一种基于多标签学习的藏医诊断辅助装置制造方法及图纸

本发明专利技术属于民族医药辅助决策领域，具体提供一种基于多标签学习的藏医诊断辅助装置，用于解决传统藏医立法过程中存在的一些问题：即诊断结果的不准确性、差异性、缺乏客观性解释，本发明专利技术能够为藏医医师诊疗过程提供辅助决策支持，其具有以下优点：1)特征视图的构建：通过训练过程的不断迭代来动态更新特征视图；2)标签传递：在3个分类器之间两两传递最可靠样本，优化分类器，提高分类准确度；3)最优分类结果选择：使用“向量拼接”和“权重分配”相结合的方法选择最优的预测结果。

A diagnosis assistant device of Tibetan medicine based on multi label learning

【技术实现步骤摘要】
一种基于多标签学习的藏医诊断辅助装置
本专利技术属于民族医药辅助决策领域，具体为一种基于多标签学习的藏医诊断辅助装置。
技术介绍
藏医是祖国医学宝库的重要组成部分，已有三千多年的悠久历史，为藏民族和整个中华民族的繁衍昌盛做出过巨大贡献；藏医药学科学研究和传承工作得到重视。在藏医临床试验中，医师主要根据以下3个步骤对患者进行诊断治疗：1)辨证：医师根据病因病机确定患者证型，2)立法：根据患者证候确定治疗方法，3)组方：根据证型和治法进行开方；其中，治法是临床遣方用药的基础，法随证立，方随法出，立法结果直接影响着临床疗效。近年来，很多研究者使用关联规则、聚类分析、主题模型等方法从大量临床案例中挖掘有效的藏医诊疗规律，但是这些方法都主要集中于辨证和组方规律分析。而对于藏医立法规律的研究，仍然处于传统的人工方法阶段，即医师根据长期积累的自身经验来进行治法预测。使用传统人工方法进行藏医治法预测时，主要依赖医师的个人经验，导致诊断结果的准确率降低，而且不同医师可能得到不同治法，根据医师的个人经验所得的诊断结果缺乏客观性解释。
技术实现思路
本专利技术的目的在于针对传统藏医立法过程中存在的一些问题，即诊断结果的不准确性、差异性、缺乏客观性解释，提供一种基于多标签学习的藏医诊断辅助装置，为藏医医师诊疗过程提供辅助决策支持。为实现上述目的，本专利技术采用的技术方案为：一种基于多标签学习的藏医诊断辅助装置，所述装置包括用于输入症状、证机概要、证候的输入装置，以及用于接收所述输入症状、证机概要、证候的分类器，所述分类器由如下过程训练得到：步骤1：构建数据集，包括：M份具有治法标签的慢性肾病案例、简称标记案例集，N份无治法标签的慢性肾病案例、简称无标记案例集；步骤2：基于特征视图训练初始分类器步骤2.1：初始化特征视图：从标记案例集中随机抽取1份案例，并将其相应的症状、证机概要、证候分别作为3个初始化特征视图；步骤2.2：初始分类器训练：基于标记案例集，使用ML-KNN方法在3个特征视图上训练基于症状特征的分类器、基于证机概要特征的分类器、基于证候特征的分类器，依次标号为分类器1、2、3；并且在每次训练过程完成后更新相应的3个特征视图；重复训练，直到训练完所有标记案例为止；步骤3：优化分类器步骤3.1：分类结果预测：使用训练所得的3个分类器对无标记案例集进行分类预测，得到预测结果其中，v表示分类器编号，表示分类器v预测案例j的概率向量，表示在分类器为v的条件下案例j的标签为t的概率，t＝1,2,...,K，K为治法(标签)总数；步骤3.2：更新预测结果：其中，表示更新后在分类器为v的条件下案例j的标签为t的概率，表示更新后分类器v预测案例j的概率向量；表示案例j与标签t不相关的概率：表示案例j与标签t相关的概率：C(ta,tb)表示标签ta与标签tb的相关性：C(ta,tb)≠C(tb,ta)其中，表示标记案例集中同时包含标签ta和tb的案例数，表示标记案例集中仅包含标签tb的案例数；步骤3.3：计算预测案例j的全局可靠度：其中，Hv(j,t)表示案例j在标签t上的可靠度：步骤3.4：根据全局可靠度进行降序排列，选择前n份案例作为可靠案例集Bv，并在3个分类器之间传递可靠案例集、且将其于对应的无标记案例集中去除，同时将其添加到有标记案例集中，从而形成新标记案例集，并使用ML-KNN方法在新标记案例集上再次训练各分类器；步骤3.5：重复步骤3.1～3.4，直至无标记案例集为空；得到最终训练的3个分类器；步骤4：输出最优分类结果：其中，α、β、γ分别为分类器1、2、3的预设权重，且α+β+γ＝1。本专利技术的有益效果在于：本专利技术提供一种基于多标签学习的藏医诊断辅助装置，为藏医医师诊疗过程提供辅助决策支持；具有以下优点：1)特征视图的构建：通过训练过程的不断迭代来动态更新特征视图；2)标签传递：在3个分类器之间两两传递最可靠样本，优化分类器，提高分类准确度；3)最优分类结果选择：使用“向量拼接”和“权重分配”相结合的方法选择最优的预测结果。附图说明图1为本专利技术实施例中分类器的训练过程示意图。图2为本专利技术实施例中分类器的模型结构图。具体实施方式下面结合附图和实施例对本专利技术做进一步详细说明。为了便于理解本专利技术，首先对本专利技术涉及的基本定义进行说明：症状：是指疾病的症状，疾病的临床表现，如出汗、头晕、耳鸣、发热等，是判断疾病的原始依据；证候：是综合分析各种症状，对疾病发生、发展过程中在某一阶段的病因、病位、病性等方面的病理概括；证机概要：是指对病因病机的概括总结，病因指导致一种疾病发生的原因，病机指疾病发生、发展、变化及其结局的机理；治法：指治疗疾病的基本方法，如温胃散寒。本实施例以慢性肾病医案为数据进行藏医治法推荐研究，医案数据主要由症状、证机概要、证候、治法等四部分构成；在慢性肾病医案数据集中，大多数医案至少包含2种治法。因此，把藏医治法预测作为一种多标签分类问题进行处理，即以治法为标签，以症状、证机概要、证候为3种不同的属性特征进行分类预测。本实施例提供一种基于多标签学习的藏医诊断辅助装置，所述装置包括用于输入症状、证机概要、证候的输入装置，以及用于接收所述输入症状、证机概要、证候的分类器，所述分类器的训练过程如图1所示，具体包括以下步骤：步骤1：构建数据集，包括：M份具有治法标签的慢性肾病案例、简称标记案例集，N份无治法标签的慢性肾病案例、简称无标记案例集；步骤2：基于特征视图训练初始分类器步骤2.1：初始化特征视图：从标记案例集中随机抽取1份案例，并将其相应的症状、证机概要、证候分别作为3个初始化特征视图；其中，每个特征视图均为多个特征向量形成的矩阵表示；步骤2.2：初始分类器训练：基于标记案例集，使用ML-KNN方法在3个特征视图上训练3个不同的分类器，即基于症状特征的分类器、基于证机概要特征的分类器、基于证候特征的分类器，依次标号为分类器1、2、3；并且在每次训练过程完成后更新相应的3个特征视图，即把当前案例的症状、证机概要、证候三种特征依次加入到相应的特征视图中，直到训练完所有标记案例为止；本实施例中，为了保证特征不重复出现，在加入这些特征的过程中使用完全词匹配法判断当前特征视图中是否出现相同特征；步骤3：优化分类器步骤3.1：分类结果预测：使用训练所得的3个分类器对无标记案例集进行分类预测，如下所示：其中，v表示分类器编号，表示使用分类器v预测案例j的标签，表示在分类器为v的条件下案例j的标签为t的概率，t＝1,2,...,K，K为治法(标签)总数；步骤3.2：更新预测结果：在本文档来自技高网...

