[发明专利]基于PCNN网络和注意力机制的中医辨证辅助决策方法

权利要求书

1.一种基于PCNN网络和注意力机制的中医辨证辅助决策方法，其特征在于，具体包括：

步骤1，预处理：使用语言技术平台工具对每份医案进行分词处理；

步骤2，医案编码：使用点排序卷积神经网络对每份医案进行特征编码，构建其对应的特征向量表示；

步骤3，使用注意力机制对所有医案进行权重分配，构建中医辨证辅助决策模型；

步骤2具体为：首先将每个医案转换为特征向量表示，然后利用卷积、分段式最大池化和非线性转换构建对应的医案特征向量；

将每个医案转化特征向量表示，具体步骤如下：

医案子集M1提取：根据完全词匹配法在原始医案集中搜索包含症状集S的医案，形成医案子集M1＝{m₁,…,m_l,…,m_d}；

对医案子集M1中的医案m_l＝{w₁,w₂,…,w_m},进行向量化表示，其中，w_i表示医案经过预处理之后包含于其中的症状、病因、病机特征；其中1≤l≤d；

单词w_i的向量表示单词编码+位置编码，其中1≤i≤m，

其中，单词编码：用word2vec将词w_i转换为向量形式；位置编码：根据词w_i与首实体w₁和尾实体w_m的距离构建二维向量；

医案m_l的向量化表示如下：

其中，m为医案m_l中出现的不重复特征数，即症状、病因、病机特征。

2.根据权利要求1所述的基于PCNN网络和注意力机制的中医辨证辅助决策方法，其特征在于，所述卷积：使用卷积操作对医案进行局部特征提取，具体为：

卷积核的选取：选择3个卷积核W_i，随机初始化卷积核W_i的值，根据分类结果动态调整卷积核的值，选取最优的症状特征、病位特征、病性特征；其中1≤i≤3；

滑动长度：L＝3，步长：stride＝1；

滑动窗口设为q，如下所示：

q＝[w_i-l+1,w_i-l+2,…,w_i} (2)

卷积操作：

其中，p_i为使用卷积核W_i提取到的局部特征，为偏置向量。

3.根据权利要求2所述的基于PCNN网络和注意力机制的中医辨证辅助决策方法，其特征在于，分段式最大池化：联合由3个卷积核所提取到局部特征，得到一个固定长度的向量，该向量由q+1部分组成，对每部分进行最大池化，如下所示：

[x]_ij＝max(p_ij) (4)

其中，[x]_ij表示由第i个卷积核提取到的第j个关键特征。

4.根据权利要求3所述的基于PCNN网络和注意力机制的中医辨证辅助决策方法，其特征在于，非线性转换构建对应的医案特征向量：

其中，表示由3个卷积核W_i所提取的医案的关键特征表示，其中1≤i≤3。

5.根据权利要求1-4任一项所述的基于PCNN网络和注意力机制的中医辨证辅助决策方法，其特征在于，步骤3使用注意力Attention机制对所有医案进行权重分配，构建中医辨证辅助决策模型，具体为：

权重分配：对医案子集M1中的所有医案分配不同的权重，

给包含该症状集的所有医案分配权重：

其中，α_l表示医案的权重分配，e_l表示医案对于证候的匹配程度，如下所示：

为了表示每份医案在进行辨证规律挖掘时的影响效果，使用权重对医案子集M1进行再表示，如下所示：

为了使得网络的输出数目与证候标签数相同，以便softmax层进行分类，故使用式(9)对其进行维度处理：

其中，A是所有证候向量组成的矩阵，为偏置向量；

使用softmax函数预测医案在证候R上的概率，如下所示：

其中，K为医案集中出现的所有证候数，P表示医案在K个证候上的向量表示。