CN106709520A - 一种基于主题模型的医案分类方法 - Google Patents

一种基于主题模型的医案分类方法 Download PDF

Info

Publication number
CN106709520A
CN106709520A CN201611207980.8A CN201611207980A CN106709520A CN 106709520 A CN106709520 A CN 106709520A CN 201611207980 A CN201611207980 A CN 201611207980A CN 106709520 A CN106709520 A CN 106709520A
Authority
CN
China
Prior art keywords
word
theme
generation
document
disease
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201611207980.8A
Other languages
English (en)
Other versions
CN106709520B (zh
Inventor
张引
李哲蓉
姚亮
魏宝刚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201611207980.8A priority Critical patent/CN106709520B/zh
Publication of CN106709520A publication Critical patent/CN106709520A/zh
Application granted granted Critical
Publication of CN106709520B publication Critical patent/CN106709520B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/5846—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using extracted text

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Library & Information Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Document Processing Apparatus (AREA)
  • Medicines Containing Plant Substances (AREA)

Abstract

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。

Description

一种基于主题模型的医案分类方法
技术领域
本发明涉及文本分类领域，具体涉及一种基于主题模型的医案分类方法。
背景技术
中医医案是中医领域的精粹，包含了医生临床治疗过程中的宝贵经验。从医案中发现知识对于中医临床研究和实践具有重大意义。对医案的自动分类将极大地便利医案的组织、检索的效率，方便中医知识挖掘和管理。主题模型例如LDA能将文本表示成低维的主题分布，常用于文本分类，并且有较好的性能。而主题模型对文章中的词一视同仁，不能区分医案中不同类别的词，例如药方病证。这将减弱主题分布的区分能力。
发明内容
本发明的目的是为训练更具区分度的文本特征表示，取得更好的医案分类效果，提出一种基于主题模型的医案分类方法。
本发明的目的是通过以下技术方案来实现的：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：
1.一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；
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：θd是文档d的文档主题分布，ndk是文档d中主题k被赋给一个词的次数，Nw,Nh,Np,Nd,Nsp,Nsd,Nt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θd的狄利克雷先验的超参数；
6)将步骤5)得到的θd输入训练好的SVM分类器得到相应类别。
2.如权利要求1所述的基于主题模型的医案分类方法，其特征在于所述的中文分词工具包括Java的FNLP和IKAnalyzer。
3.如权利要求1所述的基于主题模型的医案分类方法，其特征在于所述的中药领域词典为《中医药主题词表》中的970味中药；所述的方剂领域词典为《方剂大辞典》中的98334个方剂；所述的疾病领域词典为《中医临床诊疗术语疾病表》的970个疾病；所述的症状领域词典为《中医药主题词表》的701个症状；所述的证候领域词典为《中医临床诊疗术语证候表》的813个证候；所述的治法领域词典为《中医临床诊疗术语治法表》的1006个治法。
4.如权利要求1所述的基于主题模型的医案分类方法，其特征在于所述的步骤4)具体为：
4.1)对于每篇文档d，生成θd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Nw个普通词
4.9.1)根据多项式分布Mult(θd)生成主题zwn；
4.9.2)根据多项式分布生成词wdn；
4.10)对于文档d的Nh个中药词
4.10.1)根据多项式分布Mult(θd)生成主题zhn；
4.10.2)根据多项式分布生成词hdn；
4.11)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zpn；
4.11.2)根据多项式分布生成词pdn；
4.12)对于文档d的Nd个疾病词
4.12.1)根据多项式分布MulN(θd)生成主题zdn；
4.12.2)根据多项式分布生成词dsdn；
4.13)对于文档d的Nsp个症状词
4.13.1)根据多项式分布Mult(θd)生成主题zspn；
4.13.2)根据多项式分布生成词spdn；
4.14)对于文档d的Nsd个证候词
4.14.1)根据多项式分布Mult(θd)生成主题zsdn；
4.14.2)根据多项式分布生成词sddn；
4.15)对于文档d的Nt个治法词
4.15.1)根据多项式分布Mult(θd)生成主题ztn；
