[发明专利]基于深度学习和注意力机制的中医证候诊断方法及装置

权利要求书

1.基于深度学习和注意力机制的中医证候诊断方法，其特征在于，包括：

获取待诊断患者带有症状的病历数据；

将所述病历数据转换为向量数据；

将所述向量数据，输入训练完成的中医证候诊断模型，输出诊断结果；所述中医证候诊断模型包括使用矩阵映射层、激活函数tanh和softmax构建的注意力机制模块、以及使用多层感知器和激活函数sigmoid构建的预测深度神经网络。

2.如权利要求1所述的方法，其特征在于，所述训练完成的中医证候诊断模型通过下述方式训练得到：

采集不同疾病专科的带有症状和证候诊断结果的病历样本，转换为样本向量，根据预设比例分为作为训练样本和测试样本；

使用矩阵映射层、激活函数tanh和softmax构建注意力机制模块；使用多层感知器和激活函数sigmoid构建预测深度神经网络；将所述注意力机制模块和预测深度神经网络组合成中医证候诊断模型；

通过所述训练样本对所述中医证候诊断模型进行训练；训练完的所述中医证候诊断模型对所述测试样本检测，当输出诊断结果的准确率未到达预设阈值时，微调模型中的参数，直到诊断结果的准确率达到预设阈值时，得到所述训练完成的中医证候诊断模型。

3.如权利要求2所述的方法，其特征在于，采集不同疾病专科的带有症状和证候诊断结果的病历样本，转换为样本向量；包括：

统计病历样本数据集中出现的所有的症状数目，将每个症状从0开始编号，并进行序列化排列，为1x N向量；

将所述病历样本数据集的症状群进行向量映射，向量维度为1x N，根据症状编号排列顺序；其中，映射规则为：对于每个患者存在的症状，其对应位置的数值置为1，没有症状对应位置的数值置为0；将病历样本数据集转化为M个1x N的向量集；M为所述病历样本的数量。

4.如权利要求2所述的方法，其特征在于，使用矩阵映射层、激活函数tanh和softmax构建注意力机制模块，包括：

随机初始化一个权重矩阵A，根据公式1)，将权重矩阵A和所述样本向量进行相乘，通过tanh函数进行约束和转换，得到的向量结果记为E_ns；公式1)为：

E_ns＝tanh(A·P_n)

1)

1)式中，P_n为某个患者映射后的样本向量；E_ns为原始症状重要程度参数，取值范围[-1，1]；

通过softmax函数对E_ns进行转化，转化后的向量取值范围[0，1]，转化公式为2)；

2)式中，e_i为E_ns的具体数值；w_i为转化后的症状重要程度参数向量；M为病历样本的数量。

5.如权利要求4所述的方法，其特征在于，对所述中医证候诊断模型进行训练，包括：

将w_i和p_n对应位置相乘，得到带有重要程度信息的症状向量

采用两个隐层的神经网络的感知器，再结合softmax函数进行证候分类预测，每个隐层的神经单元的计算如下：

3)式中，σ为标准的softmax函数，w_ij为隐层网络权重矩阵中的已优化的权重值，权重的初始化采用均值为0，标准差为sqrt(2/(input+output))正态分布中随机数；b_ij为偏置参数；p_rj为输入权重化症状值；

采用有监督学习方式进行训练，采用公式4)计算训练损失L；

4)式中，y和分别为样本的标签数值和模型预测数值；log函数的基底为10；对训练集中的每个样本求损失差值，得到训练后的总损失L，再采用反向传播算法将损失在模型内传导，进而修正模型中的参数。