[发明专利]一种面向手术操作的编码校验方法

权利要求书

1.一种面向手术操作的编码校验方法，其特征在于：包括以下步骤：

步骤1、建立手术操作自动编码模型；

将手术操作自动编码任务作为一个文本多标签分类任务，其中，数据集由N个文档x_i和对应的标签组成，l为标签总数；训练自动编码模型作为预测模型，用于将一个新的未标记的样本分类到l个语义标签中；

步骤2、利用自动编码模型对编码员已完成的手术操作编码进行编码校验；使用自动编码模型预测结果与编码员编码结果进行对比，进行校验提示，辅助编码员对编码内容进行校验；

包括两方面编码校验：一为多编及漏编校验，二为错编校验。

2.根据权利要求1所述的方法，其特征在于：所述建立手术操作自动编码模型包括：

1.1、通过预训练语言模型BERT对文本进行向量表示，文本中每个字可表示为一个多维稠密向量w_i：

w_i＝f(w_i)

1.2、使用双向长短期记忆网络BiLSTM得到文本特征表示，将每个时刻文本向量正反向信息表示与进行拼接，得到BiLSTM的输出表示H，使每个单词获取具有上下文语义信息的表示：

1.3、对于标签文本集E，首先通过预训练语言模型BERT得到文本标签中每一个字的向量表示，其中任一标签的文本内容表示为e＝{w₁,w₂,...,w_p}，p为文本标签长度，再通过计算向量的平均值来表示整个文本标签：

1.4、基于标签语义信息的注意力机制获得每个单词的重要性,通过计算文档中单词和每个标签之间的匹配得分获得每个单词对当前标签的权重，并获得全部标签和单词的分配得分A；

1.5、使用得到的权重来表示文档：

M＝AH

其中一个标签对应的文档表示为m_i；

1.6、进行标签预测，预测第i个标签出现的概率为:

其中，W₁、W₂为训练参数，f为ReLu激活函数，通过sigmoid函数做归一化处理，将其转化为对应的标签预测概率，通过交叉熵损失训练：

n为文档数，m为标签种类数目。

3.根据权利要求2所述的方法，其特征在于：所述使用双向长短期记忆网络BiLSTM得到文本特征表示包括：

f_t＝σ(W_f·[h_t-1,w_t]+b_f)

i_t＝σ(W_i·[h_t-1,w_t]+b_i)

o_t＝σ(W_o·[h_t-1,w_t]+b_o)

h_t＝o_t*tanh(c_t)

式中，f_t、i_t、c_t、o_t分别为t时刻遗忘门、输入门、临时细胞状态、细胞状态、输出门值，W、b分别为对应的权重矩阵及偏置项，σ为Sigmoid激活函数，tanh为双曲正切激活函数。

4.根据权利要求3所述的方法，其特征在于：所述通过计算文档中单词和每个标签之间的匹配得分获得每个单词对当前标签的权重包括：

a＝cH^T

其中，a代表基于标签c捕获的文档中每个单词的权重，数据集中全部的标签表示为矩阵C；

所述获得全部标签和单词的分配得分为A：

A＝CH^T。