采用SPSS Modeler的Web复杂网络对所有腧穴进行分析

简介: 采用SPSS Modeler的Web复杂网络对所有腧穴进行分析

背景:

本次腧穴配伍关联规则分析,以针灸治疗FC的113例处方中使用频次在5次及以上的25种腧穴为关联对象。将前项最小支持度设为12%,规则的最小置信度设为85%,得出最常用的腧穴配伍,按照置信度的高低排列。

采用 SPSS 的 Web 复杂网络对所有腧穴进 行分析,设置阈值为绝对、强链接较粗,可显示的最大 链接数为 80,弱链接上限为 15,强链接下限为 35,链 接大小显示强/正常类别。生成 处方取穴整体 网络图,尺度大小 20 ~ 76,通过粗线、细线和虚线表示 药物之间链接的强弱程度。


关联关系整体

将阈值改为总体百分比、 强链接较粗,生成图 处方取穴核心网络图,尺度大小 为 1. 0 ~ 1. 2,多少穴位按照这个设置的,就是按照 设置阈值为绝对,强链接较粗,可显示的最大连接数为100,弱链接上限为10,强链接下限为35,链接大小显示强/正常/弱类别,然后生成图,尺度大小 。

设置阈值为绝对,强链接较粗,可显示的最大连接数为100,弱链接上限为10,强链接下限为35,链接大小显示强/正常/弱类别,然后生成图一,尺度大小 下。然后把阈值改为总体百分比,强链接较粗,生成图二的取穴核心网络图,尺度大小1.0-1.2 这个来设置的。


