CN114360715A - 体质辨识方法、装置、电子设备及存储介质 - Google Patents

Abstract

本申请提供了一种体质辨识方法、装置、电子设备及存储介质，属于人工智能及数字医疗领域。该方法包括：获取原始问诊文本；对原始问诊文本进行特征提取，得到症状实体特征；通过预设的字典树对症状实体特征进行标准化处理，得到标准症状数据；通过预设的中医知识图谱对标准症状数据进行识别处理，得到目标疾病类别和目标证候类别；对目标疾病类别、目标证候类别以及预设的体质类别进行列联分析处理，得到第一体质辨识数据；对目标疾病类别、目标证候类别以及预设的体质类别进行关联分析处理，得到第二体质辨识数据；对第一体质辨识数据和第二体质辨识数据进行融合处理，得到用于辨识人体体质的目标体质数据。该方法能够提高体质辨识的准确性。

Description

体质辨识方法、装置、电子设备及存储介质

技术领域

本申请涉及人工智能及数字医疗技术领域，尤其涉及一种体质辨识方法、装置、电子设备及存储介质。

背景技术

中医体质分类的判定工具主要为《中医体质量表》、《中医体质分类与判定表》等，目前的体质判断方法常常是结合这些判定工具并通过传统的问答形式来计算得分，进而得到体质类型。这些体质判断方法存在一定的主观性，对于患者而言，有时候并不知道如何回答量表中的问题，并不知道如何根据自身的回答正确对体质量表中的分值进行取舍，这样往往会导致目前的体质辨识方法存在一定程度上的误差，影响体质辨识的准确性。因此，如何提供一种体质辨识方法，能够提高体质辨识的准确性，成为了亟待解决的技术问题。

