一种中医证候分类方法、系统、设备及介质技术方案

本发明专利技术公开的一种中医证候分类方法、系统、设备及介质，涉及中医证候分类领域，方法包括：获取待分类症状；将所述待分类症状输入至证候分类模型，得到分类结果；所述分类结果为证候名称；其中，所述证候分类模型是以一阶逻辑规则为约束，利用训练数据集对深度神经网络模型进行训练得到的；所述训练数据集包括多个历史症状信息和多个真实证候；所述一阶逻辑规则是有中医领域知识编译而成的症状与证候的映射关系。本发明专利技术通过将一阶逻辑形式的领域知识与深度神经网络相结合，提升了中医证候分类的效果以及分类准确性。的效果以及分类准确性。的效果以及分类准确性。

【技术实现步骤摘要】
一种中医证候分类方法、系统、设备及介质


[0001]本专利技术涉及中医证候分类领域，特别是涉及一种中医证候分类方法、系统、设备及介质。

技术介绍

[0002]中医的诊疗过程是“辨证
‑
论治”，具体来说，医生必须首先确定患者的综合征，然后根据这个结论开始治疗。因此，辨证是中医最重要的过程之一。传统的辨证方法是医生通过观察和分析患者的症状，获得疾病的基本情况。然而，由于人体是一个复杂的有机整体，症状与疾病之间的关系错综复杂，很难辨识出正确的证候。此外，症状种类繁多，组合多样，进一步增加了辨证的难度。特别是中医辨证需要准确区分病、证和候，然而，在中医几千年的发展过程中，缺乏一个统一的标准，使得这三个要素难以区分。这些都是中医亟待解决的问题。
[0003]辨证可以看成是分类问题，一些学者已经尝试用机器学习的方法来解决它。传统的机器学习算法如决策树(DecisionTree)、支持向量机(SVM)、k
‑
最近邻(KNN)等被设计用于中医疾病分类的算法，在中医证候分类方面取得了很好的效果，但他们的研究都是针对某一疾病或某一证候，其表现局限于包含大量特征的数据，不能作为一般的辨证方法。近年来，有学者使用Topic Model、GCN、DBN等深度学习算法模拟中医诊疗过程。他们通过设计算法并使用包含症状和处方的数据集进行训练，获得了处方推荐结果。但没有明确证候之间的关系，不符合中医“辨证论治”的思想。同时，缺乏领域知识的支持也使这些方法的结果受到医生的质疑。