【技术保护点】
1.一种基于多标签学习的藏医诊断辅助装置，所述装置包括用于输入症状、证机概要、证候的输入装置，以及用于接收所述输入症状、证机概要、证候的分类器，所述分类器由如下过程训练得到：/n步骤1：构建数据集，包括：M份具有治法标签的慢性肾病案例、简称标记案例集，N份无治法标签的慢性肾病案例、简称无标记案例集；/n步骤2：基于特征视图训练初始分类器/n步骤2.1：初始化特征视图：从标记案例集中随机抽取1份案例，并将其相应的症状、证机概要、证候分别作为3个初始化特征视图；/n步骤2.2：初始分类器训练：基于标记案例集，使用ML-KNN方法在3个特征视图上训练基于症状特征的分类器、基于证机概要特征的分类器、基于证候特征的分类器，依次标号为分类器1、2、3；并且在每次训练过程完成后更新相应的3个特征视图；重复训练，直到训练完所有标记案例为止；/n步骤3：优化分类器/n步骤3.1：分类结果预测：使用训练所得的3个分类器对无标记案例集进行分类预测，得到预测结果

【技术特征摘要】
1.一种基于多标签学习的藏医诊断辅助装置，所述装置包括用于输入症状、证机概要、证候的输入装置，以及用于接收所述输入症状、证机概要、证候的分类器，所述分类器由如下过程训练得到：
步骤1：构建数据集，包括：M份具有治法标签的慢性肾病案例、简称标记案例集，N份无治法标签的慢性肾病案例、简称无标记案例集；
步骤2：基于特征视图训练初始分类器
步骤2.1：初始化特征视图：从标记案例集中随机抽取1份案例，并将其相应的症状、证机概要、证候分别作为3个初始化特征视图；
步骤2.2：初始分类器训练：基于标记案例集，使用ML-KNN方法在3个特征视图上训练基于症状特征的分类器、基于证机概要特征的分类器、基于证候特征的分类器，依次标号为分类器1、2、3；并且在每次训练过程完成后更新相应的3个特征视图；重复训练，直到训练完所有标记案例为止；
步骤3：优化分类器
步骤3.1：分类结果预测：使用训练所得的3个分类器对无标记案例集进行分类预测，得到预测结果



其中，v表示分类器编号，表示分类器v预测案例j的概率向量，表示在分类器为v的条件下案例j的标签为t的概率，t＝1,2,...,K，K为治法(标签)总数；
步骤3.2：更新预测结果：



<...

【专利技术属性】
技术研发人员：李巧勤，巩小强，刘勇国，杨尚明，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51