[发明专利]基于机器学习与大数据的中医智能辅助系统及方法

权利要求书

1.一种基于机器学习和大数据的中医智能辅助系统，其特征在于：所述系统包括：

四诊信息收集模块：用于收集病人主诉的相关四诊数据信息；

四诊信息转换模块：用于通过StandardSyndrom组件在接收到病人四诊信息后根据书写的逗号或空白符执行自然语言切词的动作，将医生输入的四诊信息切割成描述性的症状语N；

症状语匹配模块：用于通过StandardSyndrom组件利用神经网络算法将四诊信息转换模块的得到的症状语N与症状语库进行匹配，转换为标准化的症状集；

症状权重鉴别模块：用于在DiagnosisSystem组件接收从StandardSyndrom传递过来的标准化的症状集之后，根据海量医案数据计算出各式症状的鉴别权重值；

症型匹配模块：用于通过DiagnosisSystem组件从海量医案数据中学习到的中医症型与标准症状的权重值同症状权重鉴别模块得到的各式症状的鉴别权重值进行统合计算，并按照各症型中的症状的权重总和进行排名，得到主要症型并利用病性病位神经网络模型计算出诊断的病性病位向量；

处方推荐模块：用于通过PrescriptionAnalysis组件计算得到各处方的病性病位向量，再通过PrescriptionDecision组件将各处方的病性病位向量与症型匹配模块得到的诊断的病性病位向量去进行相似度匹配，最后将匹配度最高的处方作为推荐。

2.根据权利要求1所述的基于机器学习和大数据的中医智能辅助系统，其特征在于：所述系统还包括数据存储模块，用于存储海量医案数据，所述海量医案数据包括症型与症状的关系数据、各症型下的候选方剂。

3.根据权要求1所述的基于机器学习和大数据的中医智能辅助系统，其特征在于：所述症型匹配模块，还用于根据该模块中匹配的主症症型和各式症状的鉴别权重分析出该主症症型出现的次症症型。

4.一种基于机器学习和大数据的中医智能辅助方法，其特征在于：包括以下步骤：

S1：四诊信息收集模块收集病人主诉的相关四诊数据信息；

S2：四诊信息转换模块通过StandardSyndrom组件在接收到病人四诊信息后根据书写的逗号或空白符执行自然语言切词的动作，将医生输入的四诊信息切割成描述性的症状语N；

S3：症状语匹配模块通过StandardSyndrom组件利用神经网络算法将四诊信息转换模块的得到的症状语N与症状语库进行匹配，转换为标准化的症状集；

S4：症状权重鉴别模块在DiagnosisSystem组件接收从StandardSyndrom传递过来的标准化的症状集之后，根据海量医案数据计算出各式症状的鉴别权重值；

S5：症型匹配模块通过DiagnosisSystem组件从海量医案数据中学习到的中医症型与标准症状的权重值同症状权重鉴别模块得到的各式症状的鉴别权重值进行统合计算，并按照各症型中的症状的权重总和进行排名，得到主要症型并利用病性病位神经网络模型计算出该诊断的病性病位向量；

S6：处方推荐模块通过PrescriptionAnalysis组件计算得到各处方的病性病位向量，再通过PrescriptionDecision组件将各处方的病性病位向量与症型匹配模块得到的诊断的病性病位向量去进行相似度匹配，最后将匹配度最高的处方作为推荐。

5.根据权利要求4所述的基于机器学习和大数据的中医智能辅助系统，其特征在于：所述S4步骤中根据海量医案数据计算出各式症状的鉴别权重值的计算方式是：将海量医案数据中的症状与症型的关系按照症状为特征、症型为标签的映像进行存储，然后根据TF-IDF算法计算出权重值的矩阵。

6.根据权利要求5所述的基于机器学习和大数据的中医智能辅助系统，其特征在于：所述S4步骤中根据TF-IDF算法计算出权重值的矩阵的计算公式为：TF-IDF(症状,症型) =(该症状出现于该症型的频次/该证型在所有症状的总频次)*LOG(1+总共的症型个数/该症状出现在多少症型中)。

7.根据权利要求4所述的基于机器学习和大数据的中医智能辅助系统，其特征在于：所述S5步骤还包括症型匹配模块根据该模块中匹配的主症症型和各式症状的鉴别权重分析出该主症症型出现的次症症型。