4.15.2)根据多项式分布生成词tdn；
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。zwn,zhn,zpn,zdn,zspn,zsdn,ztn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，wdn,hdn,pdn,dsdn,spdn,sddn,tdn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zwn对普通词，主题zhn对中药，主题zpn对方剂，主题zdn对疾病，主题zspn对症状，主题zsdn对证候和主题ztn对治法的多项式分布。
本发明相对于现有技术的有益效果为：
1)提出了一种新的医案主题模型。
2)模型对重要的临床概念和一般词区别对待。
3)模型能够捕捉不同概念词之间的关系。
4)模型能够提高医案分类的准确率。
附图说明
图1为用主题模型进行搜索的整体流程。
图2为主题模型的概率图模型表示。
具体实施方式
以下结合附图和具体实施例对本发明作进一步详细说明。
图1为用主题模型进行搜索的整体流程，对应以下步骤1到6，图2为主题模型的概率图模型表示。
1.一种基于语言模型的医案搜索方法，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)使用开源的中文分词工具，如Java的FNLP和IKAnalyzer，对所有医案
进行包括分词和去停用词在内的预处理；
3)分别使用《中医药主题词表》中的970味中药，《方剂大辞典》中的98334个方剂，《中医临床诊疗术语疾病表》的970个疾病，《中医药主题词表》的701个症状，《中医临床诊疗术语证候表》的813个证候和《中医临床诊疗术语治法表》的1006个治法作为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，具体为：
4.1)对于每篇文档d，生成θd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Nw个普通词
4.9.1)根据多项式分布Mult(θd)生成主题zwn；
4.9.2)根据多项式分布生成词wdn；
4.10)对于文档d的Nh个中药词
4.10.1)根据多项式分布Mult(θd)生成主题zhn；
4.10.2)根据多项式分布生成词hdn；
4.11)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zpn；
4.11.2)根据多项式分布生成词pdn；
4.12)对于文档d的Nd个疾病词
4.12.1)根据多项式分布Mult(θd)生成主题zdn；
4.12.2)根据多项式分布生成词dsdn；
4.13)对于文档d的Nsp个症状词
4.13.1)根据多项式分布Mult(θd)生成主题zspn；
4.13.2)根据多项式分布生成词spdn；
4.14)对于文档d的Nsd个证候词
4.14.1)根据多项式分布Mult(θd)生成主题zsdn；
4.14.2)根据多项式分布生成词sddn；
4.15)对于文档d的Nt个治法词
4.15.1)根据多项式分布Mult(θd)生成主题ztn；
4.15.2)根据多项式分布生成词tdn；
各式中：θd是文档d的文档主题分布，α是θd的狄利克雷先验的超参数，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。zwn,zhn,zpn,zdn,zspn,zsdn,ztn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，wdn,hdn,pdn,dsdn,spdn,sddn,tdn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zwn对普通词，主题zhn对中药，主题zpn对方剂，主题zdn对疾病，主题zspn对症状，主题zsdn对证候和主题ztn对治法的多项式分布。
5)将步骤3)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
式中：ndk是文档d中主题k被赋给一个词的次数，Nw,Nh,Np,Nd,Nsp,Nsd,Nt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；
6)将步骤5)得到的θd输入训练好的SVM分类器得到相应类别。
下面以实施例为基础，对上述方法做进一步说明，实施例中省略的步骤均按照上述方法进行实现。
实施例
一人因进劳，患失痛身热，满身疼痛，恶食，状似伤寒。至十二日后诊，右手寸关浮大，重按少力，左脉微弱。此症虽外感而得，实系平日饥饱失时，劳役过度、元气内仿而致外邪易于凑之耳，不可误用汗下等剂。且见痰气上升，人事不省。先以活络丹一丸利其关窍，至晓痰降安睡，明日身凉，遍体疼痛亦减，以六君子汤加白芍、藿香、煨姜。
使用开源的中文分词工具对所有医案进行包括分词和去停用词在内的预处理，分词结果如下：
人|进|劳|身热|身|疼痛|恶食|状|似|伤寒|十|日|后|诊|右手|寸|关|浮|重|少力|左|脉|微弱|症|外感|实|系|平|日|饥饱|失时|劳役过度|元气|致|外邪|耳|汗|下|剂|痰|气|升|人事|省|先|活络丹|丸|利|关窍|至晓|痰|降|安|睡|明日|身凉|遍体|疼痛|亦|减|六君子汤|加|白芍|藿香|煨|姜
3)分别使用《中医药主题词表》中的970味中药，《方剂大辞典》中的98334个方剂，《中医临床诊疗术语疾病表》的970个疾病，《中医药主题词表》的701个症状，《中医临床诊疗术语证候表》的813个证候和《中医临床诊疗术语治法表》的1006个治法作为领域词典对医案的分词结果进行过滤。
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，如图2所示。
5)将步骤3)得到的六大类词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
式中：θd是文档d的文档主题分布，ndk是文档d中主题k被赋给一个词的次数，Nw,Nh,Np,Nd,Nsp,Nsd,Nt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θd的狄利克雷先验的超参数；
6)将步骤5)得到的θd输入训练好的SVM分类器得到相应类别。实施例属于内科，外感病类。

