本申请公开了一种基于多变量决策树模型的疼痛疾病判别与分类方法和装置，通过获取样本数据集，采集样本数据集中疼痛疾病的关联特征信息；对关联特征信息进行归一化处理，得到关联特征信息的特征信息集合，建立特征信息集合关联的疾病知识库；将疾病知识库对应的语义特征信息输入多变量决策树模型进行预训练得到关联特征信息的语义特征信息子集，通过语义特征信息子集训练多变量决策树模型得到疼痛疾病判别分类模型；接收患者输入的疼痛的症状信息和特征信息，基于疼痛疾病判别分类模型进行相似度计算，得到患者的疼痛疾病判别与分类结果并输出。本申请解决相关技术中疼痛性疾病的诊断较难的技术问题，实现对疼痛疾病的智能判别与分类。判别与分类。判别与分类。
【技术实现步骤摘要】
基于多变量决策树模型的疼痛疾病判别与分类方法和装置
[0001]本申请属于计算机
，具体而言，涉及一种基于多变量决策树模型的疼痛疾病判别与分类方法、装置、电子设备及存储介质。
技术介绍
[0002]疼痛被称为人体第五大生命体征，是人类对于潜在或已存在损害的一种重要提示，但同时长期剧烈的疼痛也严重影响了人们生活质量。实际上绝大部分疾病都伴随着疼痛的症状。据统计，在门诊，有一半以上的患者有疼痛的主诉。疼痛性疾病的病因复杂，表现的症状各异，多数疼痛性疾病的诊断较为困难，且常被疼痛症状掩盖了原发疾病，以致误诊、漏诊延误病情。如是，轻者给患者增加痛苦和经济负担，重者可因失去诊疗时机而致残或丧生。
[0003]针对相关技术中疼痛性疾病的诊断较难的问题，目前尚未提出有效的解决方案。
技术实现思路
[0004]因此，本申请实施例在于提供一种基于多变量决策树模型的疼痛疾病判别与分类方法、装置、电子设备及存储介质，旨在解决上述现有技术存在的至少一个问题。
[0005]为实现上述目的，第一方面，本申请提供了一种基于多变量决策树模型的疼痛疾病判别与分类方法，包括：
[0006]获取样本数据集，采集所述样本数据集中疼痛疾病的关联特征信息；
[0007]对所述关联特征信息进行归一化处理，得到所述关联特征信息的特征信息集合，建立所述特征信息集合关联的疾病知识库；
[0008]将所述疾病知识库对应的语义特征信息输入多变量决策树模型进行预训练得到所述关联特征信息的语义特征信息子集，通过所述语义特征信息子集训练多变量决策树模型得到疼痛疾病判别分类模型；
[0009]接收患者输入的疼痛的症状信息和特征信息，基于所述疼痛疾病判别分类模型进行相似度计算，得到患者的疼痛疾病判别与分类结果并输出。
[0010]在一个实施例中，所述关联特征信息包括以下至少一种：疼痛疾病的名称、发病原因、发生部位、典型症状、伴随症状、并发症状、疼痛的程度、疼痛的加重或缓解因素以及出现的时间、持续时间。
[0011]在一个实施例中，所述对所述关联特征信息进行归一化处理，得到所述关联特征信息的特征信息集合包括：基于词频
‑
逆文档频率算法对所述关联特征信息进行归一化处理，提取所述关联特征信息的关键特征词，得到所述关联特征信息的特征信息集合。
[0012]在一个实施例中，所述基于词频
‑
逆文档频率算法对所述关联特征信息进行归一化处理，提取所述关联特征信息的关键特征词包括：通过词频
‑
逆文档频率算法计算出所述文本信息和数据样本中每个词的TF
‑
IDF值，基于所述TF
‑
IDF值将每个词按降序排列，提取排在最前面的N个词作为所述关键特征词，N为正整数。
[0013]在一个实施例中，在将所述疾病知识库对应的语义特征信息输入多变量决策树模型进行预训练得到所述关联特征信息的语义特征信息子集之前，还包括：将所述疾病知识库通过贝叶斯网络技术转化为对应的语义特征信息。
[0014]第二方面，本申请还提供了一种基于多变量决策树模型的疼痛疾病判别与分类装置，包括：
[0015]特征采集模块，用于获取样本数据集，采集所述样本数据集中疼痛疾病的关联特征信息；
[0016]特征提取模块，用于对所述关联特征信息进行归一化处理，得到所述关联特征信息的特征信息集合，建立所述特征信息集合关联的疾病知识库；
[0017]模型构建模块，用于将所述疾病知识库对应的语义特征信息输入多变量决策树模型进行预训练得到所述关联特征信息的语义特征信息子集，通过所述语义特征信息子集训练多变量决策树模型得到疼痛疾病判别分类模型；
[0018]认知识别模块，用于接收患者输入的疼痛的症状信息和特征信息，基于所述疼痛疾病判别分类模型进行相似度计算，得到患者的疼痛疾病判别与分类结果并输出。
[0019]在一个实施例中，所述对所述关联特征信息进行归一化处理，得到所述关联特征信息的特征信息集合包括：基于词频
‑
逆文档频率算法对所述关联特征信息进行归一化处理，提取所述关联特征信息的关键特征词，得到所述关联特征信息的特征信息集合。
[0020]在一个实施例中，所述基于词频
‑
逆文档频率算法对所述关联特征信息进行归一化处理，提取所述关联特征信息的关键特征词包括：通过词频
‑
逆文档频率算法计算出所述文本信息和数据样本中每个词的TF
‑
IDF值，基于所述TF
‑
IDF值将每个词按降序排列，提取排在最前面的N个词作为所述关键特征词，N为正整数。
[0021]第三方面，本申请还提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行所述基于多变量决策树模型的疼痛疾病判别与分类方法的步骤。
[0022]第四方面，本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行所述基于多变量决策树模型的疼痛疾病判别与分类方法的步骤。
[0023]本申请实施例提供的一种基于多变量决策树模型的疼痛疾病判别与分类方法、装置、电子设备及存储介质，通过获取样本数据集，采集所述样本数据集中疼痛疾病的关联特征信息；对所述关联特征信息进行归一化处理，得到所述关联特征信息的特征信息集合，建立所述特征信息集合关联的疾病知识库；将所述疾病知识库对应的语义特征信息输入多变量决策树模型进行预训练得到所述关联特征信息的语义特征信息子集，通过所述语义特征信息子集训练多变量决策树模型得到疼痛疾病判别分类模型；接收患者输入的疼痛的症状信息和特征信息，基于所述疼痛疾病判别分类模型进行相似度计算，得到患者的疼痛疾病判别与分类结果并输出。解决了相关技术中疼痛性疾病的诊断较难的问题，实现了以下有益效果：通过多变量决策树模型的应用，实现对疼痛疾病的智能判别与分类，并提出对应的调理、治疗方案，辅助医生提高诊疗效率，减少疼痛疾病的误诊率。
附图说明
[0024]构成本申请的一部分的附图用来提供对本申请的进一步理解，使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
[0025]图1为本申请实施例提供的基于多变量决策树模型的疼痛疾病判别与分类方法的实现流程；
[0026]图2为本申请实施例提供的基于多变量决策树模型的疼痛疾病判别与分类装置的主要模块示意图；
[0027]图3为本申请实施例提供的可以应用于其中的示例性系统架构图；
[0028]图4为适于用来实现本申请实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
[0029]为了使本
的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于多变量决策树模型的疼痛疾病判别与分类方法，其特征在于，包括：获取样本数据集，采集所述样本数据集中疼痛疾病的关联特征信息；对所述关联特征信息进行归一化处理，得到所述关联特征信息的特征信息集合，建立所述特征信息集合关联的疾病知识库；将所述疾病知识库对应的语义特征信息输入多变量决策树模型进行预训练得到所述关联特征信息的语义特征信息子集，通过所述语义特征信息子集训练多变量决策树模型得到疼痛疾病判别分类模型；接收患者输入的疼痛的症状信息和特征信息，基于所述疼痛疾病判别分类模型进行相似度计算，得到患者的疼痛疾病判别分类结果并输出。2.根据权利要求1所述的基于多变量决策树模型的疼痛疾病判别与分类方法，其特征在于，所述关联特征信息包括以下至少一种：疼痛疾病的名称、发病原因、发生部位、典型症状、伴随症状、并发症状、疼痛的程度、疼痛的加重或缓解因素以及出现的时间、持续时间。3.根据权利要求1所述的基于多变量决策树模型的疼痛疾病判别与分类方法，其特征在于，所述对所述关联特征信息进行归一化处理，得到所述关联特征信息的特征信息集合包括：基于词频
‑
逆文档频率算法对所述关联特征信息进行归一化处理，提取所述关联特征信息的关键特征词，得到所述关联特征信息的特征信息集合。4.根据权利要求3所述的基于多变量决策树模型的疼痛疾病判别与分类方法，其特征在于，所述基于词频
‑
逆文档频率算法对所述关联特征信息进行归一化处理，提取所述关联特征信息的关键特征词包括：通过词频
‑
逆文档频率算法计算出所述文本信息和数据样本中每个词的TF
‑
IDF值，基于所述TF
‑
IDF值将每个词按降序排列，提取排在最前面的N个词作为所述关键特征词，N为正整数。5.根据权利要求3所述的基于多变量决策树模型的疼痛疾病判别与分类方法，其特征在于，在将所述疾病知识库对应的语义特征信息输入多变量决策树模型进行预训练得到所述关联特征信息的语义特征信息子集之前，还包括：将所述疾病知识库通过贝叶斯网络技术转化为对应的语义特征信息。6.一种基于...
【专利技术属性】
技术研发人员：张翔，王云晓，张宝杰，
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：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。