[发明专利]一种结合深度卷积网络和图神经网络的中医证候诊断和健康评价方法

权利要求书

1.一种结合深度学习和图神经网络的中医证候诊断和健康评价方法，其特征在于，包括以下步骤：

步骤S1、对大量不同地区、年龄、健康或亚健康人群的面象、舌象和问诊信息进行数据采集的基础上，并由专家团队进行证候和健康分数的评判，确定体质健康状态，构建初始的大数据集；

步骤S2、利用特征提取网络，分别提取面象、舌象和问诊信息的特征，进一步的，特征的提取分为共享特征提取和特定特征提取；

步骤S3、将S2提取的特征进行拼接，形成n维向量，针对每一个证候，我们设置数层全连接提取层，最后将n维向量提取为一个标量，使用sigmoid激活函数将其控制在0-1之间，用于表示某种证候发生的可能性，总共有C种证候，就会形成C个标量；

步骤S4、将S2提取的特征进行拼接，形成n维向量，设置数层全连接层，将n维向量提取为101维的向量，并通过softmax函数归一化处理，获得每一个分数值得概率，然后将各个概率和对应的分数值相乘并累加，计算公式如下：得到最终的健康分数；

步骤S5、利用已有的数据标签，统计证候之间的相关性，获得证候条件概率矩阵P，然后构建图卷积神经网络，将S3的证候预测结果和条件概率矩阵P作为输入，调整后的证候预测结果是该模块的输出，该图卷积网络的计算公式如下：H^L+1＝h(PH^LW^L)。其中，h表示激活函数，L用于表示图卷积网络的层数，P是条件概率矩阵，W是需要学习的到的参数，通过控制H矩阵的输入和输出的size，我们就可以得到一个C维的向量，用于表示每一种证候的相关性；

步骤S6、针对该任务设计特定的损失函数，损失函数综合考虑健康分数误差和证候预测误差，对于不同证候发生概率的不同，该损失函数为每一种证候的损失误差赋予不同的权重，权重的计算公式来自：计算得到每一种证候相应的损失权重。最终证候预测误差的损失函数设计如下：Loss_symptom＝-weight_n[y_n·log x_n+(1-y_n)·log(1-x_n)]。健康分数误差的损失函数为常见的交叉熵损失函数，最终综合损失函数如下：Loss＝λ·Loss_score+(1-λ)·Loss_symptom。通过λ控制两部分损失的权重，定义好损失函数后，通过反向传播训练参数，结果收敛后得到该评价模型。

2.如权利要求1所述的中医证候诊断和健康评价方法，其特征在于，在步骤S1中所述图像为自然条件下，对各个年龄阶段和健康程度不同的人群采集的图像，问诊问题同理，然后通过专家团队评估后整理成合格的数据集。

3.如权利要求1所述的中医证候诊断和健康评价方法，其特征在于，在步骤S2，S3中，将证候诊断问题转化为多标签分类问题，并使用卷积神经网络提取特征，同时针对每一种证候，设计新的单独的特征提取层，更好的提取特定证候所需的特征。

4.如权利要求1所述的中医证候诊断和健康评价方法，其特征在于，在步骤S4中，将健康分数的预测这一回归问题看成分类和softmax期望相结合的问题，最后通过相乘并累加的方式拟合健康分数。

5.如权利要求1所述的中医证候诊断和健康评价方法，其特征在于，在步骤S5中，利用图卷积神经网络解决不同证候相关性的问题，例如阴虚阳虚之间存在明显的负相关性，通过图卷积网络，考虑这种负相关性，使得模型的预测结果更加准确。

6.如权利要求1所述的中医证候诊断和健康评价方法，其特征在于，在步骤S6中，提出了对不同证候赋予不同权重的证候预测损失函数，并在此基础上，综合考虑健康分数损失和证候预测损失，构造出全新的损失函数。