Journal d’allergie et d’immunologie clinique. 2007; 120(4) :856–
862. DOI : 10.1016/j.jaci.2007.05.043. [PubMed] [Réf. croisée] [Google Scholar] (en anglais seulement)
60. Trincavelli M., Coradeschi S., Loutfi A., Soderquist B., Thunberg P. Identification directe des bactéries
dans les échantillons d’hémoculture à l’aide d’un nez électronique. Transactions de l’IEEE sur le génie
biomédical. 2010; 57(12) :2884–2890. doi : 10.1109/TBME.2010.2049492. [PubMed] [Réf. croisée]
61. Saraoglu H. M., Selvi A. O., Ebeoglu M. A., Tasaltin C. Système de nez électronique basé sur un
capteur de microbalance à cristal de quartz pour les niveaux de glucose sanguin et d’HbA1c à partir de
l’odeur de l’haleine expirée. Journal des capteurs de l’IEEE. 2013; 13(11) :4229–4235. DOI :
10.1109/jsen.2013.2265233. [Réf. croisée] [Google Scholar] (en anglais seulement)
62. Phillips M., Cataneo R. N., Cummin A. R. C., et al. Détection du cancer du poumon avec des
marqueurs volatils dans l’haleine. Poitrine. 2003; 123(6) :2115 à 2123. DOI : 10.1378/chest.123.6.2115.
[PubMed] [Réf. croisée] [Google Scholar] (en anglais seulement)
63. Phillips M., Altorki N., Austin J. H. M., et al. Prédiction du cancer du poumon à l’aide de biomarqueurs
volatils dans l’haleine. Biomarqueurs du cancer. 2007; 3(2) :95–109. [PubMed] [Google Scholar] (en
anglais seulement)
64. Guo D., Zhang D., Li N., Zhang L., Yang J. Un nouveau système d’analyse de l’haleine basé sur
l’olfaction électronique. Transactions de l’IEEE sur le génie biomédical. 2010; 57(11) :2753–2763. DOI :
10.1109/TBMe.2010.2055864. [PubMed] [Réf. croisée] [Google Scholar] (en anglais seulement)
65. Lin Y.-J., Guo H.-R., Chang Y.-H., Kao M.-T., Wang H.-H., Hong R.-I. Application du nez électronique
pour le diagnostic de l’urémie. Capteurs et actionneurs B : Chimique. 2001; 76(1–3) :177–180. DOI :
10.1016/S0925-4005(01)00625-6. [Réf. croisée] [Google Scholar] (en anglais seulement)
66. Wang P., Zuo W., Zhang D. Un système d’acquisition de signaux de pression composé pour l’analyse
de signaux d’impulsions de poignet multicanaux. Transactions IEEE sur l’instrumentation et la mesure.
2014; 63(6) :1556-1565. DOI : 10.1109/Tim.2013.2267458. [Réf. croisée] [Google Scholar] (en anglais
seulement)
68. Wu J.-H., Lee W.-L., Lee Y.-P., et al. Un système amélioré de mesure de la pulsation artérielle basé
sur la triangulation optique et son application dans la médecine traditionnelle chinoise. Métrologie optique
dimensionnelle et inspection pour des applications pratiques ; septembre 2011 ; à la p. 7. [Google
69. Ni J. S., Jin W., Zhao B. N., et al. Capteur de diagnostic d’impulsions par fibre optique de la médecine
traditionnelle chinoise. Quatrième conférence sur les capteurs optiques en Asie-Pacifique ; octobre
2013 ; Wuhan, Chine. 89241X [Réf. croisée] [Google Scholar]
70. Lue J.-H., Chang R. S., Ko T.-C., Su Y.-S., Cherng S., Cheng W.-M. Détecteurs de sons simples à
deux canaux s’appliquant à la mesure d’impulsions. Revue des sciences de la vie. 2014; 11(4) :421–423.
71. Zhang D., Zuo W., Zhang D., Zhang H., Li N. Classification des formes d’onde d’impulsion à l’aide de
la distance d’édition avec pénalité réelle. EURASIP Journal sur les progrès du traitement du signal. 2010;
DOI 2010 : 10.1155/2010/303140.303140 [Réf. croisée] [Google Scholar]
72. Wang H. Une méthode quantitative pour la classification de l’intensité des impulsions basée sur
l’arbre de décision. Actes du Symposium international sur les sciences et l’ingénierie de l’information
(ISISE '08) ; décembre 2008 ; Shanghai, Chine. IEEE; p. 111 à 115. [Réf. croisée] [Google Scholar] (en
anglais seulement)
31/47
74. Xu L. S., Meng M. Q.-H., Wang K. Q. Reconnaissance d’images impulsionnelles à l’aide d’un réseau
neuronal flou. Actes de la 29e conférence internationale annuelle de l’IEEE Engineering in Medicine and
Biology Society (EMBS '07) ; août 2007 ; Lyon, France. IEEE; p. 3148 à 3151. [PubMed] [Réf. croisée]
75. Wang R., Feng C., Wang X. Pouls de l’identification du corps humain base sur des réseaux
neuronaux flous. Actes de la conférence internationale IEEE/ICME sur l’ingénierie médicale complexe
(CME '07) ; mai 2007 ; IEEE; p. 340 à 343. [Réf. croisée] [Google Scholar] (en anglais seulement)
76. Ma C., Xia C., Wang Y., Yan H., Li F. Une approche améliorée de la classification de sept conditions
d’impulsions TCM courantes. Actes de la 4e Conférence internationale sur le génie biomédical et
l’informatique (BMEI '11) ; octobre 2011 ; Shanghai, Chine. IEEE; p. 621 à 624. [Réf. croisée] [Google
77. Wang H.-Y., Zhang P.-Y. Un modèle d’identification automatique des signaux de pouls humains.
Journal de l’Université du Zhejiang SCIENCE A. 2008; 9(10) :1382-1389. DOI : 10.1631/jzus.a0820332.
78. Wang H., Cheng Y. Un système quantitatif pour le diagnostic du pouls en médecine traditionnelle
chinoise. Actes de la 27e conférence internationale annuelle de la Société d’ingénierie en médecine et en
biologie (EMBS '05) ; septembre 2005 ; p. 5676 à 5679. [PubMed] [Google Scholar] (en anglais
seulement)
79. Yang W., Zhang L., Zhang D. Diagnostic du signal de pouls du poignet à l’aide d’ICpulse. Actes de la
3e Conférence internationale sur la bioinformatique et le génie biomédical (ICBBE '09) ; juin 2009 ;
Beijing, Chine. IEEE; p. 1 à 4. [Réf. croisée] [Google Scholar] (en anglais seulement)
80. Liu L., Zuo W., Zhang D., Li N., Zhang H. Biométrie médicale. Vol. 6165. Berlin, Allemagne : Springer
; 2010. Classification du signal de flux sanguin du pouls du poignet à l’aide de la distance d’édition de la
distorsion temporelle ; p. 137 à 144. (Notes de cours en informatique). [Réf. croisée] [Google Scholar] (en
anglais seulement)
81. Gong S., Xu B., Sun G., et al. Identification précise de la cirrhose avec des données de pouls au
poignet pour les soins de santé mobiles. Actes du 2e atelier de l’ACM sur les systèmes, applications et
services mobiles pour les soins de santé (mHealthSys '12) ; novembre 2012 ; ACM; p. p. 6. [Réf. croisée]
82. Sun Y., Shen B., Chen Y., Xu Y. Biométrie médicale. Vol. 6165. Berlin, Allemagne : Springer ; 2010.
Diagnostic informatisé du signal de pouls du poignet à l’aide de kpca ; p. 334 à 343. (Notes de cours en
informatique). [Réf. croisée] [Google Scholar] (en anglais seulement)
83. Jiang X., Zhang D., Wang K., Zuo W. Distinguer les patients atteints de gastrite et de cholécystite des
patients en bonne santé en analysant les signaux de flux sanguin Doppler artériel radial du poignet.
Actes de la 20e Conférence internationale sur la reconnaissance des formes (ICPR '10) ; août 2010 ;
IEEE; p. 2492 à 2495. [Réf. croisée] [Google Scholar] (en anglais seulement)
84. Wang D., Zhang D., Chan J. C. Extraction caractéristique du pouls artériel radial. Actes de la
Conférence internationale sur la biométrie médicale (ICMB '14) ; mai 2014 ; Shenzhen, Chine. IEEE; p.
41 à 46. [Réf. croisée] [Google Scholar] (en anglais seulement)
85. Chen Y., Zhang L., Zhang D., Zhang D. Diagnostic informatisé du signal de pouls du poignet à l’aide
de modèles auto-régressifs modifiés. Journal des systèmes médicaux. 2011; 35(3) :321–328. DOI :
10.1007/S10916-009-9368-4. [PubMed] [Réf. croisée] [Google Scholar] (en anglais seulement)
86. Jia D., Li N., Liu S., Li S. Fusion de niveau de décision pour la classification des signaux d’impulsion
à l’aide de caractéristiques multiples. Actes de la 3e Conférence internationale sur le génie biomédical et
32/47
l’informatique (BMEI '10) ; octobre 2010 ; Yantai, Chine. IEEE; p. 843 à 847. [Réf. croisée] [Google
87. L’analyse du signal de flux sanguin Doppler de Jiang X. répond au diagnostic traditionnel du pouls
chinois. Actes de la 3e Conférence internationale sur le génie biomédical et l’informatique (BMEI '10) ;
octobre 2010 ; IEEE; p. 864 à 868. [Réf. croisée] [Google Scholar] (en anglais seulement)
88. Zhang D., Wang K., Wu X., Huang B., Li N. Analyse des signaux de flux sanguin Doppler basée sur
la transformée de Hilbert-huang. Actes de la 2e Conférence internationale sur le génie biomédical et
l’informatique (BMEI '09) ; 2009; IEEE; p. 1 à 5. [Google Scholar] (en anglais seulement)
89. Chen Y., Zhang D., Zhang D., Zhang D. Classification des modèles pour les signaux de pouls
ultrasoniques du poignet Doppler. Actes de la 3e Conférence internationale sur la bioinformatique et le
génie biomédical (ICBBE '09) ; juin 2009 ; Beijing, Chine. IEEE; p. 1 à 4. [Réf. croisée] [Google Scholar]
90. Zhang D., Zhang D., Zhang D., Zheng Y. Analyse basée sur les ondelettes des signaux d’impulsion
ultrasonique du poignet Doppler. Actes de la Conférence internationale sur le génie biomédical et