发明内容

本申请实施例的主要目的在于提出一种体质辨识方法、装置、电子设备及存储介质，旨在提高体质辨识的准确性。

为实现上述目的，本申请实施例的第一方面提出了一种体质辨识方法，所述方法包括：

获取原始问诊文本；

对原始问诊文本进行特征提取，得到症状实体特征；

通过预设的字典树对所述症状实体特征进行标准化处理，得到标准症状数据；

通过预设的中医知识图谱对所述标准症状数据进行识别处理，得到目标疾病类别和目标证候类别；

对所述目标疾病类别、所述目标证候类别以及预设的体质类别进行列联分析处理，得到第一体质辨识数据；

对所述目标疾病类别、所述目标证候类别以及预设的体质类别进行关联分析处理，得到第二体质辨识数据；

对所述第一体质辨识数据和所述第二体质辨识数据进行融合处理，得到目标体质数据；所述目标体质数据用于辨识人体体质。

在一些实施例，所述对原始问诊文本进行特征提取，得到症状实体特征，包括：

识别所述原始问诊文本中的原始症状特征；

通过预先训练的序列分类器对所述原始症状特征进行特征分类处理，得到标注症状特征；

对所述标注症状特征进行卷积处理，得到症状实体特征。

在一些实施例，所述通过预设的字典树对所述症状实体特征进行标准化处理，得到标准症状数据，包括：

利用所述字典树遍历所述症状实体特征；

通过所述字典树对所述症状实体特征进行扩充处理，得到目标症状特征；

根据预设的词性类别和字体类别改写所述目标症状特征，得到候选症状特征；

根据预设的筛选条件对所述候选症状特征进行筛选处理，得到所述标准症状数据。

在一些实施例，所述通过预设的中医知识图谱对所述标准症状数据进行识别处理，得到目标疾病类别和目标证候类别，包括：

根据获取到的参考八纲辨证数据和所述中医知识图谱，将标准症状数据映射到预设的第一向量空间，得到疾病特征向量和证候特征向量；

通过预设函数分别对所述疾病特征向量和所述证候特征向量进行置信度计算，得到对应所述疾病特征向量的疾病类别置信度和对应所述证候特征向量的证候类别置信度；

根据所述疾病类别置信度确定所述目标疾病类别，并根据所述证候类别置信度确定所述目标证候类别。

在一些实施例，所述对所述目标疾病类别、所述目标证候类别以及预设的体质类别进行列联分析处理，得到第一体质辨识数据，包括：

对所述目标疾病类别、所述目标证候类别以及预设的体质类别进行列联分析处理，生成列联分析表；

根据预设的交并集算法和所述列联分析表，计算每一体质类别对应的第一置信度；

根据所述第一置信度与预设的第一阈值的大小关系，得到所述第一体质辨识数据。

在一些实施例，所述对所述目标疾病类别、所述目标证候类别以及预设的体质类别进行关联分析处理，得到第二体质辨识数据，包括：

通过预设的体质关联模型将所述目标疾病类别映射到预设的第二向量空间，得到目标疾病类别序列，并通过所述体质关联模型将所述目标证候类别映射到所述第二向量空间，得到目标证型类别序列；

通过灰色关联法和预设的体质类别对所述目标疾病类别序列和所述目标证型类别序列进行关联分析，得到每一体质类别对应的第二置信度；

根据所述第二置信度与预设的第二阈值的大小关系，得到所述第二体质辨识数据。

在一些实施例，所述对所述第一体质辨识数据和所述第二体质辨识数据进行融合处理，得到目标体质数据，包括：

根据预设的权重比例，对所述第一体质辨识数据和所述第二体质辨识数据进行融合处理，得到综合体质辨识数据；

根据所述综合体质辨识数据，得到体质置信度序列；

根据预设的筛选条件对所述体质置信度序列进行筛选处理，得到目标体质数据。

为实现上述目的，本申请实施例的第二方面提出了一种体质辨识装置，所述装置包括：

原始问诊文本获取模块，用于获取原始问诊文本；

特征提取模块，用于对原始问诊文本进行特征提取，得到症状实体特征；

标准化模块，用于通过预设的字典树对所述症状实体特征进行标准化处理，得到标准症状数据；

识别模块，用于通过预设的中医知识图谱对所述标准症状数据进行识别处理，得到目标疾病类别和目标证候类别；

列联分析模块，用于对所述目标疾病类别、所述目标证候类别以及预设的体质类别进行列联分析处理，得到第一体质辨识数据；

关联分析模块，用于对所述目标疾病类别、所述目标证候类别以及预设的体质类别进行关联分析处理，得到第二体质辨识数据；

融合模块，用于对所述第一体质辨识数据和所述第二体质辨识数据进行融合处理，得到目标体质数据；所述目标体质数据用于辨识人体体质。

为实现上述目的，本申请实施例的第三方面提出了一种电子设备，所述电子设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线，所述程序被所述处理器执行时实现上述第一方面所述的方法。

为实现上述目的，本申请实施例的第四方面提出了一种存储介质，所述存储介质为计算机可读存储介质，用于计算机可读存储，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现上述第一方面所述的方法。

本申请提出的体质辨识方法、装置、电子设备及存储介质，其通过获取原始问诊文本；对原始问诊文本进行特征提取，得到症状实体特征，能够有效地缩小数据总量，更为方便地提取出符合需求的症状实体特征；进而，通过预设的字典树对症状实体特征进行标准化处理，得到标准症状数据，能够剔除异常数据，提高症状数据的准确性和完整性。进一步地，通过预设的中医知识图谱对标准症状数据进行识别处理，得到目标疾病类别和目标证候类别，能够根据中医知识图谱得到相关度更高的目标疾病类别和目标证候类别，提高辨识精度。进一步地，对目标疾病类别、目标证候类别以及预设的体质类别进行列联分析处理，得到第一体质辨识数据，同时，对目标疾病类别、目标证候类别以及预设的体质类别进行关联分析处理，得到第二体质辨识数据，最后对第一体质辨识数据和第二体质辨识数据进行融合处理，得到目标体质数据，能够通过列联分析和关联分析两种方式综合确定目标体质数据，提高了体质辨识的准确性。

