[发明专利]基于SEV-SDG-CNN的电子病历智能诊断方法

摘要

本发明公开了一种基于SEV‑SDG‑CNN的电子病历智能诊断方法，包括：挖掘医疗领域词汇来构建浅层语义词汇词典；基于浅层语义词汇生成文本语料中每一个词的浅层语义向量表达SEV；利用浅层语义词汇词典计算每一条语料的浅层语义预判模式SDG；将SEV和SDG融入传统CNN分类模型构建中，即在特征表达层将SEV与词嵌入向量进行拼接，在模式输出层将SDG和CNN判别模式进行融合，从而实现改进的SEV‑SDG‑CNN分类模型。本发明应用在电子病历疾病诊断中，能充分提取专业性极强、知识密度极高的电子病历所蕴含的大量丰富语义信息，并得益于CNN能从大数据中自动挖掘特征的优势，使得电子病历智能诊断方法具有较高的性能。

主权项

1.一种基于SEV‑SDG‑CNN的电子病历智能诊断方法，其特征在于，包括以下步骤：S1：输入电子病例文本语料D，采用结巴分词工具对语料进行分词；S2：基于步骤S1中得到的词语，利用word2vec工具生成每一个词q_i的词向量表达L_w；S3：根据医学领域词汇构建电子病历浅层语义词汇词典Dict，如下：S31：从以下八个方面挖掘医学领域词汇：(1)开源词典D_open；(2)否定副词词典D_not；(3)程度副词词典D_adv；(4)网络词典D_net；(5)符号词典D_emoticon；(6)语气词词典D_mood；(7)领域词典D_profession；(8)其他包括手工构建的词典D_other；S32：根据步骤S31的8种词汇来源构建电子病历的浅层语义词典Dict；S4：基于浅层语义词汇Dict，生成每一个词q_i的浅层语义向量S_c＝(x_open，x_not，x_adv，x_net，x_emoticon，x_mood，x_profession，x_other)，区别于L_w中每个x_i表示一个单独的元素，S_c中每个x_i并不表示单个元素而是包含多个元素，其元素个数由对应词典规模大小决定；S5：将word2vec词向量表达L_w和浅层语义向量表达S_c进行拼接，生成深度学习输入向量[L_w：S_c]；S6：计算浅层语义预判模式SDG，如下：S61：利用训练语料D计算出浅层语义词典Dict中每个浅层语义词汇属于每个类别的概率，形成浅层语义词汇概率表；S62：基于步骤S3中得到的浅层语义词典Dict，提取每条语料中的浅层语义词汇；S63：基于步骤S61得到的浅层语义词汇概率表和步骤S62得到的每条语料中的浅层语义词汇，利用求和归一化的方式计算出这条语料的预判概率，形成浅层语义预判模式SDG；S7：集成SEV和SDG的CNN分类模型构建，如下：S71：初始化CNN网络；S72：选取学习样本集D的任一样本(xx，y)，其中，x代表一条文本语料，y代表其对应的标签；将语料x按照步骤S5构建合成向量[L_w：S_c]，输入到CNN分类模型，得到其模式输出ρ_CNN；S73：基于步骤S6提出的浅层语义预判模式计算方法，计算出语料x对应的浅层语义预判模式输出ρ_SDG；S74：将ρ_CNN和ρ_SDG进行相加并归一化作为形成决策模式，进而输出针对语料x的预测结果y′；S75：根据语料x的真实标签y和预测结果y′的差距来对CNN模型进行参数优化；S76：基于步骤S75中已经训练好的CNN网络，将一条被测语料x送入CNN进行前向传播计算，得到其预测类别y′。