[發明專利]基于深度學習和注意力機制的中醫證候診斷方法及裝置

在審

• 申請號: 202010675770.1
• 申請日: 2020-07-14
• 公開（公告）號: CN111834012A
• 公開（公告）日: 2020-10-27
• 發明（設計）人: 趙玉鳳;龐華鑫;韋世奎;張進
• 申請（專利權）人: 中國中醫科學院中醫藥信息研究所
• 主分類號: G16H50/70
• 分類號: G16H50/70;G16H10/60;G16H20/90;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京天奇智新知識產權代理有限公司 11340
• 代理人: 李振文

1.基于深度學習和注意力機制的中醫證候診斷方法，其特征在于，包括：

獲取待診斷患者帶有癥狀的病歷數據；

將所述病歷數據轉換為向量數據；

將所述向量數據，輸入訓練完成的中醫證候診斷模型，輸出診斷結果；所述中醫證候診斷模型包括使用矩陣映射層、激活函數tanh和softmax構建的注意力機制模塊、以及使用多層感知器和激活函數sigmoid構建的預測深度神經網絡。

2.如權利要求1所述的方法，其特征在于，所述訓練完成的中醫證候診斷模型通過下述方式訓練得到：

采集不同疾病專科的帶有癥狀和證候診斷結果的病歷樣本，轉換為樣本向量，根據預設比例分為作為訓練樣本和測試樣本；

使用矩陣映射層、激活函數tanh和softmax構建注意力機制模塊；使用多層感知器和激活函數sigmoid構建預測深度神經網絡；將所述注意力機制模塊和預測深度神經網絡組合成中醫證候診斷模型；

通過所述訓練樣本對所述中醫證候診斷模型進行訓練；訓練完的所述中醫證候診斷模型對所述測試樣本檢測，當輸出診斷結果的準確率未到達預設閾值時，微調模型中的參數，直到診斷結果的準確率達到預設閾值時，得到所述訓練完成的中醫證候診斷模型。

3.如權利要求2所述的方法，其特征在于，采集不同疾病專科的帶有癥狀和證候診斷結果的病歷樣本，轉換為樣本向量；包括：

統計病歷樣本數據集中出現的所有的癥狀數目，將每個癥狀從0開始編號，并進行序列化排列，為1x N向量；

將所述病歷樣本數據集的癥狀群進行向量映射，向量維度為1x N，根據癥狀編號排列順序；其中，映射規則為：對于每個患者存在的癥狀，其對應位置的數值置為1，沒有癥狀對應位置的數值置為0；將病歷樣本數據集轉化為M個1x N的向量集；M為所述病歷樣本的數量。

4.如權利要求2所述的方法，其特征在于，使用矩陣映射層、激活函數tanh和softmax構建注意力機制模塊，包括：

隨機初始化一個權重矩陣A，根據公式1)，將權重矩陣A和所述樣本向量進行相乘，通過tanh函數進行約束和轉換，得到的向量結果記為E_ns；公式1)為：

E_ns＝tanh(A·P_n)

1)

1)式中，P_n為某個患者映射后的樣本向量；E_ns為原始癥狀重要程度參數，取值范圍[-1，1]；

通過softmax函數對E_ns進行轉化，轉化后的向量取值范圍[0，1]，轉化公式為2)；

2)式中，e_i為E_ns的具體數值；w_i為轉化后的癥狀重要程度參數向量；M為病歷樣本的數量。

5.如權利要求4所述的方法，其特征在于，對所述中醫證候診斷模型進行訓練，包括：

將w_i和p_n對應位置相乘，得到帶有重要程度信息的癥狀向量

采用兩個隱層的神經網絡的感知器，再結合softmax函數進行證候分類預測，每個隱層的神經單元的計算如下：

3)式中，σ為標準的softmax函數，w_ij為隱層網絡權重矩陣中的已優化的權重值，權重的初始化采用均值為0，標準差為sqrt(2/(input+output))正態分布中隨機數；b_ij為偏置參數；p_rj為輸入權重化癥狀值；

采用有監督學習方式進行訓練，采用公式4)計算訓練損失L；

4)式中，y和分別為樣本的標簽數值和模型預測數值；log函數的基底為10；對訓練集中的每個樣本求損失差值，得到訓練后的總損失L，再采用反向傳播算法將損失在模型內傳導，進而修正模型中的參數。