l’informatique (BMEI '08) ; mai 2008 ; IEEE; p. 539 à 543. [Réf. croisée] [Google Scholar] (en anglais
seulement)
91. Liu L., Li N., Zuo W., Zhang D., Zhang H. Science intelligente et ingénierie intelligente des données.
Vol. 7751. Berlin, Allemagne : Springer ; 2013. Analyse de l’entropie d’échantillons multi-échelles du
signal de flux sanguin du pouls du poignet pour le diagnostic de maladies ; p. 475 à 482. (Notes de cours
en informatique). [Réf. croisée] [Google Scholar] (en anglais seulement)
92. Zhang D.-Y., Zuo W.-M., Zhang D., Zhang H.-Z., Li N.-M. Diagnostic informatisé du pouls basé sur le
signal du flux sanguin au poignet à l’aide de caractéristiques spatiales et spectrales. Journal des
sciences et de l’ingénierie biomédicales. 2010; 3(4) :361–366. DOI : 10.4236/jbise.2010.34050. [Réf.
93. Zhang J., Wang R., Lu S., et al. EasiCPRS : conception et mise en œuvre d’un système portable de
récupération d’ondes pulsées chinoises. Actes de la 9e conférence de l’ACM sur les systèmes de
capteurs en réseau embarqués (SenSys '11) ; novembre 2011 ; ACM; p. 149 à 161. [Réf. croisée]
94. Chen Y., Zhang L., Zhang D., Zhang D. Diagnostic du signal de pouls du poignet à l’aide de modèles
gaussiens modifiés et d’une classification C-Means floue. Génie médical et physique. 2009;
31(10) :1283–1289. DOI : 10.1016/j.medengphy.2009.08.008. [PubMed] [Réf. croisée] [Google Scholar]
95. Liu L., Zuo W., Zhang D., Li N., Zhang H. Combinaison de caractéristiques hétérogènes pour le
diagnostic du signal de flux sanguin du pouls du poignet via l’apprentissage à noyaux multiples.
Transactions de l’IEEE sur les technologies de l’information en biomédecine. 2012; 16(4) :598–606. doi :
10.1109/TITB.2012.2195188. [PubMed] [Réf. croisée] [Google Scholar] (en anglais seulement)
96. Hu X., Zhu H., Xu J., Xu D., Dong J. Analyse des signaux de pouls du poignet basée sur des réseaux
neuronaux convolutifs profonds. Actes de la conférence de l’IEEE sur l’intelligence computationnelle en
bioinformatique et en biologie computationnelle ; mai 2014 ; IEEE; p. 1 à 7. [Réf. croisée] [Google
97. Zhao H., Xiong W.-H., Zhao X., Wang L.-M., Chen J.-X. Développement et évaluation d’un
questionnaire sur le syndrome de la médecine traditionnelle chinoise pour mesurer l’état de santé sous-
optimal en Chine. Journal de médecine traditionnelle chinoise. 2012; 32(2) :129–136. doi :
10.1016/S0254-6272(13)60001-1. [PubMed] [Réf. croisée] [Google Scholar] (en anglais seulement)
33/47
98. Li G.-Z., Sun S., You M., Wang Y.-L., Liu G.-P. Diagnostic de la maladie coronarienne en médecine
chinoise basé sur les interactions symptôme-syndrome. Médecine chinoise. 2012; 7, article 9 :9-20. DOI :
10.1186/1749-8546-7-9. [PMC article gratuit] [PubMed] [CrossRef] [Google Scholar]
99. Liu X., Lu P., Zuo X., Gao Y., Yang Y., Chen J. Une nouvelle méthode de modélisation du diagnostic
d’enquête pour les maladies coronariennes en médecine traditionnelle chinoise. Actes de la 4e
Conférence internationale sur le génie biomédical et l’informatique (BMEI '11) ; octobre 2011 ; Shanghai,
100. Liu G.-P., Li G.-Z., Wang Y.-L., Wang Y.-Q. Modélisation du diagnostic par enquête pour les
maladies coronariennes en médecine traditionnelle chinoise à l’aide de l’apprentissage multi-étiquettes.
BMC Médecine Complémentaire et Alternative. 2010; 10(1, article 37) doi : 10.1186/1472-6882-10-37.
[PMC article gratuit] [PubMed] [CrossRef] [Google Scholar]
101. Shao H., Li G., Liu G., Wang Y. Sélection des symptômes pour les données multi-étiquettes du
diagnostic d’enquête en médecine traditionnelle chinoise. Science Chine. Sciences de l’information.
2013 ; 56(5) :13. DOI : 10.1007/S11432-011-4406-5.052118 [CrossRef] [Google Scholar]
102. Liu G.-P., Yan J.-J., Wang Y.-Q., et al. Diagnostic du syndrome basé sur l’apprentissage profond de
la gastrite chronique. Méthodes computationnelles et mathématiques en médecine. 2014; 2014 :8. DOI :
10.1155/2014/938350.938350 [PMC article gratuit] [PubMed] [CrossRef] [Google Scholar]
103. Yang X.-B., Liang Z.-H., Zhang G., Luo Y.-J., Yin J. Un algorithme de classification des syndromes
de MTC basé sur la P-SVM. Actes de la Conférence internationale sur l’apprentissage automatique et la
cybernétique (ICMLC '05) ; août 2005 ; Guangzhou, Chine. IEEE; p. 3692 à 3697. [Google Scholar] (en
anglais seulement)
104. Xia C., Feng D., Wang Y., et al. Recherche de classification sur les syndromes de MTC basée sur la
SVM. Actes de la 2e Conférence internationale sur le génie biomédical et l’informatique (BMEI '09) ;
octobre 2009 ; p. 1 à 4. [Réf. croisée] [Google Scholar] (en anglais seulement)
105. Liu T., Xia C., Wang Y., Xu J. Classification des syndromes en médecine traditionnelle chinoise
basée sur isomap-svm. Actes de la 5e conférence internationale de l’IEEE sur le génie biomédical et
l’informatique (BMEI '12) ; 2012; p. 464 à 468. [Google Scholar] (en anglais seulement)
106. Sun Z., Xi G., Yi J. Advances in Neural Networks – ISNN 2006 : Troisième symposium international
sur les réseaux neuronaux, Chengdu, Chine, 28 mai-1er juin 2006, Actes de la troisième partie, vol.
3973. Berlin, Allemagne : Springer ; 2006. Différenciation des syndromes avec SVM ; p. 786 à 791.
(Notes de cours en informatique). [Réf. croisée] [Google Scholar] (en anglais seulement)
107. Wang Y., Yu Z., Jiang Y., Liu Y., Chen L., Liu Y. Un cadre et son étude empirique du diagnostic
automatique de la médecine traditionnelle chinoise à l’aide de dossiers cliniques bruts en texte libre.
Journal d’informatique biomédicale. 2012; 45(2) :210–223. DOI : 10.1016/j.jbi.2011.10.010. [PubMed]
108. Wang Y., Ma L., Liu P. Sélection des caractéristiques et prédiction du syndrome pour la cirrhose du
foie en médecine traditionnelle chinoise. Méthodes et programmes informatiques en biomédecine. 2009;
95(3) :249–257. DOI : 10.1016/j.cmpb.2009.03.004. [PubMed] [Réf. croisée] [Google Scholar] (en anglais
seulement)
109. Li G.-Z., Yan S., You M., Sun S., Ou A. Classification ZHENG intelligente de l’hypertension en
fonction de ML-kNN et de la fusion d’informations. Médecine complémentaire et alternative fondée sur
des données probantes. 2012; 2012 :5. DOI : 10.1155/2012/837245.837245 [PMC article gratuit]
[PubMed] [CrossRef] [Google Scholar]
34/47
110. Xu Z. X., Xu J., Yan J. J., et al. Analyse de la cohérence diagnostique des spécialistes de la
médecine chinoise dans les cas de maladies cardiovasculaires et l’identification du syndrome en fonction
de la caractéristique pertinente pour chaque méthode d’apprentissage de l’étiquette. Journal chinois de
médecine intégrative. 2015; 21(3) :217–222. DOI : 10.1007/S11655-014-1822-6. [PubMed] [Réf. croisée]
111. Wang H., Liu X., Lv B., Yang F., Hong Y. Apprentissage multi-étiquettes fiable via un prédicteur
conforme et une forêt aléatoire pour la différenciation du syndrome de la fatigue chronique en médecine
traditionnelle chinoise. PLoS ONE. 2014; 9(6) DOI : 10.1371/journal.pone.0099565.e99565 [PMC article
gratuit] [PubMed] [CrossRef] [Google Scholar]
112. Wang H., Wang J. Traitement de l’information neuronale. Springer; 2006. Une méthode de
diagnostic quantitatif basée sur les réseaux bayésiens en médecine traditionnelle chinoise ; p. 176 à 183.
113. Wang X., Qu H., Liu P., Cheng Y. Un système expert auto-apprenant pour le diagnostic en médecine
traditionnelle chinoise. Systèmes experts avec applications. 2004; 26(4) :557–566. DOI :
10.1016/j.eswa.2003.10.004. [Réf. croisée] [Google Scholar] (en anglais seulement)
114. Chu N., Zhou M., Zhao Y., Che Z., Ma L. Une méthode de diagnostic intelligente de l’hépatite B à
Chronis en MTC. Actes de la conférence internationale de l’IEEE sur la bioinformatique et la biomédecine
(BIBM '13) ; décembre 2013 ; Shanghai, Chine. IEEE; p. 20 à 22. [Réf. croisée] [Google Scholar] (en
anglais seulement)
115. Wang Y., Ma L., Liao X., Liu P. Méthode de l’arbre de décision pour extraire les règles de
différenciation du syndrome de la cirrhose posthépatique en médecine traditionnelle chinoise. Actes du
Symposium international de l’IEEE sur les technologies de l’information dans la médecine et l’éducation
(ITME '08) ; décembre 2008 ; Xiamen, Chine. IEEE; p. 744 à 748. [Réf. croisée] [Google Scholar] (en
anglais seulement)
116. Shi M., Zhou C. Une approche de la différenciation du syndrome en médecine traditionnelle chinoise
basée sur les réseaux de neurones. Actes de la 3e Conférence internationale sur le calcul naturel (ICNC
'07) ; août 2007 ; Haikou, Chine. IEEE; p. 376 à 380. [Réf. croisée] [Google Scholar] (en anglais
seulement)
117. Zhang H., Wang Y., Wang L., Lin Y., Liu P. Un modèle de diagnostic hiérarchique pour la prédiction
