【技术实现步骤摘要】
本专利技术涉及康复数据处理领域，更具体地说，它涉及一种基于机器学习的中医康复治疗效果评估系统。
技术介绍
1、中医康复治疗是基于中医理论和方法，中医认为人体是一个有机的整体，各个部分相互联系、相互影响。中医康复治疗强调辨证施治，每个人体的健康状态、气血运行和脏腑功能，都会对治疗手段和方案造成影响。
2、在基于机器学习的中医康复治疗效果评估过程中，由于个体的康复情况不同，导致每个康复周期的治疗方案也不尽相同，而中医知识繁多，导致医生在实际治疗方案中会忽略一些影响因素，进而使治疗效果不太理想，因此治疗方案的优化以及低劣治疗效果提醒，有利于治疗方案优化，而且，由于诊断过程中信息繁多，且在对患者的病症进行人工记录时，容易忽略一些影响内容，且患者诊断信息繁多，也影响有用数据的提取，存在信息质量较差的问题，难以在复杂的应用场景凸显，繁杂的信息导致对治疗效果评估时对有效特征分析和深度挖掘方面存在干扰；导致机器学习中输入数据质量不高，影响模型收敛，无法满足不同患者在不同康复进度下的治疗多样化需求，因此，需要对中医康复治疗效果评估进行设计。
技术实现思路
1、针对现有技术存在的问题，本专利技术的目的在于提供一种基于机器学习的中医康复治疗效果评估系统，实现中医康复治疗的效果评估和个性化最佳治疗方案的生成。
2、为实现上述目的，本专利技术提供了如下技术方案：一种基于机器学习的中医康复治疗效果评估系统，所述基于机器学习的中医康复治疗效果评估系统包括：
3、数据收集模块：
4、特征处理模块：用于对诊断信息进行相关性处理，获取各个疾病名称对应的程度评分值；
5、个性化提取模块：用于构建特征矩阵x和目标变量y，设定并训练特征提取模型，将特征矩阵x和目标变量y导入特征提取模型获取与康复效果评分有关的特征数据，获取关联数据集；
6、治疗效果优化模块：用于构建实时数据集，将患者当前康复周期的实时数据集输入至疗效评估模型中，迭代优化，获取当前康复周期中最佳的治疗方案；
7、各个模块之间通过有线和/或无线的方式进行连接。
8、优选地，所述综合数据包括基本信息和诊断信息，每一个数据类别都设定为一个特征数据；
9、基本信息包括年龄、性别、身高、体重，诊断信息包括病历数据和症状信息，病历数据包括患者的既往病史或者家族病史，症状信息是患者的具体病症描述，当患者进行症状信息口述时，通过录音设备进行语音录入，并使用自动语音识别技术将患者的口述语音转换成文本，形成症状信息；
10、治疗方案包括医生开出的中药处方、治疗方法以及相应实施频次和持续时间；
11、康复数据用于表现各个特征症状的改善数据。
12、优选地，所述相关性处理包括：
13、对诊断信息进行初步处理，识别出诊断信息中疾病名称和相关的修饰词句，并导入词句相似判断模型中，获取输入疾病名称对应的程度评分值；
14、初步处理方式包括分词、词性标注、命名疾病名称识别、依存句法分析、疾病名称提取和修饰词提取，具体为：
15、识别诊断信息中文本的单词边界，将文本分割成单独的词或子词；
16、使用条件随机场对文本进行词性标注，识别每个词的词性；
17、识别文本中的疾病名称并进行标记；
18、通过依存句法分析，识别词语之间的依存关系，提取修饰词和相关描述；
19、结合词性标注和疾病名称识别结果，提取关键词；
20、利用依存句法分析结果，提取与疾病名称相关的修饰词和描述信息。
21、优选地，所述词句相似判断模型包括：
22、构建转换词典，初始化一个空白的词典，人工导入m1组疾病名称，并对每组疾病名称划分出n1组程度评分值，每组程度评分值人工收集k1组明确的修饰词句，通过同义词语料库进行扩展后作为种子词句，所有的种子词句形成初始词库；
23、将识别出疾病名称和相关修饰词导入词句相似判断模型中，计算输入疾病名称的修饰词句与对应种子词句的语义相似度；将语义相似度最高的词句判定为与种子词句的同义词，即将其划分入与种子词句对应的程度评分值中，获取输入疾病名称对应的程度评分值。
24、优选地，所述定义词句相似判断模型的目标函数为，
25、
26、输入修饰词句s1的向量表示为v(s1)，第i个种子词句si的向量表示为v(si)；修饰词句的向量由word2vec获取，i表示修饰词句对应疾病名称中种子词句的索引，s表示修饰词句对应疾病名称中种子词句集合，sj表示种子词句集合中与修饰词句相似度最高的词句，j表示与修饰词句相似度最高种子词句的索引，cp(j)表示相似度最高种子词句sj对应组别中的程度评分值，||v(s1)||、||v(si)||分别表示向量v(si)、v(s1)的模；
