[发明专利]疾病多源数据的处理方法、装置、存储介质及电子装置

权利要求书

1.一种疾病多源数据的处理方法，其特征在于，包括：

获取疾病多源数据；其中，所述疾病多源数据包括：中西医辩证论治数据和患者疾病数据；

归一化处理所述疾病多源数据，并提取归一化处理后的的疾病多源数据中的疾病特征；

通过K-means聚类算法对所述疾病特征进行聚类，得到聚类模块；

利用AdaBoost算法将聚类模块作为训练样本训练疾病分类模型；

将待识别特征数据输入训练后的疾病分类模型，预测得到疾病类别和中西医辩证论治结果。

2.根据权利要求1所述的处理方法，其特征在于，所述患者疾病数据至少包括：患者的疾病病史、主次要症状信息、常规检查信息和查体信息。

3.根据权利要求1所述的处理方法，其特征在于，所述中西医辩证论治数据至少包括：疾病主次要症状、中医辨病辩证依据、西医诊断标准和依据以及中西医辩证论治方法和处方。

4.根据权利要求1所述的处理方法，其特征在于，归一化处理所述疾病多源数据，并提取归一化处理后的的疾病多源数据中的疾病特征包括：

对所述疾病多源数据进行分词并去除停用词处理；

采用TF-IDF分词技术从处理后的疾病多源数据中提取特征词，作为疾病特征。

5.根据权利要求1所述的处理方法，其特征在于，通过K-means聚类算法对所述疾病特征进行聚类，得到聚类模块包括：

给定聚类K和疾病特征的数据集T＝{t₁,t₂……,t_n},t_i＝(x_i,y_i)；

随机选择K作为初始质心点；

对于所剩下的对象，则根据它们与聚类中心的距离，分别将其分配给与其最相似的聚类；

计算每个所获新聚类的聚类中心；

如果满足标准，则停止。

6.根据权利要求1所述的处理方法，其特征在于，利用AdaBoost算法将聚类模块作为训练样本训练疾病分类模型包括：

将聚类模块作为训练样本，每一个训练样本有初始化权重：

计算基本分类器的训练偏差：

循环迭代T次,并对每个训练样本的权重进行更新：

Z_t是标准化因子，λ_t是基本分类器；

强分类器H通过多个带权重的基本分类器表示：

7.一种疾病多源数据的处理装置，其特征在于，包括：

获取模块，用于获取疾病多源数据；其中，所述疾病多源数据包括：中西医辩证论治数据和患者疾病数据；

处理模块，用于归一化处理所述疾病多源数据，并提取归一化处理后的的疾病多源数据中的疾病特征；

聚类模块，用于通过K-means聚类算法对所述疾病特征进行聚类，得到聚类模块；

训练模块，用于利用AdaBoost算法将聚类模块作为训练样本训练疾病分类模型；

预测模块，用于将待识别特征数据输入训练后的疾病分类模型，预测得到疾病类别和中西医辩证论治结果。

8.根据权利要求7所述的处理装置，其特征在于，所述处理模块包括：

对所述疾病多源数据进行分词并去除停用词处理；

采用TF-IDF分词技术从处理后的疾病多源数据中提取特征词，作为疾病特征。

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行所述权利要求1至6中任一项所述的疾病多源数据的处理方法。

10.一种电子装置，包括：存储器和处理器，其特征在于，所述存储器中存储有计算机程序，其中，所述处理器被设置为运行所述计算机程序以执行所述权利要求1至6中任一项所述的疾病多源数据的处理方法。