[發明專利]基于多變量決策樹模型的疼痛疾病判別與分類方法和裝置

在審

• 申請號: 202211442891.7
• 申請日: 2022-11-17
• 公開（公告）號: CN115732078A
• 公開（公告）日: 2023-03-03
• 發明（設計）人: 張翔;王云曉;張寶杰
• 申請（專利權）人: 吾征智能技術（北京）有限公司
• 主分類號: G16H50/20
• 分類號: G16H50/20;G06F18/2431;G06F18/22
• 代理公司: 北京知果之信知識產權代理有限公司 11541
• 代理人: 蘇利

1.一種基于多變量決策樹模型的疼痛疾病判別與分類方法，其特征在于，包括：

獲取樣本數據集，采集所述樣本數據集中疼痛疾病的關聯特征信息；

對所述關聯特征信息進行歸一化處理，得到所述關聯特征信息的特征信息集合，建立所述特征信息集合關聯的疾病知識庫；

將所述疾病知識庫對應的語義特征信息輸入多變量決策樹模型進行預訓練得到所述關聯特征信息的語義特征信息子集，通過所述語義特征信息子集訓練多變量決策樹模型得到疼痛疾病判別分類模型；

接收患者輸入的疼痛的癥狀信息和特征信息，基于所述疼痛疾病判別分類模型進行相似度計算，得到患者的疼痛疾病判別分類結果并輸出。

2.根據權利要求1所述的基于多變量決策樹模型的疼痛疾病判別與分類方法，其特征在于，所述關聯特征信息包括以下至少一種：疼痛疾病的名稱、發病原因、發生部位、典型癥狀、伴隨癥狀、并發癥狀、疼痛的程度、疼痛的加重或緩解因素以及出現的時間、持續時間。

3.根據權利要求1所述的基于多變量決策樹模型的疼痛疾病判別與分類方法，其特征在于，所述對所述關聯特征信息進行歸一化處理，得到所述關聯特征信息的特征信息集合包括：基于詞頻-逆文檔頻率算法對所述關聯特征信息進行歸一化處理，提取所述關聯特征信息的關鍵特征詞，得到所述關聯特征信息的特征信息集合。

4.根據權利要求3所述的基于多變量決策樹模型的疼痛疾病判別與分類方法，其特征在于，所述基于詞頻-逆文檔頻率算法對所述關聯特征信息進行歸一化處理，提取所述關聯特征信息的關鍵特征詞包括：通過詞頻-逆文檔頻率算法計算出所述文本信息和數據樣本中每個詞的TF-IDF值，基于所述TF-IDF值將每個詞按降序排列，提取排在最前面的N個詞作為所述關鍵特征詞，N為正整數。

5.根據權利要求3所述的基于多變量決策樹模型的疼痛疾病判別與分類方法，其特征在于，在將所述疾病知識庫對應的語義特征信息輸入多變量決策樹模型進行預訓練得到所述關聯特征信息的語義特征信息子集之前，還包括：將所述疾病知識庫通過貝葉斯網絡技術轉化為對應的語義特征信息。

6.一種基于多變量決策樹模型的疼痛疾病判別與分類裝置，其特征在于，包括：

特征采集模塊，用于獲取樣本數據集，采集所述樣本數據集中疼痛疾病的關聯特征信息；

特征提取模塊，用于對所述關聯特征信息進行歸一化處理，得到所述關聯特征信息的特征信息集合，建立所述特征信息集合關聯的疾病知識庫；

模型構建模塊，用于將所述疾病知識庫對應的語義特征信息輸入多變量決策樹模型進行預訓練得到所述關聯特征信息的語義特征信息子集，通過所述語義特征信息子集訓練多變量決策樹模型得到疼痛疾病判別分類模型；

認知識別模塊，用于接收患者輸入的疼痛的癥狀信息和特征信息，基于所述疼痛疾病判別分類模型進行相似度計算，得到患者的疼痛疾病判別與分類結果并輸出。

7.根據權利要求6所述的基于多變量決策樹模型的疼痛疾病判別與分類裝置，其特征在于，所述對所述關聯特征信息進行歸一化處理，得到所述關聯特征信息的特征信息集合包括：基于詞頻-逆文檔頻率算法對所述關聯特征信息進行歸一化處理，提取所述關聯特征信息的關鍵特征詞，得到所述關聯特征信息的特征信息集合。

8.根據權利要求7所述的基于多變量決策樹模型的疼痛疾病判別與分類裝置，其特征在于，所述基于詞頻-逆文檔頻率算法對所述關聯特征信息進行歸一化處理，提取所述關聯特征信息的關鍵特征詞包括：通過詞頻-逆文檔頻率算法計算出所述文本信息和數據樣本中每個詞的TF-IDF值，基于所述TF-IDF值將每個詞按降序排列，提取排在最前面的N個詞作為所述關鍵特征詞，N為正整數。

9.一種電子設備，其特征在于，包括存儲器和處理器，所述存儲器中存儲有計算機程序，所述計算機程序被所述處理器執行時，使得所述處理器執行權利要求1至5中任一項所述的基于多變量決策樹模型的疼痛疾病判別與分類方法的步驟。

10.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質上存儲有計算機程序，所述計算機程序被處理器執行時，使得所述處理器執行權利要求1至5中任一項所述的基于多變量決策樹模型的疼痛疾病判別與分類方法的步驟。