附图说明

图1是本申请实施例提供的体质辨识方法的流程图；

图2是图1中的步骤S102的流程图；

图3是图1中的步骤S103的流程图；

图4是图1中的步骤S104的流程图；

图5是图1中的步骤S105的流程图；

图6是图1中的步骤S106的流程图；

图7是图1中的步骤S107的流程图；

图8是本申请实施例提供的体质辨识装置的结构示意图；

图9是本申请实施例提供的电子设备的硬件结构示意图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。

需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。

首先，对本申请中涉及的若干名词进行解析：

人工智能(artificial intelligence，AI)：是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学；人工智能是计算机科学的一个分支，人工智能企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能可以对人的意识、思维的信息过程的模拟。人工智能还是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。

自然语言处理(natural language processing，NLP)：NLP用计算机来处理、理解以及运用人类语言(如中文、英文等)，NLP属于人工智能的一个分支，是计算机科学与语言学的交叉学科，又常被称为计算语言学。自然语言处理包括语法分析、语义分析、篇章理解等。自然语言处理常用于机器翻译、手写体和印刷体字符识别、语音识别及文语转换、信息体质辨识、信息抽取与过滤、文本分类与聚类、舆情分析和观点挖掘等技术领域，它涉及与语言处理相关的数据挖掘、机器学习、知识获取、知识工程、人工智能研究和与语言计算相关的语言学研究等。

信息抽取(Information Extraction，NER)：从自然语言文本中抽取指定类型的实体、关系、事件等事实信息，并形成结构化数据输出的文本处理技术。信息抽取是从文本数据中抽取特定信息的一种技术。文本数据是由一些具体的单位构成的，例如句子、段落、篇章，文本信息正是由一些小的具体的单位构成的，例如字、词、词组、句子、段落或是这些具体的单位的组合。抽取文本数据中的名词短语、人名、地名等都是文本信息抽取，当然，文本信息抽取技术所抽取的信息可以是各种类型的信息。

长短期记忆网络(Long Short-Term Memory，LSTM)：是一种时间循环神经网络，是为了解决一般的RNN(循环神经网络)存在的长期依赖问题而专门设计出来的，所有的RNN都具有一种重复神经网络模块的链式形式。在标准RNN中，这个重复的结构模块只有一个非常简单的结构，例如一个tanh层。LSTM是一种含有LSTM区块(blocks)或其他的一种类神经网络，文献或其他资料中LSTM区块可能被描述成智能网络单元，因为它可以记忆不定时间长度的数值，区块中有一个gate能够决定input是否重要到能被记住及能不能被输出output。

双向长短时记忆(Bi-directional Long Short-Term Memory，Bi-LSTM)：是由前向LSTM与后向LSTM组合而成。在自然语言处理任务中都常被用来建模上下文信息。Bi-LSTM在LSTM的基础上，结合了输入序列在前向和后向两个方向上的信息。对于t时刻的输出，前向LSTM层具有输入序列中t时刻以及之前时刻的信息，而后向LSTM层中具有输入序列中t时刻以及之后时刻的信息。前向LSTM层t时刻的输出记作，后向LSTM层t时刻的输出结果记作，两个LSTM层输出的向量可以使用相加、平均值或连接等方式进行处理。

字典树(Trie树)：又称单词查找树或键树，是一种树形结构，是一种哈希树的变种。典型应用是用于统计和排序大量的字符串(但不仅限于字符串)，所以经常被搜索引擎系统用于文本词频统计。它的优点是：最大限度地减少无谓的字符串比较。Trie的核心思想是空间换时间。利用字符串的公共前缀来降低查询时间的开销以达到提高效率的目的。前缀树的3个基本性质：(1)根节点不包含字符，除根节点外每一个节点都只包含一个字符。(2)从根节点到某一节点，路径上经过的字符连接起来，为该节点对应的字符串。(3)每个节点的所有子节点包含的字符都不相同。

