[发明专利]人类表型标准用语提取方法

权利要求书

1.一种人类表型标准用语的提取方法，包括如下步骤：

(1)对电子病历数据进行分析提取，获得疾病特征字符串；

(2)将疾病特征字符串与人类表型标准用语库中的每个记录进行字符串匹配，标记出疾病特征字符串与人类表型标准用语库中每个记录的匹配关系，生成对齐文件；

(3)对生成的对齐文件进行块划分，得到块划分文件；

(4)根据块划分文件进行熵计算，获得疾病特征字符串与人类表型标准用语库中每个记录的相似度，根据最高相似度提取对应的人类表型标准用语。

2.如权利要求1所述的人类表型标准用语的提取方法，其特征在于，步骤(1)中对电子病历数据进行分析提取包括：首先按照第一类标点符号和否定词进行第一级切分，然后在第一级切分结果中，若出现否定词则直接筛除，然后在这个基础上按照第二类标点符号以及连接词进行第二级拆分，从而得到疾病特征字符串；其中，第一类标点符号包括句号、感叹号和分号，第二类标点符号包括逗号和顿号。

3.如权利要求1所述的人类表型标准用语的提取方法，其特征在于，所述人类表型标准用语库包括：人类表型标准用语的名称及其定义，以及人类表型标准用语的同义词。

4.如权利要求1所述的人类表型标准用语的提取方法，其特征在于，步骤(2)中所述生成对齐文件的步骤包括：首先，标记出在疾病特征字符串和人类表型标准用语库中每个记录的匹配情况，在标记出所有的匹配关系之后，在匹配关系的集合中，通过一定的规则找出对齐，所述规则为：每一个匹配都对应着疾病特征字符串与人类表型标准用语库中的记录的一条连线；对于每个记录，选取交叉线最少的一组匹配关系，作为该记录与疾病特征字符串的对齐。

5.如权利要求1所述的人类表型标准用语的提取方法，其特征在于，步骤(3)中所述块划分方法是将对齐文件划分为块，要求每个块内的两个字符串中匹配上的词在疾病特征字符串内的位置是连续的，并且映射到人类表型标准用语库中的记录上的位置也是连续的，并且每个块应为最大连续的字符串匹配，从而得到块划分文件。

6.如权利要求1所述的人类表型标准用语的提取方法，其特征在于，步骤(4)中所述熵计算包括：根据块划分文件的分块信息计算熵，对熵进行归一化，结合归一化的熵和F度量值得到疾病特征字符串与人类表型标准用语库中每个记录的相似度。

7.如权利要求6所述的人类表型标准用语的提取方法，其特征在于，根据块划分文件的分块信息计算熵的公式为：其中，li代表第i个块的长度，即词的个数；c代表块的个数；L代表所有匹配上的词的个数。

8.如权利要求6所述的人类表型标准用语的提取方法，其特征在于，对熵进行归一化的计算公式为：entropy＝e^-H。

9.如权利要求6所述的人类表型标准用语的提取方法，其特征在于，结合归一化的熵和F度量值得到疾病特征字符串与人类表型标准用语库中每个记录的相似度的计算方法包括：

步骤A：用F度量值评价疾病特征字符串和人类表型标准用语库中每个记录的一致性，计算公式为：其中，β为精确率分配的权重，0﹤β﹤1，precision是精确率，recall是召回率；

步骤B：将F度量值引入entropy中，通过结合归一化的熵和F度量值得到疾病特征字符串与人类表型标准用语库中的每个记录的相似度Sim,计算公式为：

Sim＝e^-H×F-score。

10.如权利要求9所述的人类表型标准用语的提取方法，其特征在于，β为1/2。