一种基于深度神经网络的中医药材推荐方法技术

本发明专利技术公开了一种基于深度神经网络的中医药材推荐方法，包括：计算机采集人体舌苔图片的特征向量和相应的中医药材的数字代号作为数据集的输入；对舌苔图片的特征向量进行降维处理；对中医药材的数字代号进行嵌入式表征处理；根据输入的舌苔特征向量和相应的中医药材特征向量，采用推荐算法学习舌苔和中医药材之间的关系；根据学习到的舌苔与中医药材的关系，采用中医药材推荐算法计算出舌苔图片与中医药材之间的关联度得分。本发明专利技术用于辅助中医快速准确地开具处方，减少中医开具处方中的重复性工作，且能够实现准确性高、速度快、性能稳定地依据舌苔进行相应的中医药材推荐。

Recommendation method of Chinese medicine based on deep neural network

The invention discloses a traditional Chinese Medicine recommendation method based on the deep neural network, which includes the computer collection of the feature vectors of the tongue coating picture and the digital code number of the corresponding traditional Chinese medicine as the input of the data set; the feature vector of the tongue coating image is reduced to the dimension, and the digital code number of the traditional Chinese medicine is embedded. According to the characteristic vectors of the tongue coating and the characteristic vector of traditional Chinese medicine, the relationship between the tongue coating and the traditional Chinese medicine is studied by the recommended algorithm, and the correlation between the tongue coating and the traditional Chinese medicine is used to calculate the correlation between the tongue coating and the traditional Chinese medicine. The invention is used to assist traditional Chinese medicine to quickly and accurately prescribe prescription, reduce repetitive work in prescribing prescriptions of traditional Chinese medicine, and realize high accuracy, fast speed and stable performance on the basis of the tongue fur to recommend the corresponding traditional Chinese medicine.