技术实现思路

[0004]本专利技术的目的是提供一种中医证候分类方法、系统、设备及介质，以提高对中医证候分类的准确性。
[0005]为实现上述目的，本专利技术提供了如下方案：
[0006]一种中医证候分类方法，包括：
[0007]获取待分类症状；
[0008]将所述待分类症状输入至证候分类模型，得到分类结果；所述分类结果为证候名称；
[0009]其中，所述证候分类模型是以一阶逻辑规则为约束，利用训练数据集对深度神经网络模型进行训练得到的；所述训练数据集包括多个历史症状信息和多个真实证候；所述一阶逻辑规则是有中医领域知识编译而成的症状与证候的映射关系。
[0010]可选地，所述以一阶逻辑规则为约束，利用训练数据集对深度神经网络模型进行训练，具体包括：
[0011]构建深度神经网络模型；
[0012]利用基于互信息的特征选择方法对所述训练数据集进行筛选，得到第二训练数据
集；
[0013]将所述第二训练数据集输入至所述深度神经网络模型，得到预测分类结果；
[0014]计算所述预测分类结果与真实证候的交叉熵损失值；
[0015]根据所述交叉熵损失值调整所述深度神经网络模型的超参数，当所述交叉熵损失值小于设定阈值时，结束训练，具有当前超参数的所述深度神经网络模型为所述证候分类模型。
[0016]可选地，所述利用基于互信息的特征选择方法对所述训练数据集进行筛选，得到第二训练数据集，具体包括：
[0017]对所述训练数据集中的每个历史症状信息和每个真实证候生成唯一标识码，得到在唯一标识码下的训练样本，构成中间训练数据集；所述训练样本包括一对历史症状信息和真实证候；
[0018]利用基于互信息的特征选择方法对所述中间训练数据集进行筛选，得到第二训练数据集。
[0019]可选地，所述利用基于互信息的特征选择方法对所述中间训练数据集进行筛选，得到第二训练数据集，具体包括：
[0020]利用公式计算每个在唯一标识码下的训练样本的互信息值；其中，s为历史症状信息；y为真实证候；
[0021]从大到小选取设定个数的所述互信息值；
[0022]将所述互信息值对应的在唯一标识码下的训练样本，作为第二训练数据集。
[0023]可选地，所述将所述第二训练数据集输入至所述深度神经网络模型，得到预测分类结果，具体包括：
[0024]对所述第二训练数据集进行分类，得到初步分类结果；
[0025]利用一阶逻辑规则对所述初步分类结果进行修正，得到预测分类结果。
[0026]一种中医证候分类系统，包括：
[0027]数据获取模块，用于获取待分类症状；
[0028]分类模块，用于将所述待分类症状输入至证候分类模型，得到分类结果；所述分类结果为证候名称；
[0029]其中，所述证候分类模型是以一阶逻辑规则为约束，利用训练数据集对深度神经网络模型进行训练得到的；所述训练数据集包括多个历史症状信息和多个真实证候；所述一阶逻辑规则是有中医领域知识编译而成的症状与证候的映射关系。
[0030]一种电子设备，包括：存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行上述的中医证候分类方法。
[0031]一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述的中医证候分类方法。
[0032]根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
[0033]本专利技术提供的一种中医证候分类方法，通过获取待分类症状；将所述待分类症状输入至证候分类模型，得到分类结果；所述分类结果为证候名称；其中，所述证候分类模型是以一阶逻辑规则为约束，利用训练数据集对深度神经网络模型进行训练得到的；所述训
练数据集包括多个历史症状信息和多个真实证候；所述一阶逻辑规则是有中医领域知识编译而成的症状与证候的映射关系。本专利技术通过将一阶逻辑形式的领域知识与深度神经网络相结合，提升了中医证候分类的效果以及分类准确性。
附图说明
[0034]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0035]图1为本专利技术提供的一种中医证候分类方法流程图；
[0036]图2为本专利技术的证候分类模型的训练过程示意图；
[0037]图3为本专利技术的候分类模型的训练流程图；
[0038]图4为本专利技术的数据处理流程图；
[0039]图5为本专利技术的深度神经网络模型训练流程图；
[0040]图6为本专利技术的一阶逻辑知识模块处理流程图；
[0041]图7为本专利技术提供的一种中医证候分类系统结构图。
具体实施方式
[0042]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0043]本专利技术的目的是提供一种中医证候分类方法、系统、设备及介质，以提高对中医证候分类本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种中医证候分类方法，其特征在于，包括：获取待分类症状；将所述待分类症状输入至证候分类模型，得到分类结果；所述分类结果为证候名称；其中，所述证候分类模型是以一阶逻辑规则为约束，利用训练数据集对深度神经网络模型进行训练得到的；所述训练数据集包括多个历史症状信息和多个真实证候；所述一阶逻辑规则是有中医领域知识编译而成的症状与证候的映射关系。2.根据权利要求1所述的中医证候分类方法，其特征在于，所述以一阶逻辑规则为约束，利用训练数据集对深度神经网络模型进行训练，具体包括：构建深度神经网络模型；利用基于互信息的特征选择方法对所述训练数据集进行筛选，得到第二训练数据集；将所述第二训练数据集输入至所述深度神经网络模型，得到预测分类结果；计算所述预测分类结果与真实证候的交叉熵损失值；根据所述交叉熵损失值调整所述深度神经网络模型的超参数，当所述交叉熵损失值小于设定阈值时，结束训练，具有当前超参数的所述深度神经网络模型为所述证候分类模型。3.根据权利要求2所述的中医证候分类方法，其特征在于，所述利用基于互信息的特征选择方法对所述训练数据集进行筛选，得到第二训练数据集，具体包括：对所述训练数据集中的每个历史症状信息和每个真实证候生成唯一标识码，得到在唯一标识码下的训练样本，构成中间训练数据集；所述训练样本包括一对历史症状信息和真实证候；利用基于互信息的特征选择方法对所述中间训练数据集进行筛选，得到第二训练数据集。4.根据权利要求3所述的中医证候分类方法，其特征在于，所述利用基于互信息的特...

【专利技术属性】
技术研发人员：张明川，李美雯，吴庆涛，王琳，刘牧华，朱军龙，赵旭辉，
申请(专利权)人：河南科技大学，
类型：发明
国别省市：