核心处方网络


两个穴位的配对强关联规则结果


Consequent

Antecedent

Support %

Confidence %

天枢 = 1.0

腹结 = 1.0

25.22522523

100

天枢 = 1.0

合谷 = 1.0

12.61261261

100

天枢 = 1.0

脾俞 = 1.0

18.01801802

100

天枢 = 1.0

关元 = 1.0

27.92792793

100

天枢 = 1.0

气海 = 1.0

30.63063063

100

天枢 = 1.0

大肠俞 = 1.0

41.44144144

97.82608696

天枢 = 1.0

中脘 = 1.0

32.43243243

97.22222222

天枢 = 1.0

支沟 = 1.0

32.43243243

97.22222222

天枢 = 1.0

三阴交 = 1.0

23.42342342

96.15384615

天枢 = 1.0

足三里 = 1.0

45.94594595

96.07843137

足三里 = 1.0

合谷 = 1.0

12.61261261

92.85714286

天枢 = 1.0

上巨虚 = 1.0

69.36936937

92.20779221

足三里 = 1.0

脾俞 = 1.0

18.01801802

90

上巨虚 = 1.0

曲池 = 1.0

16.21621622

88.88888889

气海 = 1.0

脾俞 = 1.0

18.01801802

85

多个穴位的配对 强关联规则结果

Consequent

Antecedent

Support %

Confidence %

Lift

天枢 = 1.0

腹结 = 1.0

25.22522523

100

1.099009901

天枢 = 1.0

脾俞 = 1.0

18.01801802

100

1.099009901

天枢 = 1.0

关元 = 1.0

27.92792793

100

1.099009901

天枢 = 1.0

气海 = 1.0

30.63063063

100

1.099009901

天枢 = 1.0

腹结 = 1.0 and 上巨虚 = 1.0

20.72072072

100

1.099009901

天枢 = 1.0

脾俞 = 1.0 and 气海 = 1.0

15.31531532

100

1.099009901

天枢 = 1.0

脾俞 = 1.0 and 足三里 = 1.0

16.21621622

100

1.099009901

天枢 = 1.0

三阴交 = 1.0 and 大肠俞 = 1.0

15.31531532

100

1.099009901

天枢 = 1.0

三阴交 = 1.0 and 足三里 = 1.0

19.81981982

100

1.099009901

天枢 = 1.0

三阴交 = 1.0 and 上巨虚 = 1.0

18.01801802

100

1.099009901

相关文章
|
2月前
|
机器学习/深度学习 大数据 关系型数据库
基于python大数据的青少年网络使用情况分析及预测系统
本研究基于Python大数据技术,构建青少年网络行为分析系统,旨在破解现有防沉迷模式下用户画像模糊、预警滞后等难题。通过整合多平台亿级数据,运用机器学习实现精准行为预测与实时干预,推动数字治理向“数据驱动”转型,为家庭、学校及政府提供科学决策支持,助力青少年健康上网。
|
2月前
|
数据采集 监控 网络安全
VMware Cloud Foundation Operations for Networks 9.0.1.0 发布 - 云网络监控与分析
VMware Cloud Foundation Operations for Networks 9.0.1.0 发布 - 云网络监控与分析
370 3
VMware Cloud Foundation Operations for Networks 9.0.1.0 发布 - 云网络监控与分析
|
4月前
|
数据采集 存储 数据可视化
Python网络爬虫在环境保护中的应用:污染源监测数据抓取与分析
在环保领域,数据是决策基础,但分散在多个平台,获取困难。Python网络爬虫技术灵活高效,可自动化抓取空气质量、水质、污染源等数据,实现多平台整合、实时更新、结构化存储与异常预警。本文详解爬虫实战应用,涵盖技术选型、代码实现、反爬策略与数据分析,助力环保数据高效利用。
258 0
|
7月前
|
监控 安全 Linux
Arista CloudVision 2025.1 - 多云和数据中心网络自动化、监控和分析
Arista CloudVision 2025.1 - 多云和数据中心网络自动化、监控和分析
319 2
Arista CloudVision 2025.1 - 多云和数据中心网络自动化、监控和分析
|
8月前
|
运维 监控 安全
如何高效进行网络质量劣化分析与流量回溯分析?-AnaTraf
在数字化时代,网络质量分析与流量回溯对保障业务运行至关重要。网络拥塞、丢包等问题可能导致业务中断、安全隐患及成本上升。传统工具常缺乏细粒度数据,难以溯源问题。流量回溯分析可还原现场,助力精准排障。AnaTraf网络流量分析仪作为专业工具,能高效定位问题,提升团队响应力,降低运营风险。
如何高效进行网络质量劣化分析与流量回溯分析?-AnaTraf
|
机器学习/深度学习 运维 自然语言处理
VMware Cloud Foundation Operations for Networks 9.0 发布 - 云网络监控与分析
VMware Cloud Foundation Operations for Networks 9.0 发布 - 云网络监控与分析
93 0
|
8月前
|
大数据
“你朋友圈的真面目,大数据都知道!”——用社交网络分析看透人情世故
“你朋友圈的真面目,大数据都知道!”——用社交网络分析看透人情世故
276 16
|
2月前
|
算法 Java Go
【GoGin】(1)上手Go Gin 基于Go语言开发的Web框架,本文介绍了各种路由的配置信息;包含各场景下请求参数的基本传入接收
gin 框架中采用的路优酷是基于httprouter做的是一个高性能的 HTTP 请求路由器,适用于 Go 语言。它的设计目标是提供高效的路由匹配和低内存占用,特别适合需要高性能和简单路由的应用场景。
228 4
|
6月前
|
缓存 JavaScript 前端开发
鸿蒙5开发宝藏案例分享---Web开发优化案例分享
本文深入解读鸿蒙官方文档中的 `ArkWeb` 性能优化技巧,从预启动进程到预渲染,涵盖预下载、预连接、预取POST等八大优化策略。通过代码示例详解如何提升Web页面加载速度,助你打造流畅的HarmonyOS应用体验。内容实用,按需选用,让H5页面快到飞起!
|
6月前
|
JavaScript 前端开发 API
鸿蒙5开发宝藏案例分享---Web加载时延优化解析
本文深入解析了鸿蒙开发中Web加载完成时延的优化技巧,结合官方案例与实际代码,助你提升性能。核心内容包括:使用DevEco Profiler和DevTools定位瓶颈、四大优化方向(资源合并、接口预取、图片懒加载、任务拆解)及高频手段总结。同时提供性能优化黄金准则,如首屏资源控制在300KB内、关键接口响应≤200ms等,帮助开发者实现丝般流畅体验。