知识图谱(Knowledge Graph)：是通过将应用数学、图形学、信息可视化技术、信息科学等学科的理论与方法与计量学引文分析、共现分析等方法结合，并利用可视化的图谱形象地展示学科的核心结构、发展历史、前沿领域以及整体知识架构达到多学科融合目的现代理论。知识图谱主要目标是用来描述真实世界中存在的各种实体和概念，以及他们之间的强关系，我们用关系去描述两个实体之间的关联。在Web视角下，知识图谱如同简单文本之间的超链接一样，通过建立数据之间的语义链接，支持语义搜索。在自然语言处理视角下，知识图谱就是从文本中抽取语义和结构化的数据。在人工智能视角下，知识图谱是利用知识库来辅助理解人类语言的工具。在数据库视角下，知识图谱是利用图的方式去存储知识的方法。知识图谱是比较通用的语义知识的形式化描述框架，用节点表示语义符号，用边表示语义之间的关系。知识图谱旨在描述真实世界中存在的各种实体或概念及其关系,其构成一张巨大的语义网络图，节点表示实体或概念，边则由属性或关系构成。现在的知识图谱已被用来泛指各种大规模的知识库。知识图谱又被称作语义网络(semantic network)，从早期开始，语义网络就推动了基于图的知识表示，例如，推动RDF标准的过程中，在这样一个基于图的知识表示体系里面，实体作为图的节点，节点之间的连线作为关系。在构建知识图谱的过程中，往往需要将文本向量化，因此基于文本数据的Word2Vec应运而生，其通过浅神经网络语言模型将每个词用一个向量表示，通过构建输入层、映射层和输出层，利用神经网络学习可预测在该词上下文中出现概率最大的词语。通过对文本词库的训练将文本转化为n维向量空间中的向量，并通过在空间中的余弦相似度代表词语在语义上的接近程度。

八纲辨病辨证：八纲，就是阴、阳、表、里、寒、热、虚、实证候归类的八个纲领。医生根据问、望、闻、切四诊搜集和掌握的各种病情资料(包括病史、主要症状、舌象、脉象和其他病理体征)，运用八纲进行分析综合，从而辨别病变部位的浅深、疾病性质的寒热、邪正斗争的盛衰和病证类别的阴阳作为辨证的纲领的方法，称之为八纲辨证。辨证的过程也就是诊断疾病的过程，从整体观出发，运用中医理论，将四诊收集到的病史，症状，体征等信息进行综合分析，判断疾病的病因、病变部位、疾病性质和正邪盛衰变化，从而作出诊断的过程。阴、阳是指疾病的类别，表、里是指病变部位的深浅，寒、热是指疾病的性质，虚、实是指邪正的消长盛衰。其中阴、阳两纲是八纲中的总纲，具有统领其它六纲(又称“六变”)的意义。表、热、实属阳；里、虚、寒属阴。阴阳、表里、寒热、虚实这四对矛盾，是相对的，又是互相密切联系的。例如表证，就有表寒、表热、表虚、表实之分，还有表寒里热、表热里寒、表虚里实、表实里虚等错综复杂的关系。其它寒证、热证、虚证、实证也是如此。在一定的条件下，这四对矛盾的变方，可以向对方互相转化，如由表及里，由里出表，寒证化热，热证化寒，由阳及阴，由阴转阳等等。参阅有关各条。

列联分析：列联分析通常用来分析两个分类变量之间或者一个分类变量与顺序变量之间是否存在关联，关联的紧密程度如何。对关联性问题的处理称为独立性检验(Testof Independence)，通过交叉列联表和c2检验进行列联分析。交叉列联表分为二维表与三维表两种，二维表交叉表可进行卡方检验，三维交叉表，可作Mentel-Hanszel分层分析。