du syndrome dans la MTC de la cirrhose post-hépatique. Journal international de médecine intégrative.
2013; 1(24) :1-7. DOI : 10.5772/56904. [Réf. croisée] [Google Scholar] (en anglais seulement)
118. Guo F., Lin Y., Li S., Dai Y. Système prototype de diagnostic de l’état de sous-santé personnel basé
sur un modèle de cloud à valeur d’intervalle sur des données de syndrome de MTC. Actes de la 9e
Conférence internationale sur l’intelligence et l’informatique ubiquitaires et de la 9e Conférence
internationale sur l’informatique autonome et de confiance (UIC/ATC '12) ; septembre 2012 ; Fukuoka,
Japon. IEEE; p. 803 à 810. [Réf. croisée] [Google Scholar] (en anglais seulement)
119. Wang B., Zhang M.-W., Zhang B., Wei W.-J. Application de l’exploration de données à la
différenciation des syndromes en médecine traditionnelle chinoise. Actes de la 7e Conférence
internationale sur l’informatique, les applications et les technologies parallèles et distribuées (PDCAT
'06) ; décembre 2006 ; Taipei, Taïwan. IEEE; p. 128 à 131. [Réf. croisée] [Google Scholar] (en anglais
seulement)
120. Zhang N. L., Yuan S., Chen T., Wang Y. Modèles d’arbres latents et diagnostic en médecine
traditionnelle chinoise. L’intelligence artificielle en médecine. 2008; 42(3) :229–245. DOI :
10.1016/j.artmed.2007.10.004. [PubMed] [Réf. croisée] [Google Scholar] (en anglais seulement)
35/47
121. Zhao Y.-F., He L.-Y., Liu B.-Y., et al. Classification du syndrome basée sur le classement multiple de
l’hépatite virale. Journal chinois de médecine intégrative. 2014; 20(5) :394–399. DOI : 10.1007/S11655-
013-1659-4. [PubMed] [Réf. croisée] [Google Scholar] (en anglais seulement)
122. Wang J., He Q., Yao K.-W., Rong W., Xing Y., Yue Z. Machine à vecteurs de support (SVM) et
médecine traditionnelle chinoise : facteurs de syndrome basés sur une SVM à partir d’une maladie
coronarienne traitée par d’éminents médecins de la médecine traditionnelle chinoise. Actes de la 5e
Conférence internationale sur le calcul naturel (ICNC '09) ; août 2009 ; IEEE; p. 176 à 180. [Réf. croisée]
123. Wang M., Geng Z., Wang M., Chen F., Ding W., Liu M. Avancées dans les réseaux neuronaux -
ISNN 2006. Vol. 3973. Berlin, Allemagne : Springer ; 2006. Combinaison de la construction de réseaux et
de l’analyse de clusters et de son application à la médecine traditionnelle chinoise ; p. 777 à 785. (Notes
de cours en informatique). [Réf. croisée] [Google Scholar] (en anglais seulement)
124. Deng K., Liu D., Gao S., Geng Z. Systèmes flous et découverte de connaissances. Springer; 2005.
Apprentissage structurel de modèles graphiques et ses applications à la médecine traditionnelle
chinoise ; p. 362 à 367. [Google Scholar] (en anglais seulement)
125. He Q., Wang J., Zhang Y., Tang Y., Zhang Y. Analyse en grappes sur les symptômes et les signes
de la médecine traditionnelle chinoise chez 815 patients atteints d’angine de poitrine instable. Actes de la
6e Conférence internationale sur les systèmes flous et la découverte des connaissances (FSKD '09) ;
août 2009 ; IEEE; p. 435 à 439. [Réf. croisée] [Google Scholar] (en anglais seulement)
126. Zhang N. L., Yuan S., Chen T., Wang Y. Validation statistique des théories de la médecine
traditionnelle chinoise. Le Journal de la médecine alternative et complémentaire. 2008; 14(5) :583–587.
DOI : 10.1089/acm.2007.7019. [PubMed] [Réf. croisée] [Google Scholar] (en anglais seulement)
127. Yan J.-F., Peng Y.-Y., Zhu W.-F. Etude expérimentale des éléments du syndrome basée sur la
théorie des ensembles approximatifs. Actes de la 2e Conférence internationale sur les sciences de
l’information et de l’informatique (ICIC '09) ; mai 2009 ; Manchester, Royaume-Uni. IEEE; p. 39 à 41.
128. Wu Z., Zhou X., Liu B., Chen J. Découverte des connaissances dans les bases de données : PKDD
2004. Springer; 2004. Fouille de texte pour trouver une communauté fonctionnelle de gènes apparentés
à l’aide des connaissances en MTC ; p. 459 à 470. [Google Scholar] (en anglais seulement)
129. Zhang X., Zhou X., Huang H., Chen S., Liu B. Un modèle hiérarchique de sujet symptôme-plante
pour l’analyse des données cliniques sur le diabète de la médecine traditionnelle chinoise. Actes de la 3e
Conférence internationale sur le génie biomédical et l’informatique (BMEI '10) ; octobre 2010 ; Yantai,
130. Liang Z., Zhang G., Xu S., et al. Un algorithme basé sur un arbre de décision à noyau pour la
prédiction des résultats de l’acupuncture pour les douleurs cervicales : une nouvelle méthode d’analyse
intermédiaire. Actes de la Conférence internationale de l’IEEE sur les ateliers de bioinformatique et de
biomédecine (BIBMW '11) ; novembre 2011 ; Atlanta, Géorgie, États-Unis. IEEE; p. 760 à 764. [Réf.
131. Qiao S., Tang C., Jin H., Peng J., Davis D., Han N. KISTCM : système de découverte des
connaissances pour la médecine traditionnelle chinoise. Intelligence appliquée. 2010; 32(3) :346–363.
DOI : 10.1007/S10489-008-0149-4. [Réf. croisée] [Google Scholar] (en anglais seulement)
132. Zhang X.-P., Zhou X.-Z., Huang H.-K., Feng Q., Chen S.-B., Liu B.-Y. Modèle thématique pour le
diagnostic de la médecine chinoise et l’analyse de la régularité des prescriptions : cas sur le diabète.
36/47
Journal chinois de médecine intégrative. 2011; 17(4) :307–313. DOI : 10.1007/S11655-011-0699-X.
[PubMed] [Réf. croisée] [Google Scholar] (en anglais seulement)
133. Wang Y., Liu Y., Yu Z., Chen L., Jiang Y. Un travail préliminaire sur la reconnaissance des noms de
symptômes à partir de dossiers cliniques en texte libre de la médecine traditionnelle chinoise en utilisant
des champs aléatoires conditionnels et des caractéristiques raisonnables. Actes de l’atelier de 2012 sur
le traitement biomédical du langage naturel ; 2012; Association pour la linguistique computationnelle ; p.
223 à 230. [Google Scholar] (en anglais seulement)
134. Fang Y.-C., Huang H.-C., Chen H.-H., Juan H.-F. TCMGeneDIT : une base de données pour les
informations associées sur la médecine traditionnelle chinoise, les gènes et les maladies à l’aide de
l’exploration de texte. BMC Médecine Complémentaire et Alternative. 2008; 8, article 58 DOI :
10.1186/1472-6882-8-58. [PMC article gratuit] [PubMed] [CrossRef] [Google Scholar]
135. Yang M., Poon J., Wang S., et al. Application d’un algorithme génétique pour la découverte de
formules efficaces de base dans les données cliniques de la MTC. Méthodes computationnelles et
mathématiques en médecine. 2013; 2013 :16. DOI : 10.1155/2013/971272.971272 [Article gratuit PMC]
[PubMed] [CrossRef] [Google Scholar]
136. Tang X., Zhang N., Wang Z. Exploration de l’exploration des connaissances des maîtres de la MTC.
Journal de la science des systèmes et de la complexité. 2008; 21(1) :34–45. DOI : 10.1007/S11424-008-
9064-3. [Réf. croisée] [Google Scholar] (en anglais seulement)
137. Huang M.-J., Chen M.-Y. Conception intégrée du système intelligent de diagnostic médical chinois
(CMDS) basé sur le Web – développement systématique pour la santé digestive. Systèmes experts avec
applications. 2007; 32(2) :658–673. DOI : 10.1016/j.eswa.2006.01.037. [Réf. croisée] [Google Scholar]
138. Pang B., Zhang D., Wang K. Analyse de l’image de la langue pour le diagnostic de l’appendicite.
Sciences de l’information. 2005; 175(3) :160–176. DOI : 10.1016/j.ins.2005.01.010. [Réf. croisée]
139. Yang L., Wang R., Wang G., Zhang W. Reconnaissance des modèles d’impulsions humaines à
l’aide d’un réseau d’état d’écho amélioré. Beijing, Chine : Sciencepaper Online ; 2011. [Google Scholar]
140. Chiu C.-C., Liau B. Y., Yeh S. J., Hsu C. L. Classification des réseaux de neurones artificiels des
formes d’onde du pouls artériel dans les maladies cardiovasculaires. Actes de la 4e Conférence
internationale de Kuala Lumpur sur le génie biomédical (Biomed '08) ; juin 2008 ; mys. p. 129 à 132.
Les articles de Evidence-based Complementary and Alternative Medicine : eCAM sont fournis ici avec
l’aimable autorisation de Hindawi Limited
1. Lukman S., He Y., Hui S.-C. Computational methods for traditional chinese medicine: a survey.
Computer Methods and Programs in Biomedicine. 2007;88(3):283–294.
doi: 10.1016/j.cmpb.2007.09.008. [PubMed] [CrossRef] [Google Scholar] [Ref list]
2. Maciocia G. The Foundations of Chinese Medicine. Churchill Livingstone; 1989. [Google Scholar] [Ref
list]
3. Jokiniemi J. Ontologies and computational methods for traditional Chinese medicine [M.S. thesis]
2010. [Google Scholar] [Ref list]
4. Dodd M., Janson S., Facione N., et al. Advancing the science of symptom management. Journal of
Advanced Nursing. 2001;33(5):668–676. doi: 10.1046/j.1365-2648.2001.01697.x. [PubMed] [CrossRef]
37/47
[Google Scholar] [Ref list]