Claims (4)

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；
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
θ d = n d k + α N w + N h + N p + N d + N s p + N s d + N t + K α
式中：θd是文档d的文档主题分布，ndk是文档d中主题k被赋给一个词的次数，Nw,Nh,Np,Nd,Nsp,Nsd,Nt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θd的狄利克雷先验的超参数；
6)将步骤5)得到的θd输入训练好的SVM分类器得到相应类别。
2.如权利要求1所述的基于主题模型的医案分类方法，其特征在于所述的中文分词工具包括Java的FNLP和IKAnalyzer。
3.如权利要求1所述的基于主题模型的医案分类方法，其特征在于所述的中药领域词典为《中医药主题词表》中的970味中药；所述的方剂领域词典为《方剂大辞典》中的98334个方剂；所述的疾病领域词典为《中医临床诊疗术语疾病表》的970个疾病；所述的症状领域词典为《中医药主题词表》的701个症状；所述的证候领域词典为《中医临床诊疗术语证候表》的813个证候；所述的治法领域词典为《中医临床诊疗术语治法表》的1006个治法。
4.如权利要求1所述的基于主题模型的医案分类方法，其特征在于所述的步骤4)具体为：
4.1)对于每篇文档d，生成θd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Nw个普通词
4.9.1)根据多项式分布Mult(θd)生成主题zwn；
4.9.2)根据多项式分布生成词wdn；
4.10)对于文档d的Nh个中药词
4.10.1)根据多项式分布Mult(θd)生成主题zhn；
4.10.2)根据多项式分布生成词hdn；
4.11)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zpn；
4.11.2)根据多项式分布生成词pdn；
4.12)对于文档d的Nd个疾病词
4.12.1)根据多项式分布Mult(θd)生成主题zdn；
4.12.2)根据多项式分布生成词dsdn；
4.13)对于文档d的Nsp个症状词
4.13.1)根据多项式分布Mult(θd)生成主题zspn；
4.13.2)根据多项式分布生成词spdn；
4.14)对于文档d的Nsd个证候词
4.14.1)根据多项式分布Mult(θd)生成主题zsdn；
4.14.2)根据多项式分布生成词sddn；
4.15)对于文档d的Nt个治法词
4.15.1)根据多项式分布Mult(θd)生成主题ztn；
4.15.2)根据多项式分布生成词tdn；
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；zwn,zhn,zpn,zdn,zspn,zsdn,ztn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，wdn,hdn,pdn,dsdn,spdn,sddn,tdn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zwn对普通词、主题zhn对中药、主题zpn对方剂、主题zdn对疾病、主题zspn对症状、主题zsdn对证候和主题ztn对治法的多项式分布。
CN201611207980.8A 2016-12-23 2016-12-23 一种基于主题模型的医案分类方法 Active CN106709520B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611207980.8A CN106709520B (zh) 2016-12-23 2016-12-23 一种基于主题模型的医案分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611207980.8A CN106709520B (zh) 2016-12-23 2016-12-23 一种基于主题模型的医案分类方法

Publications (2)

Publication Number Publication Date
CN106709520A true CN106709520A (zh) 2017-05-24
CN106709520B CN106709520B (zh) 2019-05-31

Family

ID=58895660

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611207980.8A Active CN106709520B (zh) 2016-12-23 2016-12-23 一种基于主题模型的医案分类方法

Country Status (1)

Country Link
CN (1) CN106709520B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107887022A (zh) * 2017-11-09 2018-04-06 淮阴工学院 一种基于sstm的中医证候智能诊断方法
CN108231200A (zh) * 2018-01-11 2018-06-29 浙江大学 一种基于主题模型和ilp的看病攻略生成方法
CN109299475A (zh) * 2018-11-21 2019-02-01 金色熊猫有限公司 一种医学文档的处理方法、装置、介质及电子设备
CN109408631A (zh) * 2018-09-03 2019-03-01 平安医疗健康管理股份有限公司 药品数据处理方法、装置、计算机设备和存储介质
CN110299206A (zh) * 2018-03-21 2019-10-01 华东师范大学 一种多内容隐含狄利克雷分布模型及中医医案隐含病机挖掘方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103279666A (zh) * 2013-05-30 2013-09-04 中国科学院自动化研究所 中医证候的分子解释工具构造方法
CN104933026A (zh) * 2015-06-11 2015-09-23 福建工程学院 一种中医针灸领域知识自动抽取的实现方法
CN105631018A (zh) * 2015-12-29 2016-06-01 上海交通大学 基于主题模型的文章特征抽取方法
CN105824904A (zh) * 2016-03-15 2016-08-03 浙江大学 基于中医药领域专业词向量的中草药植物图片爬取方法
CN105843868A (zh) * 2016-03-17 2016-08-10 浙江大学 一种基于语言模型的医案搜索方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103279666A (zh) * 2013-05-30 2013-09-04 中国科学院自动化研究所 中医证候的分子解释工具构造方法
CN104933026A (zh) * 2015-06-11 2015-09-23 福建工程学院 一种中医针灸领域知识自动抽取的实现方法
CN105631018A (zh) * 2015-12-29 2016-06-01 上海交通大学 基于主题模型的文章特征抽取方法
CN105824904A (zh) * 2016-03-15 2016-08-03 浙江大学 基于中医药领域专业词向量的中草药植物图片爬取方法
CN105843868A (zh) * 2016-03-17 2016-08-10 浙江大学 一种基于语言模型的医案搜索方法