Soft voting：软投票也称加权平均概率投票，是使用输出类概率分类的投票法，其通过输入权重，得到每个类概率的加权平均值，并选择值较大的那一类。

体质现象是人类生命活动的一种重要表现形式，是指人体生命过程中，在先天禀赋和后天获得的基础上所形成的形态结构、生理功能和心理状态方面综合的、相对稳定的固有特质，是人类在生长、发育过程中所形成的与自然、社会环境相适应的人体个性特征。

中医运用阴阳、表里、寒热、虚实八纲，对病证进行分析归纳，从而为施治提供依据的辨证方法。表里辨病证部位和病势深浅；寒热辨病证性质；虚实辨邪正盛衰；阴阳则统摄六纲，为八纲之总纲。由于八纲辨证具有高度的概括性，包含了其他多种辨证方法的共同特点，起执简驭繁、提纲挈领的作用，故为辨证论治的核心理论和基本方法，在中医学中占有十分重要的地位。

中医体质学以生命个体的人为研究出发点，旨在研究不同体质构成特点、演变规律、影响因素、分类标准，从而应用于指导疾病的预防、诊治、康复与养生。

中医体质分类的判定工具主要为《中医体质量表》、《中医体质分类与判定表》等，目前的体质判断方法常常是结合这些判定工具并通过传统的问答形式来计算得分，进而得到体质类型。这些体质判断方法存在一定的主观性，对于患者而言，有时候并不知道如何回答量表中的问题，并不知道如何根据自身的回答正确对体质量表中的分值进行取舍，这样往往会导致目前的体质辨识方法存在一定程度上的误差，影响体质辨识的准确性。因此，如何提供一种体质辨识方法，能够提高体质辨识的准确性，成为了亟待解决的技术问题。

基于此，本申请实施例提供了一种体质辨识方法、装置、电子设备及存储介质，旨在提高体质辨识的准确性。

本申请实施例提供的体质辨识方法、装置、电子设备及存储介质，具体通过如下实施例进行说明，首先描述本申请实施例中的体质辨识方法。

本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。

人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。

本申请实施例提供的体质辨识方法，涉及人工智能及数字医疗技术领域。本申请实施例提供的体质辨识方法可应用于终端中，也可应用于服务器端中，还可以是运行于终端或服务器端中的软件。在一些实施例中，终端可以是智能手机、平板电脑、笔记本电脑、台式计算机等；服务器端可以配置成独立的物理服务器，也可以配置成多个物理服务器构成的服务器集群或者分布式系统，还可以配置成提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN以及大数据和人工智能平台等基础云计算服务的云服务器，例如医疗云等等；软件可以是实现体质辨识方法的应用等，但并不局限于以上形式。

医疗云(Medical cloud)，是指在云计算、移动技术、多媒体、4G通信、大数据、以及物联网等新技术基础上，结合医疗技术，使用“云计算”来创建医疗健康服务云平台，实现了医疗资源的共享和医疗范围的扩大。因为云计算技术的运用于结合，医疗云提高医疗机构的效率，方便居民就医。像现在医院的预约挂号、电子病历、医保等都是云计算与医疗领域结合的产物，医疗云还具有数据安全、信息共享、动态扩展、布局全局的优势。