5. Jiang M., Lu C., Zhang C., et al. Syndrome differentiation in modern research of traditional Chinese
medicine. Journal of Ethnopharmacology. 2012;140(3):634–642. doi: 10.1016/j.jep.2012.01.033.
[PubMed] [CrossRef] [Google Scholar] [Ref list]
15. Feng Y., Wu Z., Zhou X., Zhou Z., Fan W. Knowledge discovery in traditional Chinese medicine: state
of the art and perspectives. Artificial Intelligence in Medicine. 2006;38(3):219–236.
doi: 10.1016/j.artmed.2006.07.005. [PubMed] [CrossRef] [Google Scholar] [Ref list]
6. Gu P., Chen H. Modern bioinformatics meets traditional Chinese medicine. Briefings in Bioinformatics.
2014;15(6):984–1003. doi: 10.1093/bib/bbt063. [PubMed] [CrossRef] [Google Scholar] [Ref list]
7. Ferreira A. Advances in Chinese medicine diagnosis: from traditional methods to computational
models. In: Kuang H., editor. Recent Advances in Chinese Medicine. Rijeka, Croatia: InTech; 2012.
10. Ferreira A. S., Lopes A. J. Chinese medicine pattern differentiation and its implications for clinical
practice. Chinese Journal of Integrative Medicine. 2011;17(11):818–823. doi: 10.1007/s11655-011-0892-y.
8. Lu A., Jiang M., Zhang C., Chan K. An integrative approach of linking traditional Chinese medicine
pattern classification and biomedicine diagnosis. Journal of Ethnopharmacology. 2012;141(2):549–556.
doi: 10.1016/j.jep.2011.08.045. [PubMed] [CrossRef] [Google Scholar] [Ref list]
13. Guo R., Wang Y., Li F., et al. Modernization of traditional Chinese medicine diagnosis based on
modern information technologies. Proceedings of the 4th International Conference on Bioinformatics and
Biomedical Engineering (iCBBE '10); June 2010; Chengdu, China. IEEE; pp. 1–5. [CrossRef] [Google
Scholar] [Ref list]
9. Zhang X., Zhou X., Zhang R., Liu B., Xie Q. Real-world clinical data mining on TCM clinical diagnosis
and treatment: a survey. Proceedings of the IEEE 14th International Conference on e-Health Networking,
Applications and Services (Healthcom '12); October 2012; Beijing, China. IEEE; pp. 88–93. [CrossRef]
11. Lan H., Lu Y., Jin K., Zhu T., Jin Z. Data mining: a modern tool to investigate traditional chinese
medicine. Journal of US-China Medical Science. 2011;8(5):316–320. [Google Scholar] [Ref list]
12. Zhou X., Peng Y., Liu B. Text mining for traditional Chinese medical knowledge discovery: a survey.
Journal of Biomedical Informatics. 2010;43(4):650–660. doi: 10.1016/j.jbi.2010.01.002. [PubMed]
[CrossRef] [Google Scholar] [Ref list]
16. Huang B., Li N. Medical Biometrics. Vol. 4901. Berlin, Germany: Springer; 2007. Pixel based tongue
color analysis; pp. 282–289. (Lecture Notes in Computer Science). [CrossRef] [Google Scholar] [Ref list]
18. Wang Y.-G., Yang J., Zhou Y., Wang Y.-Z. Region partition and feature matching based color
recognition of tongue image. Pattern Recognition Letters. 2007;28(1):11–19.
doi: 10.1016/j.patrec.2006.06.004. [CrossRef] [Google Scholar] [Ref list]
29. Huang B., Wu J., Zhang D., Li N. Tongue shape classification by geometric features. Information
Sciences. 2010;180(2):312–324. doi: 10.1016/j.ins.2009.09.016. [CrossRef] [Google Scholar] [Ref list]
32. Li X., Li F., Wang Y., Qian P., Zheng X. Computer-aided disease diagnosis system in TCM based on
facial image analysis. International Journal of Functional Informatics and Personalised Medicine.
2009;2(3):303–314. doi: 10.1504/ijfipm.2009.030829. [CrossRef] [Google Scholar] [Ref list]
33. Li F., Di D., Li X., et al. Facial complexion acquisition and recognition system for clinical diagnosis in
traditional chinese medicine. Proceedings of the International Joint Conference on Bioinformatics,
38/47
Systems Biology and Intelligent Computing (IJCBS ’09); August 2009; Shanghai, China. IEEE; pp. 392–
396. [CrossRef] [Google Scholar] [Ref list]
35. Liu C., Zhao C., Li G., Li F., Wang Z. Computerized color analysis for facial diagnosis in traditional
Chinese medicine. Proceedings of the IEEE International Conference on Bioinformatics and Biomedicine
(BIBM '13); December 2013; pp. 613–614. [CrossRef] [Google Scholar] [Ref list]
43. Li F., Zhao C., Xia Z., Wang Y., Zhou X., Li G.-Z. Computer-assisted lip diagnosis on traditional
Chinese medicine using multi-class support vector machines. BMC Complementary and Alternative
Medicine. 2012;12, article 127 doi: 10.1186/1472-6882-12-127. [PMC free article] [PubMed] [CrossRef]
19. Zhang D., Pang B., Li N., Wang K., Zhang H. Computerized diagnosis from tongue appearance using
quantitative feature classification. The American Journal of Chinese Medicine. 2005;33(6):859–866.
doi: 10.1142/s0192415x05003466. [PubMed] [CrossRef] [Google Scholar] [Ref list]
21. Zhi L., Zhang D., Yan J.-Q., Li Q.-L., Tang Q.-L. Classification of hyperspectral medical tongue
images for tongue diagnosis. Computerized Medical Imaging and Graphics. 2007;31(8):672–678.
doi: 10.1016/j.compmedimag.2007.07.008. [PubMed] [CrossRef] [Google Scholar] [Ref list]
34. Liu M., Guo Z. Medical Biometrics. Vol. 4901. Berlin, Germany: Springer; 2007. Hepatitis diagnosis
using facial color image; pp. 160–167. (Lecture Notes in Computer Science). [CrossRef] [Google Scholar]
[Ref list]
38. Zhang B., Wang X., Karray F., Yang Z., Zhang D. Computerized facial diagnosis using both color and
texture features. Information Sciences. 2013;221:49–59. doi: 10.1016/j.ins.2012.09.011. [CrossRef]
138. Pang B., Zhang D., Wang K. Tongue image analysis for appendicitis diagnosis. Information
Sciences. 2005;175(3):160–176. doi: 10.1016/j.ins.2005.01.010. [CrossRef] [Google Scholar] [Ref list]
22. Siu C. H., He Y., Thach D. T. C. Machine learning for tongue diagnosis. Proceedings of the 6th
International Conference on Information, Communications and Signal Processing (ICICS '07); December
2007; Singapore. IEEE; pp. 1–5. [CrossRef] [Google Scholar] [Ref list]
20. Kanawong R., Obafemi-Ajayi T., Yu J., Xu D., Li S., Duan Y. ZHENG classification in Traditional
Chinese Medicine based on modified specular-free tongue images. Proceedings of the IEEE International
Conference on Bioinformatics and Biomedicine Workshops (BIBMW '12); October 2012; IEEE; pp. 288–
36. Tunhua W., Baogang B., Fushun S., Changle Z., Ping W. Study on complexion recognition in TCM.
Proceedings of the International Conference on Computer and Communication Technologies in
Agriculture Engineering (CCTAE '10); June 2010; Chengdu, China. pp. 487–490. [CrossRef] [Google
Scholar] [Ref list]
39. Zhao C., Li G.-Z., Li F., Wang Z., Liu C. Qualitative and quantitative analysis for facial complexion in
traditional Chinese medicine. BioMed Research International. 2014;2014:17.
doi: 10.1155/2014/207589.207589 [PMC free article] [PubMed] [CrossRef] [Google Scholar] [Ref list]
42. Zheng L., Li X., Yan X., Li F., Zheng X., Li W. Lip color classification based on support vector machine
and histogram. Proceedings of the 3rd International Congress on Image and Signal Processing (CISP
'10); October 2010; Yantai, China. IEEE; pp. 1883–1886. [CrossRef] [Google Scholar] [Ref list]
37. Wang X., Zhang B., Guo Z., Zhang D. Facial image medical analysis system using quantitative
chromatic feature. Expert Systems with Applications. 2013;40(9):3738–3746.
doi: 10.1016/j.eswa.2012.12.079. [CrossRef] [Google Scholar] [Ref list]
39/47
23. Jang J., Kim J., Park K., Park S., Chang Y., Kim B. Development of the digital tongue inspection
system with image analysis. Proceedings of the 24th Annual Conference and the Annual Fall Meeting of
the Biomedical Engineering Society EMBS/BMES 2002. Proceedings of the 2nd Joint Engineering in
Medicine and Biology Conference; 2002; IEEE; pp. 1033–1034. [Google Scholar] [Ref list]
26. Li Q., Wang Y., Liu H., Sun Z., Liu Z. Tongue fissure extraction and classification using hyperspectral
imaging technology. Applied Optics. 2010;49(11):2006–2013. doi: 10.1364/AO.49.002006. [PubMed]
24. Zhang H. Z., Wang K. Q., Zhang D., Pang B., Huang B. Computer aided tongue diagnosis system.
Proceedings of the 27th Annual International Conference of the Engineering in Medicine and Biology
Society (IEEE-EMBS ’05); September 2005; Shanghai, China. pp. 6754–6757. [PubMed] [CrossRef]
25. Pang B., Zhang D., Li N., Wang K. Computerized tongue diagnosis based on Bayesian networks.
IEEE Transactions on Biomedical Engineering. 2004;51(10):1803–1810.
doi: 10.1109/TBME.2004.831534. [PubMed] [CrossRef] [Google Scholar] [Ref list]
31. Li Q., Liu Z. Tongue color analysis and discrimination based on hyperspectral images. Computerized
Medical Imaging and Graphics. 2009;33(3):217–221. doi: 10.1016/j.compmedimag.2008.12.004.
40. Zhou R., Fu-Feng L., Yi-Qin W., Zheng X.-Y., Zhao R.-W., Li G.-Z. Application of PCA and LDA
methods on gloss recognition research in TCM complexion inspection. Proceedings of the IEEE
International Conference on Bioinformatics and Biomedicine Workshops (BIBMW '10); December 2010;
IEEE; pp. 666–669. [CrossRef] [Google Scholar] [Ref list]
27. Watsuji T., Arita S., Shinohara S., Kitade T. Medical application of fuzzy theory to the diagnostic
system of tongue inspection in traditional Chinese medicine. Proceedings of the IEEE International Fuzzy
Systems Conference (FUZZ-IEEE '99); August 1999; IEEE; pp. 145–148. [Google Scholar] [Ref list]
28. Pham B. L., Cai Y. Visualization techniques for tongue analysis in Traditional Chinese Medicine.
Medical Imaging 2004: Visualization, Image-Guided Procedures, and Display; February 2004;
International Society for Optics and Photonics; pp. 171–180. [CrossRef] [Google Scholar] [Ref list]
41. Zhang B., Kumar B. V. K. V., Zhang D. Noninvasive diabetes mellitus detection using facial block
color with a sparse representation classifier. IEEE Transactions on Biomedical Engineering.
2014;61(4):1027–1033. doi: 10.1109/tbme.2013.2292936. [PubMed] [CrossRef] [Google Scholar] [Ref
list]
17. Chiu C.-C. A novel approach based on computerized image analysis for traditional Chinese medical
diagnosis of the tongue. Computer Methods and Programs in Biomedicine. 2000;61(2):77–89.
doi: 10.1016/S0169-2607(99)00031-0. [PubMed] [CrossRef] [Google Scholar] [Ref list]
30. Chiu C.-C., Lan C.-Y., Chang Y.-H. Objective assessment of blood stasis using computerized
inspection of sublingual veins. Computer Methods and Programs in Biomedicine. 2002;69(1):1–12.
doi: 10.1016/S0169-2607(01)00181-X. [PubMed] [CrossRef] [Google Scholar] [Ref list]
55. Yu J.-B., Byun H.-G., So M.-S., Huh J.-S. Analysis of diabetic patient's breath with conducting
polymer sensor array. Sensors and Actuators, B: Chemical. 2005;108(1-2):305–308.
doi: 10.1016/j.snb.2005.01.040. [CrossRef] [Google Scholar] [Ref list]
64. Guo D., Zhang D., Li N., Zhang L., Yang J. A novel breath analysis system based on electronic
olfaction. IEEE Transactions on Biomedical Engineering. 2010;57(11):2753–2763.
doi: 10.1109/tbme.2010.2055864. [PubMed] [CrossRef] [Google Scholar] [Ref list]
40/47
45. Yan J., Shen X., Xia C., et al. Auscultation signals analysis in traditional Chinese medicine using
wavelet packet energy entropy and support vector machines. Proceedings of the IEEE International
Conference on Electrical and Control Engineering (ICECE '10); 2010; pp. 509–512. [Google Scholar] [Ref
list]
47. Yan J., Shen Y., Wang Y., et al. Nonlinear analysis of auscultation signals in traditional chinese
medicine using wavelet packet transform and approximate entropy. International Journal of Functional
Informatics and Personalised Medicine. 2009;2(3):325–340. [Google Scholar] [Ref list]
56. Yan K., Zhang D., Wu D., Wei H., Lu G. Design of a breath analysis system for diabetes screening
and blood glucose level prediction. IEEE Transactions on Biomedical Engineering. 2014;61(11):2787–
2795. doi: 10.1109/tbme.2014.2329753. [PubMed] [CrossRef] [Google Scholar] [Ref list]
58. Guo D., Zhang D., Zhang L., Lu G. Non-invasive blood glucose monitoring for diabetics by means of
breath signal analysis. Sensors and Actuators B: Chemical. 2012;173:106–113.
doi: 10.1016/j.snb.2012.06.025. [CrossRef] [Google Scholar] [Ref list]
60. Trincavelli M., Coradeschi S., Loutfi A., Soderquist B., Thunberg P. Direct identification of bacteria in
blood culture samples using an electronic nose. IEEE Transactions on Biomedical Engineering.
2010;57(12):2884–2890. doi: 10.1109/TBME.2010.2049492. [PubMed] [CrossRef] [Google Scholar] [Ref
list]
61. Saraoglu H. M., Selvi A. O., Ebeoglu M. A., Tasaltin C. Electronic nose system based on quartz
crystal microbalance sensor for blood glucose and HbA1c levels from exhaled breath odor. IEEE Sensors
Journal. 2013;13(11):4229–4235. doi: 10.1109/jsen.2013.2265233. [CrossRef] [Google Scholar] [Ref list]
48. Chiu C.-C., Chang H.-H., Yang C.-H. Objective auscultation for traditional Chinese medical diagnosis
using novel acoustic parameters. Computer Methods and Programs in Biomedicine. 2000;62(2):99–107.
doi: 10.1016/S0169-2607(00)00055-9. [PubMed] [CrossRef] [Google Scholar] [Ref list]
50. Yan J., Shen Q., Ren J., et al. A multi-instance multi-label learning approach to objective auscultation
analysis of traditional Chinese medicine. Proceedings of the 4th International Conference on Biomedical
Engineering and Informatics (BMEI '11); October 2011; pp. 1626–1630. [CrossRef] [Google Scholar] [Ref
list]
54. Ping W., Yi T., Haibao X., Farong S. A novel method for diabetes diagnosis based on electronic nose.
Biosensors and Bioelectronics. 1997;12(9-10):1031–1036. doi: 10.1016/s0956-5663(97)00059-6.
59. Dragonieri S., Schot R., Mertens B. J. A., et al. An electronic nose in the discrimination of patients
with asthma and controls. The Journal of Allergy and Clinical Immunology. 2007;120(4):856–862.
doi: 10.1016/j.jaci.2007.05.043. [PubMed] [CrossRef] [Google Scholar] [Ref list]
62. Phillips M., Cataneo R. N., Cummin A. R. C., et al. Detection of lung cancer with volatile markers in
the breath. Chest. 2003;123(6):2115–2123. doi: 10.1378/chest.123.6.2115. [PubMed] [CrossRef] [Google
Scholar] [Ref list]
63. Phillips M., Altorki N., Austin J. H. M., et al. Prediction of lung cancer using volatile biomarkers in
breath. Cancer Biomarkers. 2007;3(2):95–109. [PubMed] [Google Scholar] [Ref list]
65. Lin Y.-J., Guo H.-R., Chang Y.-H., Kao M.-T., Wang H.-H., Hong R.-I. Application of the electronic
nose for uremia diagnosis. Sensors and Actuators B: Chemical. 2001;76(1–3):177–180.
doi: 10.1016/s0925-4005(01)00625-6. [CrossRef] [Google Scholar] [Ref list]
44. Wang H., Yan J., Wang Y., Li F., Guo R. Digital technology for objective auscultation in traditional
Chinese medical diagnosis. Proceedings of the International Conference on Audio, Language and Image
Processing (ICALIP '08); July 2008; IEEE; pp. 1100–1104. [CrossRef] [Google Scholar] [Ref list]
41/47
46. Yan J., Shen Q., Wang Y., et al. Detecting non-stationarity for auscultation signal of traditional
Chinese medicine. Wuhan University Journal of Natural Sciences. 2011;16(1):83–87.
doi: 10.1007/s11859-011-0716-0. [CrossRef] [Google Scholar] [Ref list]
49. Chiu C.-C., Yang M.-T., Lin C.-S. Using fractal dimension analysis on objective auscultation of
traditional Chinese medical diagnosis. Journal of Medical and Biological Engineering. 2002;22(4):219–
224. [Google Scholar] [Ref list]
51. Yan J., Shen Q., Wang Y., et al. Multichannel speech signal enhancement method based on ICA for
objective auscultation of traditional Chinese medicine. Proceedings of the IEEE International Symposium
on IT in Medicine and Education (ITME '09); August 2009; Jinan, China. pp. 1097–1100. [CrossRef]
52. Yan J., Wang H., Xia C., et al. Nonlinear analysis in TCM acoustic diagnosis using delay vector
variance. Proceeings of the 2nd International Conference on Bioinformatics and Biomedical Engineering
(ICBBE ’08); May 2006; Shanghai, China. IEEE; pp. 2099–2102. [CrossRef] [Google Scholar] [Ref list]
53. Yan J., Shen Y., Xia C., Wang Y., Li F., Guo R. The objective auscultation research on traditional
chinese medical using two novel parameters. Proceedings of the International Conference on Computer
Design and Applications (ICCDA '10); June 2010; Qinhuangdao, China. IEEE; pp. V1-572–V1-576.
57. Guo D., Zhang D., Li N., Zhang L., Yang J. Medical Biometrics. Vol. 6165. Berlin, Germany: Springer;
2010. Diabetes identification and classification by means of a breath analysis system; pp. 52–63.
(Lecture Notes in Computer Science). [CrossRef] [Google Scholar] [Ref list]
66. Wang P., Zuo W., Zhang D. A compound pressure signal acquisition system for multichannel wrist
pulse signal analysis. IEEE Transactions on Instrumentation and Measurement. 2014;63(6):1556–1565.
doi: 10.1109/tim.2013.2267458. [CrossRef] [Google Scholar] [Ref list]
70. Lue J.-H., Chang R. S., Ko T.-C., Su Y.-S., Cherng S., Cheng W.-M. Simple two-channel sound
detectors applying to pulse measurement. Life Science Journal. 2014;11(4):421–423. [Google Scholar]
[Ref list]
71. Zhang D., Zuo W., Zhang D., Zhang H., Li N. Classification of pulse waveforms using edit distance
with real penalty. EURASIP Journal on Advances in Signal Processing. 2010;2010
doi: 10.1155/2010/303140.303140 [CrossRef] [Google Scholar] [Ref list]
76. Ma C., Xia C., Wang Y., Yan H., Li F. An improved approach to the classification of seven common
TCM pulse conditions. Proceedings of the 4th International Conference on Biomedical Engineering and
Informatics (BMEI ’11); October 2011; Shanghai, China. IEEE; pp. 621–624. [CrossRef] [Google Scholar]
[Ref list]
79. Yang W., Zhang L., Zhang D. Wrist-pulse signal diagnosis using ICpulse. Proceedings of the 3rd
International Conference on Bioinformatics and Biomedical Engineering (ICBBE '09); June 2009; Beijing,
China. IEEE; pp. 1–4. [CrossRef] [Google Scholar] [Ref list]
83. Jiang X., Zhang D., Wang K., Zuo W. Distinguishing patients with gastritis and cholecystitis from the
healthy by analyzing wrist radial arterial doppler blood flow signals. Proceedings of the 20th International
Conference on Pattern Recognition (ICPR '10); August 2010; IEEE; pp. 2492–2495. [CrossRef] [Google
Scholar] [Ref list]
72. Wang H. A quantitative method for pulse strength classification based on decision tree. Proceedings
of the International Symposium on Information Science and Engineering (ISISE '08); December 2008;
Shanghai, China. IEEE; pp. 111–115. [CrossRef] [Google Scholar] [Ref list]
42/47
73. Jia D., Zhang D., Li N. Pulse waveform classification using support vector machine with gaussian
time warp edit distance kernel. Computational and Mathematical Methods in Medicine. 2014;2014:10.
doi: 10.1155/2014/947254.947254 [PMC free article] [PubMed] [CrossRef] [Google Scholar] [Ref list]
93. Zhang J., Wang R., Lu S., et al. EasiCPRS: design and implementation of a portable Chinese pulse-
wave retrieval system. Proceedings of the 9th ACM Conference on Embedded Networked Sensor
Systems (SenSys '11); November 2011; ACM; pp. 149–161. [CrossRef] [Google Scholar] [Ref list]
74. Xu L. S., Meng M. Q.-H., Wang K. Q. Pulse image recognition using fuzzy neural network.
Proceedings of the 29th Annual International Conference of the IEEE Engineering in Medicine and
Biology Society (EMBS '07); August 2007; Lyon, France. IEEE; pp. 3148–3151. [PubMed] [CrossRef]
75. Wang R., Feng C., Wang X. Pulse of human body identification base on fuzzy neural networks.
Proceedings of the IEEE/ICME International Conference on Complex Medical Engineering (CME '07);
May 2007; IEEE; pp. 340–343. [CrossRef] [Google Scholar] [Ref list]
139. Yang L., Wang R., Wang G., Zhang W. Human Pulse Patterns Recognition Using Improved Echo
State Network. Beijing, China: Sciencepaper Online; 2011. [Google Scholar] [Ref list]
84. Wang D., Zhang D., Chan J. C. Feature extraction of radial arterial pulse. Proceedings of the
International Conference on Medical Biometrics (ICMB ’14); May 2014; Shenzhen, China. IEEE; pp. 41–
140. Chiu C.-C., Liau B. Y., Yeh S. J., Hsu C. L. Artificial neural network classification of arterial pulse
waveforms in cardiovascular diseases. Proceedings of the 4th Kuala Lumpur International Conference on
Biomedical Engineering (Biomed '08); June 2008; mys. pp. 129–132. [Google Scholar] [Ref list]
77. Wang H.-Y., Zhang P.-Y. A model for automatic identification of human pulse signals. Journal of
Zhejiang University SCIENCE A. 2008;9(10):1382–1389. doi: 10.1631/jzus.a0820332. [CrossRef]
78. Wang H., Cheng Y. A quantitative system for pulse diagnosis in traditional Chinese medicine.
Proceedings of the 27th Annual International Conference of the Engineering in Medicine and Biology
Society (EMBS '05); September 2005; pp. 5676–5679. [PubMed] [Google Scholar] [Ref list]
95. Liu L., Zuo W., Zhang D., Li N., Zhang H. Combination of heterogeneous features for wrist pulse
blood flow signal diagnosis via multiple kernel learning. IEEE Transactions on Information Technology in
Biomedicine. 2012;16(4):598–606. doi: 10.1109/TITB.2012.2195188. [PubMed] [CrossRef] [Google
Scholar] [Ref list]
94. Chen Y., Zhang L., Zhang D., Zhang D. Wrist pulse signal diagnosis using modified Gaussian models
and fuzzy C-Means classification. Medical Engineering & Physics. 2009;31(10):1283–1289.
doi: 10.1016/j.medengphy.2009.08.008. [PubMed] [CrossRef] [Google Scholar] [Ref list]
96. Hu X., Zhu H., Xu J., Xu D., Dong J. Wrist pulse signals analysis based on deep convolutional neural
networks. Proceedings of the IEEE Conference on Computational Intelligence in Bioinformatics and
Computational Biology; May 2014; IEEE; pp. 1–7. [CrossRef] [Google Scholar] [Ref list]
80. Liu L., Zuo W., Zhang D., Li N., Zhang H. Medical Biometrics. Vol. 6165. Berlin, Germany: Springer;
2010. Classification of wrist pulse blood flow signal using time warp edit distance; pp. 137–144. (Lecture
Notes in Computer Science). [CrossRef] [Google Scholar] [Ref list]
81. Gong S., Xu B., Sun G., et al. Accurate cirrhosis identification with wrist-pulse data for mobile
healthcare. Proceedings of the 2nd ACM Workshop on Mobile Systems, Applications, and Services for
HealthCare (mHealthSys '12); November 2012; ACM; p. p. 6. [CrossRef] [Google Scholar] [Ref list]
43/47
82. Sun Y., Shen B., Chen Y., Xu Y. Medical Biometrics. Vol. 6165. Berlin, Germany: Springer; 2010.
Computerized wrist pulse signal diagnosis using kpca; pp. 334–343. (Lecture Notes in Computer
Science). [CrossRef] [Google Scholar] [Ref list]
85. Chen Y., Zhang L., Zhang D., Zhang D. Computerized wrist pulse signal diagnosis using modified
auto-regressive models. Journal of Medical Systems. 2011;35(3):321–328. doi: 10.1007/s10916-009-
9368-4. [PubMed] [CrossRef] [Google Scholar] [Ref list]
86. Jia D., Li N., Liu S., Li S. Decision level fusion for pulse signal classification using multiple features.
Proceedings of the 3rd International Conference on BioMedical Engineering and Informatics (BMEI '10);
October 2010; Yantai, China. IEEE; pp. 843–847. [CrossRef] [Google Scholar] [Ref list]
87. Jiang X. Doppler blood flow signal analysis meets traditional Chinese pulse diagnosis. Proceedings of
the 3rd International Conference on BioMedical Engineering and Informatics (BMEI '10); October 2010;
IEEE; pp. 864–868. [CrossRef] [Google Scholar] [Ref list]
88. Zhang D., Wang K., Wu X., Huang B., Li N. Hilbert-huang transform based Doppler blood flow signals
analysis. Proceedings of the 2nd International Conference on Biomedical Engineering and Informatics
(BMEI '09); 2009; IEEE; pp. 1–5. [Google Scholar] [Ref list]
89. Chen Y., Zhang D., Zhang D., Zhang D. Pattern classification for Doppler ultrasonic wrist pulse
signals. Proceedings of the 3rd International Conference on Bioinformatics and Biomedical Engineering
(ICBBE '09); June 2009; Beijing, China. IEEE; pp. 1–4. [CrossRef] [Google Scholar] [Ref list]
90. Zhang D., Zhang D., Zhang D., Zheng Y. Wavelet based analysis of doppler ultrasonic wrist-pulse
signals. Proceedings of the International Conference on BioMedical Engineering and Informatics (BMEI
'08); May 2008; IEEE; pp. 539–543. [CrossRef] [Google Scholar] [Ref list]
91. Liu L., Li N., Zuo W., Zhang D., Zhang H. Intelligent Science and Intelligent Data Engineering. Vol.
7751. Berlin, Germany: Springer; 2013. Multiscale sample entropy analysis of wrist pulse blood flow
signal for disease diagnosis; pp. 475–482. (Lecture Notes in Computer Science). [CrossRef] [Google
Scholar] [Ref list]
92. Zhang D.-Y., Zuo W.-M., Zhang D., Zhang H.-Z., Li N.-M. Wrist blood flow signal-based computerized
pulse diagnosis using spatial and spectrum features. Journal of Biomedical Science and Engineering.
2010;3(4):361–366. doi: 10.4236/jbise.2010.34050. [CrossRef] [Google Scholar] [Ref list]
98. Li G.-Z., Sun S., You M., Wang Y.-L., Liu G.-P. Inquiry diagnosis of coronary heart disease in chinese
medicine based on symptom-syndrome interactions. Chinese Medicine. 2012;7, article 9:9–20.
doi: 10.1186/1749-8546-7-9. [PMC free article] [PubMed] [CrossRef] [Google Scholar] [Ref list]
99. Liu X., Lu P., Zuo X., Gao Y., Yang Y., Chen J. A new method of modeling of inquiry diagnosis for
coronary heart disease in traditional Chinese medicine. Proceedings of the 4th International Conference
on Biomedical Engineering and Informatics (BMEI '11); October 2011; Shanghai, China. IEEE; pp. 1631–
107. Wang Y., Yu Z., Jiang Y., Liu Y., Chen L., Liu Y. A framework and its empirical study of automatic
diagnosis of traditional Chinese medicine utilizing raw free-text clinical records. Journal of Biomedical
Informatics. 2012;45(2):210–223. doi: 10.1016/j.jbi.2011.10.010. [PubMed] [CrossRef] [Google Scholar]
[Ref list]
108. Wang Y., Ma L., Liu P. Feature selection and syndrome prediction for liver cirrhosis in traditional
Chinese medicine. Computer Methods and Programs in Biomedicine. 2009;95(3):249–257.
doi: 10.1016/j.cmpb.2009.03.004. [PubMed] [CrossRef] [Google Scholar] [Ref list]
121. Zhao Y.-F., He L.-Y., Liu B.-Y., et al. Syndrome classification based on manifold ranking for viral
hepatitis. Chinese Journal of Integrative Medicine. 2014;20(5):394–399. doi: 10.1007/s11655-013-1659-
44/47
