基于中西医融合数据的中医分型方法及相关装置制造方法及图纸

本申请公开了一种基于中西医融合数据的中医分型方法及相关装置。该中医分型方法包括：获取疾病诊断中的中西医融合数据；对所述中西医融合数据执行预设的归一化处理操作，得到中医症候元素和西医理化指标间的关联性特征数据；其中，所述关联性特征数据上标注有中医分型；通过所述关联性特征数据训练预设的BP

【技术实现步骤摘要】
基于中西医融合数据的中医分型方法及相关装置


[0001]本申请涉及中医分型领域，具体而言，涉及一种基于中西医融合数据的中医分型方法及相关装置。

技术介绍

[0002]专利技术人发现，中医分型采取和中医“望、闻、问、切”中的症候元素的关联关系建立关联库，然后基于关联库对待识别数据分型，并没有将中医和西医数据进行融合，更没有考虑同一患者可能发生多种中医症候，导致最终的中医分型结果精确性低。
[0003]针对相关技术中没有将中医和西医数据进行融合，更没有考虑同一患者可能发生多种中医症候，造成的最终的中医分型结果精确性低的问题，目前尚未提出有效的解决方案。

技术实现思路

[0004]本申请的主要目的在于提供一种基于中西医融合数据的中医分型方法及相关装置，以解决没有将中医和西医数据进行融合，更没有考虑同一患者可能发生多种中医症候，造成的最终的中医分型结果精确性低的问题。
[0005]为了实现上述目的，根据本申请的一个方面，提供了一种基于中西医融合数据的中医分型方法。
[0006]根据本申请的基于中西医融合数据的中医分型方法包括：获取疾病诊断中的中西医融合数据；对所述中西医融合数据执行预设的归一化处理操作，得到中医症候元素和西医理化指标间的关联性特征数据；其中，所述关联性特征数据上标注有中医分型；通过所述关联性特征数据训练预设的BP
‑
MLL的神经网络模型；将待识别的中西医融合数据输入训练后的BP
‑
MLL的神经网络模型，识别出第一中医分型。
[0007]进一步的，对所述中西医融合数据执行预设的归一化处理操作，得到中医症候元素和西医理化指标间的关联性特征数据之后还包括：
[0008]通过所述关联性特征数据训练预设的支持向量机模型；
[0009]将待识别的中西医融合数据输入训练后的支持向量机模型，识别出第二中医分型。
[0010]进一步的，通过所述关联性特征数据训练预设的支持向量机模型包括：
[0011]一对一在K类训练样本中构造所有可能的二分类SVM，测试样本经过所有的二分类SVM进行分类，然后对所有类别进行投票，得票最多的类别为测试样本所属的类别；
[0012]一对多有K个二分类SVM组成，第i(i＝1,2,
…
,K)个二分类SVM将i类训练样本的类别标记为+1，而将其余所有训练样本的类别标记为
‑
1，测试样本经过所有二分类SVM进行分类，然后根据预测得到的类别标号判断是否属于第i(i＝1,2,
…
,K)个类别。
[0013]进一步的，通过所述关联性特征数据训练预设的BP
‑
MLL的神经网络模型包括：
[0014]对于关联性特征数据的数据集，每个样本
[0015]其中，每个实例xi∈X为d维特征向量，是每个实例所对应的标签集合，维度小于等于Q；
[0016]xi做为神经网络输入层，通过三层神经网络得到输出 $ci，ci\in\mathbb{R}^{Q}，
‑
1\le ci\le1$；
[0017]通过定义的误差函数来捕获多标记学习的特征；
[0018]其中，误差函数为：对于单个实例的误差函数为：其中，衡量神经网络输出中属于xi(k∈Yi)的标签和输出与标签的差别。
[0019]为了实现上述目的，根据本申请的另一方面，提供了一种基于中西医融合数据的中医分型装置。
[0020]根据本申请的基于中西医融合数据的中医分型装置包括：数据获取模块，用于获取疾病诊断中的中西医融合数据；归一化处理模块，用于对所述中西医融合数据执行预设的归一化处理操作，得到中医症候元素和西医理化指标间的关联性特征数据；其中，所述关联性特征数据上标注有中医分型；第一训练模块，用于通过所述关联性特征数据训练预设的BP
‑
MLL的神经网络模型；第一中医分型模块，用于将待识别的中西医融合数据输入训练后的BP
‑
MLL的神经网络模型，识别出第一中医分型。
[0021]进一步的，还包括：
[0022]第二训练模块，用于通过所述关联性特征数据训练预设的支持向量机模型；
[0023]第二中医分型模块，用于将待识别的中西医融合数据输入训练后的支持向量机模型，识别出第二中医分型。
[0024]进一步的，通过所述关联性特征数据训练预设的支持向量机模型包括：