本申请可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

图1是本申请实施例提供的体质辨识方法的一个可选的流程图，图1中的方法可以包括但不限于包括步骤S101至步骤S107。

步骤S101，获取原始问诊文本；

步骤S102，对原始问诊文本进行特征提取，得到症状实体特征；

步骤S103，通过预设的字典树对症状实体特征进行标准化处理，得到标准症状数据；

步骤S104，通过预设的中医知识图谱对标准症状数据进行识别处理，得到目标疾病类别和目标证候类别；

步骤S105，对目标疾病类别、目标证候类别以及预设的体质类别进行列联分析处理，得到第一体质辨识数据；

步骤S106，对目标疾病类别、目标证候类别以及预设的体质类别进行关联分析处理，得到第二体质辨识数据；

步骤S107，对第一体质辨识数据和第二体质辨识数据进行融合处理，得到目标体质数据；目标体质数据用于辨识人体体质。

本申请实施例所示意的步骤S101至步骤S107中，通过对原始问诊文本进行特征提取，能够有效地缩小数据总量，更为方便地提取出符合需求的症状实体特征。通过预设的字典树对症状实体特征进行标准化处理能够剔除异常数据，提高症状数据的准确性和完整性。通过预设的中医知识图谱对标准症状数据进行识别处理，能够根据中医知识图谱得到相关度更高的目标疾病类别和目标证候类别。最后，通过列联分析和关联分析两种方式综合确定目标体质数据，能够较好地提高体质辨识的准确性。

在一些实施例的步骤S101中，可以通过编写网络爬虫,设置好数据源之后进行有目的性地爬取数据，得到原始问诊文本。也可以是通过对用户进行图文咨询、电话回访、视频问诊等方式获得原始问诊文本；或者是根据用户的体检报告、用户在健康数据平台上的标签记录获取到原始问诊文本；还可以通过其他方式获取原始问诊文本，不限于此。需要说明的是，该原始文本为自然语言文本。

在一种可能的实现方式中，自然语言文本为医疗文本，医疗文本可以是医疗电子记录(Electronic Healthcare Record)，电子化的个人健康记录，包括病历、心电图、医学影像等一系列具备保存备查价值的电子化记录。

请参阅图2，在一些实施例中，为了得到症状实体特征，步骤S102可以包括但不限于包括步骤S201至步骤S203：

步骤S201，识别原始问诊文本中的原始症状特征；

步骤S202，通过预先训练的序列分类器对原始症状特征进行特征分类处理，得到标注症状特征；

步骤S203，对标注症状特征进行卷积处理，得到症状实体特征。

具体地，在一些实施例的步骤S201中，首先构建问诊数据词库，该问诊数据词库可以包括各种医学场景名称或者问诊类型相关的医学专有名词、术语、非专有名称等等。通过这一问诊数据词库，预设的词法分析模型可以根据问诊数据词库里包含的特定问诊对话语料以及预设的词性类别，对原始问诊文本中的原始症状特征进行识别，该原始症状特征可以包括与症状相关的医学专有名词、术语、非专有名称、修饰词、时间信息等多个维度的实体词汇。需要说明的是，预设的词法分析模型可以是中文词法分析模型(即LexicalAnalysis of Chinese，LAC模型)，该模型是基于一个堆叠的双向GRU结构，在长文本上准确复刻了百度AI开放平台上的词法分析算法；该模型在分词、词性、专名识别等方面的整体准确率较高。

在一些实施例的步骤S202中，利用预先训练的序列分类器对原始症状特征进行标记，使得这些原始症状特征都能够带上预设的标签，以便提高分类效率。具体地，预先训练的序列分类器可以是最大熵马尔科夫模型(MEMM模型)或者是基于双向长短时记忆算法(bi-LSTM)的模型。例如，可以基于bi-LSTM算法构建序列分类器，在基于bi-LSTM算法的模型中,输入单词wi和字符嵌入，通过左到右的长短记忆和右向左的长短时记忆,使得在输出被连接的位置生成单一的输出层。序列分类器通过这一输出层可以将输入的原始症状特征直接传递到softmax分类器上,通过softmax分类器在预设的词性类别标签上创建一个概率分布，从而根据概率分布对原始症状特征进行特征分类处理，得到标注症状特征。