【技术实现步骤摘要】
一种基于深度神经网络的中医药材推荐方法
本专利技术涉及计算机在中医处方开具的应用
，特别涉及一种基于深度神经网络的中医药材推荐方法。
技术介绍
在中国，中医对于预防疾病和治疗疾病的研究已经有几千年的历史。其中，舌诊是中医望诊中独特而重要的内容，也是中医诊断的重要依据，是通过观察舌头的形态和舌苔的颜色来辅助治疗疾病的一种重要方法。处方，也称为药方，是传统中医文化的智慧结晶和组成部分，是为治疗某种疾病而组合起来的若干种药物的名称、剂量和用法。推荐系统主要是把用户模型中兴趣需求信息和项目对象模型中的特征信息匹配，同时使用相应的推荐算法进行计算筛选，找到用户可能感兴趣的推荐项目，将项目推荐给用户。本专利技术中，舌苔是推荐系统中的用户，中医药材则是项目，即根据不同的舌苔特征信息推荐相应的中医药材。推荐系统作为一种智能个性化信息服务系统，能够通过一定的智能推荐策略实现有针对性的个性化信息定制，虽然仍面临类似冷启动、数据稀疏行等难题，但推荐算法的研究仍是人工智能行业的研究热点。ArmstrongR等[1]提出了基于内容过滤的推荐算法；LindenG等[2]提出了基于项目的协同过滤算法。随着深度学习快速成为业界热点，越来越多的深度学习应用在推荐领域。Salakhutdinov等[3]提出了限制波尔兹曼机(RestrictedBoltzmannMachine，RBM)模型，实现了给用户推荐了可能感兴趣的项目。WangH等[4]提出了利用栈式去噪自编码期从项目中提取特征，并用在协同过滤模型，从而提高了推荐性能。深度学习可以通过分层的模型结构，对原始的输入数据进行从底层到高层的数据特征提取，从而建立起底层数据到高层语义之间的映射关系。使用深度神经网络，可以构建具有多层隐藏层的神经网络模型和海量的训练数据，从而能够学习到更有用的特征表示，从而提高推荐结果的准确性。在之前的研究成果中，国内有一些以开具处方、药材推荐为主题的系统和方法。其中，王本钰[5]提出了一种基于体检数据，运动风险评估以及体适能测试结果自动化生成运动处方的方法；张贯京等[6]专利技术了一种使得医生能高效开出处方，提高医生的诊断效率，病人的就医效率和医院的医疗服务质量的系统；袁伟伟等[7]专利技术了一种对特定人群的个性化药物推荐方法，属于药物经济学中药物评价
上述的各种系统方法中，1)这些系统方法更多是应用于西医处方生成、西药药材推荐，而不是用于中医；2)这些处方生成、药材推荐方法需要依据体检的各种各样指标数据，在数据获取上，过程比较繁杂，等待的时间长。[1]WebWatcher:ALearningApprenticefortheWorldWideWeb[J].InWorkingNotesoftheAaaiSpringSymposiumSeriesonInformationGatheringfromDistributed,1995,30(6):6-12.[2]Amazon.comrecommendations:item-to-itemcollaborativefiltering[J].IEEEInternetComputing,2003,7(1):76-80.[3]RestrictedBoltzmannmachinesforcollaborativefiltering[C].InternationalConferenceonMachineLearning.ACM,2007:791-798.[4]CollaborativeDeepLearningforRecommenderSystems[J].2014:1235-1244.[5]自动化生成运动处方的方法.中国专利.2016[6]辅助医生开处方的系统和方法.中国专利.2016[7]一种基于概率的个性化药物推荐方法.中国专利.2016
技术实现思路
本专利技术的目的在于克服现有技术的缺点与不足，提供一种基于深度神经网络的中医药材推荐方法，利用深度神经网络学习舌苔与中医药材之间的关系，充分利用中医舌诊的重要性，从而能够实现准确性高、速度快、性能稳定地依据舌苔进行相应的中医药材推荐。本专利技术的目的通过以下的技术方案实现：一种基于深度神经网络的中医药材推荐方法，包括如下步骤：S1、计算机采集人体舌苔图片的特征向量和相应的中医药材数字代号作为数据集的输入；S2、对舌苔图片的特征向量进行维度处理；S3、对中医药材的数字代号进行嵌入式表征处理；S4、学习舌苔图片和中医药材之间的关系；S5、根据舌苔图片和中医药材之间的关系，采用中医药材推荐算法计算出舌苔图片与中医药材之间的关联度得分，并选取关联度得分最高的作为推荐的中医药材。优选的，所述步骤S2中，采用主成分分析算法对舌苔图片的特征向量进行降维处理。优选的，所述步骤S4具体为：S41、采用向量元素叠加的方法，将步骤S2的舌苔特征向量vectoru和步骤S3的中医药材特征向量vectori合并为一个新的向量vectoroutput，形式如下公式：vectoroutput＝[vectoru,vectori]；S42、将步骤S41的输出向量vectoroutput作为神经网络的输入向量，采用神经网络算法学习舌苔与中医药材之间的关系。进一步的，步骤S42中神经网络算法包括协同过滤算法和基于内容的过滤算法。具体的，步骤S3中，嵌入式表征处理是指将输入转换成特定维度的输出向量。具体的，一种基于深度神经网络的中医药材推荐方法，包括训练阶段和测试阶段，其中训练阶段步骤包括：[1]将原始输入的舌苔图片特征向量降维，记为vectoru，将中医药材数字代号进行嵌入式表征处理得到中医药材特征向量，记为vectori；[2]将特征向量vectoru和vectori合并成一个新的向量，记为vectorui；[3]将特征向量vectorui输入神经网络第一层，记为vectorout1；[4]将vectorout1输入神经网络第二层，记为vectorout2；[5]将vectorout2输入神经网络第三层，记为vectorout3；[6]将vectorout3输入神经网络输出层，记为vectorout4；[7]将vectorout4输入sigmoid函数中计算得到该神经网络的最后输出，即为舌苔图片和中医药材的关联度得分yp；[8]将预测的关联度得分值yp与目标得分值y比较，计算其损失函数以及梯度G；[9]重复上述[1]到[8]的过程，直到经过足够多的迭代或者损失函数的值不再明显变小；测试阶段步骤包括：[1]将原始的舌苔图片特征向量降维，记为vectoru，将中医药材数字代号进行嵌入式表征处理得到中医药材特征向量，记为vectori；[2]将特征向量vectoru和vectori合并成一个新的向量，记为vectorui；[3]载入训练后的深度神经网络模型；[4]将vectorui输入到该深度神经网络模型中，分别经过神经网络第一层、第二层、第三层、输出层，得到输出结果向量vectorout；[5]将vectorout输入sigmoid函数中计算得到该神经网络的最后输出，即为舌苔图片和中医药材的关联度得分yp；[6]重复[1]到[5]的过程，计算该舌苔图片与其它各种中医药材的关联度得分；[7]选取关联度得分高的药本文档来自技高网...

