CN112331332B 一种基于多粒度特征融合的疾病预测方法及系统 （广州安粤信息科技有限公司）

一种基于多粒度特征融合的疾病预测方法本发明实施例提供一种基于多粒度特征融得到的疾病预测模型，得到疾病类型的分类结特征，同时采用更大粒度的概念关系和属性-值2处理模块，用于将所述融合特征输入至训练得到的疾病预测模型，得到疾获取并行自适应卷积神经网络模型，将所述多种疾病的融合特将所述预处理后的文本映射到领域本体得到文本数据，通过最采用所述word2vec模型将包含不能够从所述领域本体中找到相匹配的概念自身特征结合所述词特征、位置特征以及否定词特征提取概wf(i=1,2),否定词特征记作{n1…nm}∈w,w表示词特征集合，概念之间的关系触发词可以通过公式表示为将所述概念特征进一步表示为包含数值类型的疾所述获取并行自适应卷积神经网络模型，将所述多种疾病的融合特根据所述概念关系特征和所述属性与值特征的不同将句子分割成不同部分提取所述将所述语义信息与所述概念特征和所述词特征进行融合训练所述并行自适应卷积神经网络模型，并在卷积层采用dropout操作，以及采用zeropadding保持所述句子的有效3将医疗文本数据根据待预测的目标类别进行人工标注，再载入领域根据标点符号、数字和空格符号将所述待处理的文本切分为汉字字符串3.一种电子设备，包括存储器、处理器及获取并行自适应卷积神经网络模型，将所述多种疾病的融合特将所述预处理后的文本映射到领域本体得到文本数据，通过最采用所述word2vec模型将包含不能够从所述领域本体中找到相匹配的概念自身特征结合所述词特征、位置特征以及否定词特征提取概作wf"(i=1,2),否定词特征记作{n1…nm}∈w,w表示词特征集合，概念之间的关系触发词将所述概念特征进一步表示为包含数值类型的疾病与时间结果所述获取并行自适应卷积神经网络模型，将所述多种疾病的融合特4根据所述概念关系特征和所述属性与值特征的不同将句子分割成不同部分提取所述将所述语义信息与所述概念特征和所述词特征进行融合训练所述并行自适应卷积神经网络模型，并在卷积层采用dropout操作，以及采用zeropadding保持所述句子的有效获取并行自适应卷积神经网络模型，将所述多种疾病的融合特将所述预处理后的文本映射到领域本体得到文本数据，通过最采用所述word2vec模型将包含不能够从所述领域本体中找到相匹配的概念自身特征结合所述词特征、位置特征以及否定词特征提取概wf(i=1,2),否定词特征记作{n1…nm}∈w,w表示词特征集合，概念之间的关系触发词将所述概念特征进一步表示为包含数值类型的疾病与时间结果5所述获取并行自适应卷积神经网络模型，将所述多种疾病的融合特根据所述概念关系特征和所述属性与值特征的不同将句子分割成不同部分提取所述将所述语义信息与所述概念特征和所述词特征进行融合训练所述并行自适应卷积神经网络模型，并在卷积层采用dropout操作，以及采用zeropadding保持所述句子的有效6征选择的复杂监督，例如，SenthilkmarMohan等人在2019年发表的EffectiveHeartDiseasePredictionUsingHybridMachineLearningTechniques提出了一种线性混合疾病预测方法通常采用词或概念向量作为医疗文本的主要特征表达，例如，由GuangkaiLi,SongmaoZhang等人发表在SmartCom2018的AugmentingEmbeddingwithDomainKnowledgeforOralDiseaseDiagnosisPrediction文章从领域本体中学习症状与诊断考虑词或概念向量由于其特征粒度过小容易造成其对医疗文本中所包含的语义信息提取7[0020]采用所述word2vec模型将包含不能够从所述领域本体中找到相匹配的概念自身[0026]根据所述概念关系特征和所述属性与值特征的不同将句子分割成不同部分提取[0027]将所述语义信息与所述概念特征和所述词特征进行融合训练所述并行自适应卷8[0035]图1是本发明实施例提供的一种基于多粒度特征融合的疾病预测方法的流程示意[0037]图3是本发明实施例提供的一种基于多粒度特征融合的疾病预测系统的结构示意[0041]图1是本发明实施例提供的一种基于多粒度特征融合的疾病预测方法的流程示意9[0060]采用所述word2vec模型将包含不能够从所述领域本体中找到相匹配的概念自身从领域本体中找到与之相匹配的概念集{C1,…Cn}∈Y,并有对应的概念类型{C1type,…自身特征和概念类型特征相结合来提取概念特征，记作ei=ciBcitype,e=fe1…en},eiEe,其中ci为概念自身特征属于概念集{C1,…CN}，citype为概念ci的类型特征属于{C1type,…[0066]通过结合前述的词特征，位置特征以及否定词特征来提取概念之间的关系触发ci=cicitype,o=CODeotype,{w1…wm}是句子si中的词特征，每个词相对于概念特征间中的值只包含数值类型，检测-检查结果中的值包含数值类型与类别类型。对于数值类vm),对于检测-检查结果中的数值类型需要提取指标等级特征，如有概念C＝{C1,C2,…,词的类别类型结合类别特征和否定词特征，可以表示为gm=bmBnm;其中bm为类别特i作为并行自适应卷积神经网络的输入来训练的融合特征输入至所述并行自适应卷积神经网络模型进行训练，得到所述疾病预测[0087]根据所述概念关系特征和所述属性与值特征的不同将句子分割成不同部分提取[0088]将所述语义信息与所述概念特征和所述词特征进行融合训练所述并行自适应卷,…,wm},其中wj是句子si中第j个词向量，we",h是[0092]其中ke""为卷积核的矩阵，b为偏差，wi:i+h-[0094]并行自适应池化层：首先根据概念关系和属性-值特征的不同将句子分割成不同最后将卷积操作后的所有特征图拼接获得句子uy=max(cy),1sism,veg".将卷积操作后的所有特征图拼接获得句子si的描述的基于多粒度特征融合的疾病预测系统与上文描述的基于多粒度特征融合的疾病预[0109]图3是本发明实施例提供的一种基于多粒度特征融合的疾病预测系统的结构示意[0113]此外，上述的存储器430中的逻辑指令可以通过软件功能单元的形式实现并作为发明的技术方案本质上或者说对现有技术做出贡献的部分或