[0025]一对一在K类训练样本中构造所有可能的二分类SVM，测试样本经过所有的二分类SVM进行分类，然后对所有类别进行投票，得票最多的类别为测试样本所属的类别；
[0026]一对多有K个二分类SVM组成，第i(i＝1,2,
…
,K)个二分类SVM将i类训练样本的类别标记为+1，而将其余所有训练样本的类别标记为
‑
1，测试样本经过所有二分类SVM进行分类，然后根据预测得到的类别标号判断是否属于第i(i＝1,2,
…
,K)个类别。
[0027]进一步的，所述第一训练模块包括：
[0028]对于关联性特征数据的数据集，每个样本
[0029]其中，每个实例xi∈X为d维特征向量，是每个实例所对应的标签集合，维度小于等于Q；
[0030]xi做为神经网络输入层，通过三层神经网络得到输出 $ci，ci\in\mathbb{R}^{Q}，
‑
1\le ci\le1$；
[0031]通过定义的误差函数来捕获多标记学习的特征；
[0032]其中，误差函数为：对于单个实例的误差函数为：其中，衡量神经网络输出中属于xi(k∈Yi)的标签和输出与标签的差别。
[0033]为了实现上述目的，根据本申请的另一方面，提供了一种计算机可读存储介质。
[0034]根据本申请的计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行所述的基于中西医融合数据的中医分型方法。
[0035]为了实现上述目的，根据本申请的另一方面，提供了一种电子装置。
[0036]根据本申请的电子装置，包括：存储器和处理器，所述存储器中存储有计算机程序，其中，所述处理器被设置为运行所述计算机程序以执行所述的基于中西医融合数据的中医分型方法。
[0037]在本申请实施例中，采用基于中西医融合数据进行中医分型的方式，通过获取疾病诊断中的中西医融合数据；对所述中西医融合数据执行预设的归一化处理操作，得到中医症候元素和西医理化指标间的关联性特征数据；其中，所述关联性特征数据上标注有中医分型；通过所述关联性特征数据训练预设的BP
‑
MLL的神经网络模型；将待识别的中西医融合数据输入训练后的BP
‑
MLL的神经网络模型，识别出第一中医分型；达到了融合中西医数据，且充分考虑了同一患者可能发生多种中医症候的目的，从而实现了有效提升中医分型结果精确本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于中西医融合数据的中医分型方法，其特征在于，包括：获取疾病诊断中的中西医融合数据；对所述中西医融合数据执行预设的归一化处理操作，得到中医症候元素和西医理化指标间的关联性特征数据；其中，所述关联性特征数据上标注有中医分型；通过所述关联性特征数据训练预设的BP
‑
MLL的神经网络模型；将待识别的中西医融合数据输入训练后的BP
‑
MLL的神经网络模型，识别出第一中医分型。2.根据权利要求1所述的中医分型方法，其特征在于，对所述中西医融合数据执行预设的归一化处理操作，得到中医症候元素和西医理化指标间的关联性特征数据之后还包括：通过所述关联性特征数据训练预设的支持向量机模型；将待识别的中西医融合数据输入训练后的支持向量机模型，识别出第二中医分型。3.根据权利要求2所述的中医分型方法，其特征在于，通过所述关联性特征数据训练预设的支持向量机模型包括：一对一在K类训练样本中构造所有可能的二分类SVM，测试样本经过所有的二分类SVM进行分类，然后对所有类别进行投票，得票最多的类别为测试样本所属的类别；一对多有K个二分类SVM组成，第i(i＝1,2,
…
,K)个二分类SVM将i类训练样本的类别标记为+1，而将其余所有训练样本的类别标记为
‑
1，测试样本经过所有二分类SVM进行分类，然后根据预测得到的类别标号判断是否属于第i(i＝1,2,
…
,K)个类别。4.根据权利要求1所述的中医分型方法，其特征在于，通过所述关联性特征数据训练预设的BP
‑
MLL的神经网络模型包括：对于关联性特征数据的数据集，每个样本{(x1，Y1)，(x2，Y2)，...，(x
m
，Y
m
)}；其中，每个实例xi∈X为d维特征向量，是每个实例所对应的标签集合，维度小于等于Q；xi做为神经网络输入层，通过三层神经网络得到输出$c^i，c^i\in\mathbb{R}^{Q}，
‑
1\le c^i\le1$；通过定义的误差函数来捕获多标记学习的特征；其中，误差函数为：对于单个实例的误差函数为：其中，衡量神经网络输出中属于xi(k∈Yi)的标签和输出与标签的差别。5.一种基于中西医融合数...

【专利技术属性】
技术研发人员：杜登斌，王云晓，张永卫，
申请(专利权)人：吾征智能技术北京有限公司，
类型：发明
国别省市：