4. [PubMed] [CrossRef] [Google Scholar] [Ref list]
115. Wang Y., Ma L., Liao X., Liu P. Decision tree method to extract syndrome differentiation rules of
posthepatitic cirrhosis in traditional Chinese medicine. Proceedings of the IEEE International Symposium
on IT in Medicine and Education (ITME '08); December 2008; Xiamen, China. IEEE; pp. 744–748.
103. Yang X.-B., Liang Z.-H., Zhang G., Luo Y.-J., Yin J. A classification algorithm for TCM syndromes
based on P-SVM. Proceedings of the International Conference on Machine Learning and Cybernetics
(ICMLC '05); August 2005; Guangzhou, China. IEEE; pp. 3692–3697. [Google Scholar] [Ref list]
122. Wang J., He Q., Yao K.-W., Rong W., Xing Y., Yue Z. Support vector machine (SVM) and traditional
Chinese medicine: syndrome factors based an SVM from coronary heart disease treated by prominent
traditional Chinese medicine doctors. Proceedings of the 5th International Conference on Natural
Computation (ICNC '09); August 2009; IEEE; pp. 176–180. [CrossRef] [Google Scholar] [Ref list]
104. Xia C., Feng D., Wang Y., et al. Classification research on syndromes of TCM based on SVM.
Proceedings of the 2nd International Conference on Biomedical Engineering and Informatics (BMEI '09);
October 2009; pp. 1–4. [CrossRef] [Google Scholar] [Ref list]
116. Shi M., Zhou C. An approach to syndrome differentiation in traditional chinese medicine based on
neural network. Proceedings of the 3rd International Conference on Natural Computation (ICNC '07);
August 2007; Haikou, China. IEEE; pp. 376–380. [CrossRef] [Google Scholar] [Ref list]
112. Wang H., Wang J. Neural Information Processing. Springer; 2006. A quantitative diagnostic method
based on Bayesian networks in traditional Chinese medicine; pp. 176–183. [Google Scholar] [Ref list]
114. Chu N., Zhou M., Zhao Y., Che Z., Ma L. An intelligent diagnosis method for Chronis hepatitis B in
TCM. Proceedings of the IEEE International Conference on Bioinformatics and Biomedicine (BIBM '13);
December 2013; Shanghai, China. IEEE; pp. 20–22. [CrossRef] [Google Scholar] [Ref list]
123. Wang M., Geng Z., Wang M., Chen F., Ding W., Liu M. Advances in Neural Networks—ISNN 2006.
Vol. 3973. Berlin, Germany: Springer; 2006. Combination of network construction and cluster analysis
and its application to traditional Chinese medicine; pp. 777–785. (Lecture Notes in Computer Science).
124. Deng K., Liu D., Gao S., Geng Z. Fuzzy Systems and Knowledge Discovery. Springer; 2005.
Structural learning of graphical models and its applications to traditional Chinese medicine; pp. 362–367.
101. Shao H., Li G., Liu G., Wang Y. Symptom selection for multi-label data of inquiry diagnosis in
traditional Chinese medicine. Science China. Information Sciences. 2013;56(5):13. doi: 10.1007/s11432-
011-4406-5.052118 [CrossRef] [Google Scholar] [Ref list]
117. Zhang H., Wang Y., Wang L., Lin Y., Liu P. A hierarchical diagnosis model for syndrome prediction in
TCM of post-hepatitic cirrhosis. International Journal of Integrative Medicine. 2013;1(24):1–7.
doi: 10.5772/56904. [CrossRef] [Google Scholar] [Ref list]
125. He Q., Wang J., Zhang Y., Tang Y., Zhang Y. Cluster analysis on symptoms and signs of traditional
Chinese medicine in 815 patients with unstable angina. Proceedings of the 6th International Conference
on Fuzzy Systems and Knowledge Discovery (FSKD '09); August 2009; IEEE; pp. 435–439. [CrossRef]
128. Wu Z., Zhou X., Liu B., Chen J. Knowledge Discovery in Databases: PKDD 2004. Springer; 2004.
Text mining for finding functional community of related genes using tcm knowledge; pp. 459–470. [Google
Scholar] [Ref list]
45/47
97. Zhao H., Xiong W.-H., Zhao X., Wang L.-M., Chen J.-X. Development and evaluation of a Traditional
Chinese Medicine syndrome questionnaire for measuring sub-optimal health status in China. Journal of
Traditional Chinese Medicine. 2012;32(2):129–136. doi: 10.1016/S0254-6272(13)60001-1. [PubMed]
105. Liu T., Xia C., Wang Y., Xu J. Classifying syndromes in traditional Chinese medicine based on
isomap-svm. Proceedings of the 5th IEEE International Conference on Biomedical Engineering and
Informatics (BMEI '12); 2012; pp. 464–468. [Google Scholar] [Ref list]
106. Sun Z., Xi G., Yi J. Advances in Neural Networks—ISNN 2006: Third International Symposium on
Neural Networks, Chengdu, China, May 28–June 1, 2006, Proceedings, Part III. Vol. 3973. Berlin,
Germany: Springer; 2006. Differentiation of syndromes with SVM; pp. 786–791. (Lecture Notes in
Computer Science). [CrossRef] [Google Scholar] [Ref list]
110. Xu Z. X., Xu J., Yan J. J., et al. Analysis of the diagnostic consistency of Chinese medicine
specialists in cardiovascular disease cases and syndrome identification based on the relevant feature for
each label learning method. Chinese Journal of Integrative Medicine. 2015;21(3):217–222.
doi: 10.1007/s11655-014-1822-6. [PubMed] [CrossRef] [Google Scholar] [Ref list]
113. Wang X., Qu H., Liu P., Cheng Y. A self-learning expert system for diagnosis in traditional Chinese
medicine. Expert Systems with Applications. 2004;26(4):557–566. doi: 10.1016/j.eswa.2003.10.004.
118. Guo F., Lin Y., Li S., Dai Y. Interval-valued cloud model based personal sub-health status diagnosing
prototype system on TCM syndrome data. Proceedings of the 9th International Conference on Ubiquitous
Intelligence & Computing and 9th International Conference on Autonomic & Trusted Computing (UIC/ATC
'12); September 2012; Fukuoka, Japan. IEEE; pp. 803–810. [CrossRef] [Google Scholar] [Ref list]
119. Wang B., Zhang M.-W., Zhang B., Wei W.-J. Data mining application to syndrome differentiation in
traditional Chinese medicine. Proceedings of the 7th International Conference on Parallel and Distributed
Computing, Applications and Technologies (PDCAT ’06); December 2006; Taipei, Taiwan. IEEE; pp. 128–
120. Zhang N. L., Yuan S., Chen T., Wang Y. Latent tree models and diagnosis in traditional Chinese
medicine. Artificial Intelligence in Medicine. 2008;42(3):229–245. doi: 10.1016/j.artmed.2007.10.004.
126. Zhang N. L., Yuan S., Chen T., Wang Y. Statistical validation of traditional Chinese medicine
theories. The Journal of Alternative and Complementary Medicine. 2008;14(5):583–587.
doi: 10.1089/acm.2007.7019. [PubMed] [CrossRef] [Google Scholar] [Ref list]
127. Yan J.-F., Peng Y.-Y., Zhu W.-F. Experimental study of syndrome elements based on the rough set
theory. Proceedings of the 2nd International Conference on Information and Computing Science (ICIC
'09); May 2009; Manchester, UK. IEEE; pp. 39–41. [CrossRef] [Google Scholar] [Ref list]
129. Zhang X., Zhou X., Huang H., Chen S., Liu B. A hierarchical symptom-herb topic model for
analyzing traditional Chinese medicine clinical diabetic data. Proceedings of the 3rd International
Conference on BioMedical Engineering and Informatics (BMEI '10); October 2010; Yantai, China. IEEE;
pp. 2246–2249. [CrossRef] [Google Scholar] [Ref list]
130. Liang Z., Zhang G., Xu S., et al. A kernel-decision tree based algorithm for outcome prediction on
acupuncture for neck pain: a new method for interim analysis. Proceedings of the IEEE International
Conference on Bioinformatics and Biomedicine Workshops (BIBMW ’11); November 2011; Atlanta, Ga,
USA. IEEE; pp. 760–764. [CrossRef] [Google Scholar] [Ref list]
46/47
131. Qiao S., Tang C., Jin H., Peng J., Davis D., Han N. KISTCM: knowledge discovery system for
traditional Chinese medicine. Applied Intelligence. 2010;32(3):346–363. doi: 10.1007/s10489-008-0149-
132. Zhang X.-P., Zhou X.-Z., Huang H.-K., Feng Q., Chen S.-B., Liu B.-Y. Topic model for chinese
medicine diagnosis and prescription regularities analysis: case on diabetes. Chinese Journal of
Integrative Medicine. 2011;17(4):307–313. doi: 10.1007/s11655-011-0699-x. [PubMed] [CrossRef]
133. Wang Y., Liu Y., Yu Z., Chen L., Jiang Y. A preliminary work on symptom name recognition from free-
text clinical records of traditional chinese medicine using conditional random fields and reasonable
features. Proceedings of the 2012 Workshop on Biomedical Natural Language Processing; 2012;
Association for Computational Linguistics; pp. 223–230. [Google Scholar] [Ref list]
136. Tang X., Zhang N., Wang Z. Exploration of TCM masters knowledge mining. Journal of Systems
Science and Complexity. 2008;21(1):34–45. doi: 10.1007/s11424-008-9064-3. [CrossRef] [Google
Scholar] [Ref list]
137. Huang M.-J., Chen M.-Y. Integrated design of the intelligent web-based Chinese Medical Diagnostic
System (CMDS)—systematic development for digestive health. Expert Systems with Applications.
2007;32(2):658–673. doi: 10.1016/j.eswa.2006.01.037. [CrossRef] [Google Scholar] [Ref list]
47/47

