[发明专利]一种基于事件的神经影像学文献挖掘主题学习管道方法

说明书

本发明公开了一种基于事件的神经影像学文献挖掘主题学习管道方法，该方法通过分析神经影像研究的过程和神经影像文献的信息可用性，确定了三种类型的神经影像研究主题事件。设计一个基于事件的主题学习任务，以获得丰富的语义神经影像研究主题，以提高主题的可解释性和准确性。并通过将深度学习和领域知识与概率主题模型融合，提出了一种新的主题学习方法，以实现针对全文神经影像文献的基于事件的主题学习。最后针对主题学习的两个核心指标，主题一致性和KL差异被选为评估参数。根据实际数据完成了一组实验，以将所提出的方法与四种主要主题学习方法进行比较。实验结果表明，神经影像Event‑BTM可以显着提高神经影像文献挖掘的主题准确性和完整性。

技术领域

本发明属于计算机科学计算领域，涉及一种基于事件的神经影像学文献挖掘主题学习管道方法。

技术背景

神经影像文本挖掘是从神经影像文本中提取知识，受到了广泛的关注，主题学习是神经成像文本挖掘的重要研究重点。然而，当前的神经影像主题学习研究主要使用传统的概率主题模型从文献中提取主题，无法获得高质量的神经影像主题。现有的主题学习方法不能满足针对全文神经影像文献的主题学习要求。因此，本发明提出一种基于事件的神经影像学文献挖掘主题学习管道方法。

发明内容

本发明要解决的技术问题是，提供一种基于事件的神经影像学文献挖掘主题学习管道方法。该方法首先通过分析神经影像研究的过程和神经影像文献的信息可用性，确定了三种类型的神经影像研究主题事件，然后通过将深度学习和领域知识与概率主题模型融合，提出了一种新的主题学习方法，以实现针对全文神经影像文献的基于事件的主题学习。

为解决上述问题，本发明采用如下的技术方案：

一种基于事件的神经影像学文献挖掘主题学习管道方法包括以下步骤：

步骤1、数据预处理。

对从PLoS One网站上爬取到的论文数据进行停用词处理。

步骤2、预定义事件的表达。

通过分析神经影像研究的过程和结果以及神经影像文献中的相关信息可用性，确定了一组神经影像研究事件。

步骤3、训练LSTM-CNN模型。

首先通过Embedding Layer将单词转化为词向量，再输入LSTM进行语义特征提取，最后将LSTM的输出作为CNN的输入，进行进一步的特征提取。

步骤4、训练PCNN模型。

通过向量表示，卷积，最大池化，分类四个部分获得关系的向量表示。

步骤5、构建neuroimaging Event-BTM主题学习管道。

输入功能神经影像文献数据，获取该文献的主题表示结果。

步骤6、评价模型。

使用模型评价指标评价模型性能。

附图说明

图1为neuroimaging Event-BTM主题学习管道框架结构图；

图2为Event-BTM主题学习模型；

具体实施方式

下面结合附图对本发明做进一步说明：

如图1所示，本发明方法主要包括以下步骤：

步骤1、数据预处理

对从PLoS One网站上爬取到的文献数据进行停用词处理。

步骤2、预定义事件的表达