在一些实施例的步骤S203中，利用卷积层对标注症状特征进行卷积处理，以实现对症状特征的提取，得到所需要的症状实体特征。

请参阅图3，在一些实施例中，为了得到标准症状数据，步骤S103可以包括但不限于包括步骤S301至步骤S304：

步骤S301，利用字典树遍历症状实体特征；

步骤S302，通过字典树对症状实体特征进行扩充处理，得到目标症状特征；

步骤S303，根据预设的词性类别和字体类别改写目标症状特征，得到候选症状特征；

步骤S304，根据预设的筛选条件对候选症状特征进行筛选处理，得到标准症状数据。

具体地，在步骤S301和步骤S302中，由于预设的字典树中预先存储有相应的参考症状实体特征，该参考症状实体特征作为字典树的子节点，参考症状实体特征的全称为字典树的叶子节点；利用该字典树遍历症状实体特征，对参考症状实体特征进行提取，在字典树中从根节点开始，逐步向下查找，遍历所有的叶子节点，计算每一叶子节点的参考症状实体特征与当前症状实体特征的相似度，提取相似度大于预设阈值的叶子节点的参考症状实体特征，将这一系列的参考症状实体特征和当前症状实体特征纳入同一集合，从而实现对症状实体特征进行扩充处理，得到目标症状特征，需要解释的是，该目标症状特征指该集合内的全部特征数据。

在一些实施例的步骤S303中，为了保证数据完整性，还需要改写目标症状特征，例如，对目标症状特征里的每一字段/字符进行简繁体转换、大小写转换，同音词替换、同义词替换等操作，得到候选症状特征。

在一些实施例的步骤S304中，为了提高辨识的准确性，还需对候选症状特征进行筛选处理，例如，可以根据预设的句子长度、词性类别对候选症状特征进行筛选处理，剔除掉不符合要求的候选症状特征，将符合长度要求以及词性类别要求的候选症状特征作为最终的标准症状数据。

在一些实施例中，在步骤S104之前，该体质辨识方法还包括预先构建中医知识图谱，其中，预先构建中医知识图谱的过程可以包括但不限于包括步骤a1至步骤d1：

步骤a1、获取中医样本问诊数据；

步骤b1、根据中医样本问诊数据构建初始知识图谱；

步骤c1、利用贝叶斯网络对初始知识图谱进行挖掘处理，得到疾病类别、证候类别以及体质类别之间的相关性数据以及用药数据；

步骤d1、将相关性数据和用药数据映射到初始知识图谱中，以更新初始知识图谱，得到中医知识图谱。

具体地，在步骤a1和步骤b1中，可以通过编写网络爬虫,设置好数据源之后进行有目的性地爬取数据，得到中医样本问诊数据。该中医样本问诊数据可以包括与中医相关的经验数据，对经验数据中的疾病类别、证候类别、体质类别以及中医药出现的频次进行统计，并计算疾病类别、证候类别、体质类别以及中医药之间的关联规则；根据传统技术中的根据中医经验构建的已知知识图谱构建初始知识图谱的模式图；将已知知识图谱中的结构化数据和非结构化数据转换成疾病类别-证候类别-体质类别的三元组，将三元组通过知识融合的方式整合到知识图谱中，获得初始知识图谱的数据图以及调整后的模式图；根据知识图谱的推理功能对初始知识图谱进行逻辑检查，获得最终的初始知识图谱。

在步骤c1中，由于贝叶斯网络能够将多元知识图解成一种可视化的概率知识表达与推理模型，该模型能够更为贴切地蕴含网络节点变量之间的因果关系及条件相关关系。同时，贝叶斯网络用条件概率表达各个信息要素之间的相关关系，能在有限的、不完整的、不确定的信息条件下进行学习和推理。在本申请实施例中，将贝叶斯网络用于对初始的知识图谱进行挖掘，获得疾病类别-证候类别-体质类别的直接和间接的关系以及用药规律，以作为挖掘结果。