Ncbi - Nlm.nih - Gov-Avancées Dans La Classification Des Patients Pour La Médecine Traditionnelle Chinoise Une Perspectiv

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Ncbi - Nlm.nih - Gov-Avancées Dans La Classification Des Patients Pour La Médecine Traditionnelle Chinoise Une Perspectiv

Transféré par

Droits d'auteur :

Formats disponibles

www.ncbi.nlm.nih.

Avancées dans la classification des patients pour la

Find articles by Changbo Zhao

Find articles by Guo-Zheng Li

Find articles by Chengjun Wang

Find articles by Jinling Niu

*Guo-Zheng Li: nc.ude.ijgnot@ilzg

Academic Editor: Angelo A. Izzo

Received 2014 Nov 7; Accepted 2015 Apr 7.

Copyright © 2015 Changbo Zhao et al.

Open in a separate window

Les relations hiérarchiques et la signification clinique correspondante des diagnostics de MTC.

3. Connaissances préliminaires pour les algorithmes

Machine vectorielle de support (SVM) [15]. Un algorithme d’apprentissage automatique supervisé

4. Approches d’apprentissage automatique pour la classification

4.1. Approches d’apprentissage automatique pour l’inspection

Comme mentionné précédemment dans la section 1, l’inspection de la méthode de diagnostic consiste à

4.2. Approches d’apprentissage automatique pour l’auscultation et l’olfaction

4.3. Approches d’apprentissage automatique pour la palpation

4.4. Approches d’apprentissage automatique pour les interrogatoires et les

4.5. Approches d’apprentissage automatique pour diverses applications

4. Du point de vue de l’apprentissage automatique, une variété d’algorithmes d’apprentissage sont

Vous aimerez peut-être aussi