【技术保护点】
1.一种基于深度神经网络的中医药材推荐方法，其特征在于，包括如下步骤：S1、计算机采集人体舌苔图片的特征向量和相应的中医药材数字代号作为数据集的输入；S2、对舌苔图片的特征向量进行维度处理；S3、对中医药材的数字代号进行嵌入式表征处理；S4、学习舌苔图片和中医药材之间的关系；S5、根据舌苔图片和中医药材之间的关系，采用中医药材推荐算法计算出舌苔图片与中医药材之间的关联度得分，并选取关联度得分最高的作为推荐的中医药材。

【技术特征摘要】
1.一种基于深度神经网络的中医药材推荐方法，其特征在于，包括如下步骤：S1、计算机采集人体舌苔图片的特征向量和相应的中医药材数字代号作为数据集的输入；S2、对舌苔图片的特征向量进行维度处理；S3、对中医药材的数字代号进行嵌入式表征处理；S4、学习舌苔图片和中医药材之间的关系；S5、根据舌苔图片和中医药材之间的关系，采用中医药材推荐算法计算出舌苔图片与中医药材之间的关联度得分，并选取关联度得分最高的作为推荐的中医药材。2.根据权利要求1所述的基于深度神经网络的中医药材推荐方法，其特征在于，所述步骤S2中，采用主成分分析算法对舌苔图片的特征向量进行降维处理。3.根据权利要求1所述的基于深度神经网络的中医药材推荐方法，其特征在于，所述步骤S4具体为：S41、采用向量元素叠加的方法，将步骤S2的舌苔特征向量vectoru和步骤S3的中医药材特征向量vectori合并为一个新的向量vectoroutput，形式如下公式：vectoroutput＝[vectoru,vectori]；S42、将步骤S41的输出向量vectoroutput作为神经网络的输入向量，采用神经网络算法学习舌苔与中医药材之间的关系。4.根据权利要求3所述的基于深度神经网络的中医药材推荐方法，其特征在于，步骤S42中神经网络算法包括协同过滤算法和基于内容的过滤算法。5.根据权利要求1所述的基于深度神经网络的中医药材推荐方法，其特征在于，步骤S3中，嵌入式表征处理是指将输入转换成特定维度的输出向量。6.根据权利要求1所述的基于深度神经网络的中医药材推荐方法，其特征在于，包括训练阶段和测试阶段，其中训练阶段步骤包括：[1]将原始输入的舌苔图片特征向量降维，记为vectoru，将中医药材数字代号进行嵌入式表征处理得到中医药材特征向量，记为vectori；[2]将特征向量vectoru和vectori合并成一个新的向量，记为vectorui；[3]将特...

【专利技术属性】
技术研发人员：文贵华，王科文，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：广东,44