[发明专利]一种基于主题模型的医案分类方法

摘要

本发明公开了一种基于主题模型的医案分类方法。步骤如下：1)通过OCR、文本结构化处理，从医案书籍中提取结构化单篇医案；2)使用中文分词工具，对所有结构化单篇医案进行预处理，包括分词和去停用词；3)分别使用中药、方剂、疾病、症状、证候、治法的领域词典对医案的分词结果进行过滤，得到每篇医案对应的六个词表。4)建立包含普通词、中药、方剂、疾病、症状、证候、治法七大类的医案主题模型。5)将所有医案在步骤3)过滤得到的六个词表和医案中剩下的词一起输入主题模型中进行训练，通过吉布斯采样得到文档主题分布。6)将文档主题分布输入训练好的SVM分类器得到相应类别。

主权项

1.一种基于主题模型的医案分类方法，其特征在于包括以下步骤：1)通过OCR、文本结构化处理，从医案书籍中提取结构化单篇医案；2)使用中文分词工具，对所有结构化单篇医案进行预处理，所述的预处理包括分词和去停用词；3)分别使用中药、方剂、疾病、症状、证候、治法的领域词典对结构化单篇医案的分词结果进行过滤，得到每篇医案对应的六个词表；4)建立包含普通词、中药、方剂、疾病、症状、证候、治法七大类的医案主题模型；4.1)对于每篇文档d，生成θ_d的狄利克雷分布Dir(α)4.2)对于主题1、2…K中的每个普通词w，生成的狄利克雷分布Dir(β)4.3)对于主题1、2…K中的每个中药词h，生成的狄利克雷分布Dir(β)4.4)对于主题1、2…K中的每个方剂词p，生成的狄利克雷分布Dir(β)4.5)对于主题1、2…K中的每个疾病词d，生成的狄利克雷分布Dir(β)4.6)对于主题1、2…K中的每个症状词sp，生成的狄利克雷分布Dir(β)4.7)对于主题1、2…K中的每个证候词sd，生成的狄利克雷分布Dir(β)4.8)对于主题1、2…K中的每个治法词t，生成的狄利克雷分布Dir(β)4.9)对于文档d的N_w个普通词4.9.1)根据多项式分布Mult(θ_d)生成主题z_wn4.9.2)根据多项式分布生成词w_dn4.10)对于文档d的N_h个中药词4.10.1)根据多项式分布Mult(θ_d)生成主题z_hn4.10.2)根据多项式分布生成词h_dn4.11)对于文档d的Np个方剂词4.11.1)根据多项式分布Mult(θd)生成主题z_pn4.11.2)根据多项式分布生成词p_dn4.12)对于文档d的N_d个疾病词4.12.1)根据多项式分布Mult(θ_d)生成主题z_dn4.12.2)根据多项式分布生成词ds_dn4.13)对于文档d的N_sp个症状词4.13.1)根据多项式分布Mult(θ_d)生成主题z_spn4.13.2)根据多项式分布生成词sp_dn4.14)对于文档d的N_sd个证候词4.14.1)根据多项式分布Mult(θ_d)生成主题z_sdn4.14.2)根据多项式分布生成词sd_dn4.15)对于文档d的N_t个治法词4.15.1)根据多项式分布Mult(θ_d)生成主题z_tn4.15.2)根据多项式分布生成词t_dn各式中：分别是主题k对普通词、中药词、方剂词、疾病词、症状词、证候词和治法词的多项式分布，β是的狄利克雷分布的超参数；z_wn，z_hn，z_pn，z_dn，z_spn，z_sdn，z_tn分别是文档d中普通词、中药词、方剂词、疾病词、症状词、证候词和治法词的主题，w_dn，h_dn，p_dn，ds_dn，sp_dn，sd_an，t_dn分别是文档d中的第n个普通词、中药词、方剂词、疾病词、症状词、证候词和治法词；分别是主题z_wn对普通词、主题z_hn对中药、主题z_pn对方剂、主题z_dn对疾病、主题z_spn对症状、主题z_sdn对证候和主题z_tn对治法的多项式分布；5)将步骤3)得到的六个词表和结构化单篇医案中剩下的词一起输入步骤4)得到的主题模型中进行训练，通过吉布斯采样，得到式中：θ_d是文档d的文档主题分布，n_dk是文档d中主题k被赋给一个词的次数，N_w，N_h，N_p，N_d，N_sp，N_sd，N_t分别是文档d的普通词、中药、方剂、疾病、症状、证候、治法词的个数，K是主题的个数，α是θ_d的狄利克雷先验的超参数；6)将步骤5)得到的θ_d输入训练好的SVM分类器得到相应类别。