27、其中，v(s)表示词句的整体向量，cq表示词句中第q个词的词向量，m表示词句中词的数量，q表示词句中词的索引。
28、优选地，所述构建特征矩阵x包括：对综合数据中每个特征数据进行独热编码，设定特征矩阵x的规格为n×p，其中，n为样本量，p为特征数据的数量，样本量为患者历史治疗次数；
29、构建目标变量y，设定目标变量y的规格为n×1的向量，目标变量包括患者每次治疗后的康复治疗效果评分。
30、优选地，所述特征提取模型基于回归函数进行改进构建，设定回归系数β和正则化参数α，定义特征提取模型的目标函数为，
31、
32、β表示回归系数向量，表示每个特征数据的权重，表示最优的回归系数向量，a表示样本特征的索引，α表示正则化参数，控制正则化项的权重，yb表示第b个样本的目标值，xa表示第a个样本的特征向量，表示第a个样本最优的回归系数，βa表示第a个样本的回归系数，xatβ表示第a个样本的预测值，
33、提取特征提取模型输出非零回归系数对应的特征向量中特征数据，并获取关联数据集。
34、优选地，所述回归系数向量β的设定包括：
35、使用坐标下降优化算法，逐个更新回归系数βa来最小化求解函数，求解函数表示为，
36、
37、对于每个回归系数βa的更新公式为：
38、
39、其中，xba表示特征矩阵x中第b行、第a列的元素，即表示第b个样本的第a个特征值；
40、通过更新公式对回归系数重复更新，直到求解函数收敛，即回归系数β的变化量小于0.1时停止，得到最优的回归系数向量，变化量是指当前迭代次数所代表数据与上一迭代次数所代表数据的差值。
41、优选地，所述正则化参数α的设定包括：
42、定义候选正则化参数α的取值或者取值范围；
43、对于每个候选的α值，使用k折交叉验证计算验证误差，进行k折交叉验证将数据集划分为k个子集，每次使用本文档来自技高网...
【技术保护点】
1.一种基于机器学习的中医康复治疗效果评估系统，其特征在于，所述基于机器学习的中医康复治疗效果评估系统包括：
2.根据权利要求1所述的一种基于机器学习的中医康复治疗效果评估系统，其特征在于，所述综合数据包括基本信息和诊断信息，每一个数据类别都设定为一个特征数据；
3.根据权利要求2所述的一种基于机器学习的中医康复治疗效果评估系统，其特征在于，所述相关性处理包括：
4.根据权利要求3所述的一种基于机器学习的中医康复治疗效果评估系统，其特征在于，所述词句相似判断模型包括：
5.根据权利要求4所述的一种基于机器学习的中医康复治疗效果评估系统，其特征在于，所述定义词句相似判断模型的目标函数为，
6.根据权利要求5所述的一种基于机器学习的中医康复治疗效果评估系统，其特征在于，所述构建特征矩阵X包括：对综合数据中每个特征数据进行独热编码，设定特征矩阵X的规格为n×p，其中，n为样本量，p为特征数据的数量，样本量为患者历史治疗次数；
7.根据权利要求6所述的一种基于机器学习的中医康复治疗效果评估系统，其特征在于，所述特征提
8.根据权利要求7所述的一种基于机器学习的中医康复治疗效果评估系统，其特征在于，所述回归系数向量β的设定包括：
9.根据权利要求8所述的一种基于机器学习的中医康复治疗效果评估系统，其特征在于，所述正则化参数α的设定包括：
10.根据权利要求9所述的一种基于机器学习的中医康复治疗效果评估系统，其特征在于，所述获取当前康复周期中最佳的治疗方案包括：
...【技术特征摘要】
1.一种基于机器学习的中医康复治疗效果评估系统，其特征在于，所述基于机器学习的中医康复治疗效果评估系统包括：
2.根据权利要求1所述的一种基于机器学习的中医康复治疗效果评估系统，其特征在于，所述综合数据包括基本信息和诊断信息，每一个数据类别都设定为一个特征数据；
3.根据权利要求2所述的一种基于机器学习的中医康复治疗效果评估系统，其特征在于，所述相关性处理包括：
4.根据权利要求3所述的一种基于机器学习的中医康复治疗效果评估系统，其特征在于，所述词句相似判断模型包括：
5.根据权利要求4所述的一种基于机器学习的中医康复治疗效果评估系统，其特征在于，所述定义词句相似判断模型的目标函数为，
6.根据权利要求5所述的一种基于机器学习的中医康复治疗效果评估系统，其特征在于，所...
【专利技术属性】
技术研发人员：王友权，张元民，刘静，刘霞，张晓远，刘冰，高尚，王元会，常海宁，
申请(专利权)人：山东航向电子科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。