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107887022A (zh) * 2017-11-09 2018-04-06 淮阴工学院 一种基于sstm的中医证候智能诊断方法
CN107887022B (zh) * 2017-11-09 2021-10-29 淮阴工学院 一种基于sstm的中医证候智能诊断方法
CN108231200A (zh) * 2018-01-11 2018-06-29 浙江大学 一种基于主题模型和ilp的看病攻略生成方法
CN108231200B (zh) * 2018-01-11 2020-06-30 浙江大学 一种基于主题模型和ilp的看病攻略生成方法
CN110299206A (zh) * 2018-03-21 2019-10-01 华东师范大学 一种多内容隐含狄利克雷分布模型及中医医案隐含病机挖掘方法
CN109408631A (zh) * 2018-09-03 2019-03-01 平安医疗健康管理股份有限公司 药品数据处理方法、装置、计算机设备和存储介质
CN109408631B (zh) * 2018-09-03 2023-06-20 深圳平安医疗健康科技服务有限公司 药品数据处理方法、装置、计算机设备和存储介质
CN109299475A (zh) * 2018-11-21 2019-02-01 金色熊猫有限公司 一种医学文档的处理方法、装置、介质及电子设备
CN109299475B (zh) * 2018-11-21 2023-02-03 金色熊猫有限公司 一种医学文档的处理方法、装置、介质及电子设备

Also Published As

Publication number Publication date
CN106709520B (zh) 2019-05-31

Similar Documents

Publication Publication Date Title
CN106709520A (zh) 一种基于主题模型的医案分类方法
Athota et al. Chatbot for healthcare system using artificial intelligence
CN110929511B (zh) 一种基于语义相似性的个性化中医诊疗信息和中药信息智能匹配方法
CN106778657A (zh) 基于卷积神经网络的新生儿疼痛表情分类方法
Subramaniam et al. Automated nociceptive pain assessment using physiological signals and a hybrid deep learning network
CN107066514A (zh) 老年人的情绪识别方法和系统
CN106803012A (zh) 基于概率主题模型和中药基本属性的方剂功能预测方法
CN108899072A (zh) 中药药方推荐方法、装置、计算机设备和存储介质
CN109326350A (zh) 脑梗死临床诊疗系统
Jiang et al. Using link topic model to analyze traditional Chinese medicine clinical symptom-herb regularities
Matharaarachchi et al. Discovering long COVID symptom patterns: association rule mining and sentiment analysis in social media tweets
CN110473631B (zh) 基于真实世界研究的智能睡眠监测方法和系统
CN105843868A (zh) 一种基于语言模型的医案搜索方法
Álvarez Casado et al. Meditation detection using sensors from wearable devices
Chao et al. Meta-analysis of virtual reality based on delaying mild cognitive impairment
Totelin Hippocratic corpus
Yaacoubi et al. A multimodal biometric identification system based on ECG and PPG signals
Hu et al. Automatic heart sound classification using one dimension deep neural network
Qin et al. A traditional Chinese medicine prescription recommendation method based on mutual information clustering
CN108831560A (zh) 一种确定医疗数据属性数据的方法和装置
CN111161819B (zh) 一种中医病历数据处理系统及方法
CN114417014A (zh) 一种以人为中心的基本知识体系构建方法
Su et al. A framework for content-based retrieval of EEG with applications to neuroscience and beyond
Kushima et al. Analysis and Visualization of In-patients’ Nursing Record Using Text Mining Technique
Shetty et al. Text summarization of homeopathic clinical documents

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant