[发明专利]一种基于词向量模型的疾病模式挖掘方法及装置

权利要求书

1.一种基于词向量模型的疾病模式挖掘方法，其特征在于，包括如下步骤：

S1：获取原始医疗数据data，所述原始医疗数据data包含N条记录，每条记录包含M_raw个原始特征；所述原始特征包括：患者生活习惯特征、血糖、肝功、患病情况和患病史信息；

S2：对所述M_raw个原始特征分别进行0-1二值化处理，处理后得到二值矩阵Mat∈[0,1]^N*M，M为处理后新特征的个数；所述新特征的个数为待分析医疗指标的个数；

S3：根据所述二值矩阵Mat，构造词向量模型的训练样本集合；

S4：训练所述词向量模型，得到医疗指标编码矩阵W∈R^M*T；所述编码矩阵W为M个待分析医疗指标的T维编码向量；

S5：对所述M个待分析医疗指标的T维编码向量进行层次聚类；

S6：可视化聚类结果，得到模式挖掘的结果；

步骤S2中对所述M_raw个原始特征分别进行0-1二值化处理，包括：

根据医疗数据包含不同取值类型的原始特征，对于所述不同取值类型的原始特征分别进行处理，具体处理步骤如下：

S21：对于二分类特征：设原始特征F₁的取值f₁∈{v₁,v₂}且在数据中两个取值出现的次数从原始特征F₁中提取出一个二值医疗指标Z，此处Z的取值

S22：对于多分类特征：设原始特征F₂的取值其中N_f为原始特征F₂的合法取值个数；从原始特征F₂中提取N_f个二值医疗指标，记为：此处指标Z_i的取值为：

S23：对于连续取值特征：将连续特征离散化为K段，再进行one-hot编码；对于连续取值原始特征F₃，其取值记为f₃；

获得特征离散化的(K-1)个分割点，设分割点和起始点集合记为Θ＝{θ₀,θ₁,θ₂,…,θ_K}，其中其中：quantile为分位数函数，用于计算数据中F₃特征取值的分位数；

从F₃中提取K个二值医疗指标，记为：(Z₁,Z₂,…,Z_K)，此处特征Z的取值为：

2.根据权利要求1所述的一种基于词向量模型的疾病模式挖掘方法，其特征在于：步骤S3根据所述二值矩阵Mat，构造词向量模型的训练样本集合，包括：

待分析医疗指标编号为1～M，设词向量模型的训练样本表示为：{(I₁,O₁),(I₂,O₂),…,(I_l,O_l)}，I_i为模型的输入，O_i为模型的输出，l为训练样本的条数；

对于一个训练样本(I_i,O_i)，词向量模型要求，I_i、O_i为医疗指标编号；

对每条记录中取值为1的医疗指标进行两两组合，公式表示为：Train_set＝{(i,j)|Mat(n,i)＝1 and Mat(n,j)＝1；i,j,n∈N⁺；n≤N；i,j≤M}；式中：i为训练样本中任一条数据，j为训练样本的总条数，n为取值为1个的医疗指标的数量。