在步骤d1中，可以通过MLP网络将相关性数据和用药数据映射到初始知识图谱中，对初始知识图谱进行更新，得到最终的中医知识图谱。

请参阅图4，在一些实施例中，步骤S104可以包括但不限于包括步骤S401至步骤S403：

步骤S401，根据获取到的参考八纲辨证数据和中医知识图谱，将标准症状数据映射到预设的第一向量空间，得到疾病特征向量和证候特征向量；

步骤S402，通过预设函数分别对疾病特征向量和证候特征向量进行置信度计算，得到对应疾病特征向量的疾病类别置信度和对应证候特征向量的证候类别置信度；

步骤S403，根据疾病类别置信度确定目标疾病类别，并根据证候类别置信度确定目标证候类别。

具体地，在步骤S401中，首先识别中医知识图谱上的参考八纲辩证数据，进而，根据参考八纲辩证数据与参考疾病特征、参考证候特征的对应关系及连通路径，将标准症状数据映射到预设的第一向量空间，得到疾病特征向量和证候特征向量。例如，由于中医知识图谱是根据中医理论中的八纲辩证路径建立而成，因而，可以根据先辨病后辩证的原则，对标准症状数据中的主诉信息、主要辩证信息以及主要辩证信息对应的症状信息进行区分，分别计算该标准症状数据的、主要辩证信息、症状信息在中医知识图谱上命中的八纲辩证诊断路径及路径数量等等，进而，根据这些命中的八纲辩证诊断路径及路径数量，利用MLP网络将标准症状数据进行映射处理，得到疾病特征向量和证候特征向量。

进一步地，在步骤S402中，预设函数可以为softmax函数等等，以softmax函数为例，通过预设的softmax函数分别对每一疾病类别以及证候类别进行概率计算，得到每一疾病类别对应的疾病概率值以及每一证候类别对应的证候概率值，将疾病概率值作为疾病类别置信度，将证候概率值作为证候类别置信度。

最后，在步骤S403中，为了提高辨识效率，可以将疾病类别置信度(疾病概率值)较大的五个疾病类别作为目标疾病类别，将证候类别置信度(证候概率值)较大的五个证候类别作为目标证候类别。

需要说明的是，在一些其他实施例中还可以根据其他筛选方式来确定目标疾病类别以及目标证候类别，不限于此。

请参阅图5，在一些实施例中，为了得到第一体质辨识数据，步骤S105可以包括但不限于包括步骤S501至步骤S503：

步骤S501，对目标疾病类别、目标证候类别以及预设的体质类别进行列联分析处理，生成列联分析表；

步骤S502，根据预设的交并集算法和列联分析表，计算每一体质类别对应的第一置信度；

步骤S503，根据第一置信度与预设的第一阈值的大小关系，得到第一体质辨识数据。

具体地，执行步骤S501，对目标疾病类别、目标证候类别以及预设的体质类别进行列联分析处理，将目标疾病类别和目标证型作为列联分析表的列变量，体质列表作为列联表的行变量，生成列联分析表，同时，根据目标疾病类别的疾病置信度以及证候类别的证候类别置信度，分别计算每组行列组合的条件频数百分比。

进一步地，执行步骤S502，根据该条件频数百分比以及预设的交并集算法，来综合计算每一体质类别对应的第一置信度。例如，分别计算(体质类别∩疾病类别)/疾病类别、(体质类别∩证候类别)/证候类别的结果之后，根据条件频数百分比对二者得到的结果进行加权计算求取平均值，能够得到每一体质类别对应的第一置信度。

最后，执行步骤S503,比较第一置信度与预设的第一阈值的大小关系，提取第一置信度大于或者等于第一阈值的体质类别，将这些体质类别纳入同一集合，将该集合内的体质类别及体质类别对应的第二置信度等数据作为第一体质辨识数据。

需要说明的是，第一阈值可以根据实际需求设定，例如，第一阈值可以是0.7，则将第一置信度大于或者等于0.7的体质类别纳入第一体质辨识数据中。

在一些实施例，在步骤S106之前，该体质辨识方法还包括预先训练体质关联模型，训练过程具体包括：

步骤a2，获取样本八纲问诊数据，其中，样本八纲问诊数据包括疾病类别数据和证候类别数据；

步骤b2，将样本八纲问诊数据输入至初始模型中；

步骤c2，通过初始模型的FPgrowth算法对样本八纲问诊数据进行频繁项集挖掘，得到标准八纲数据；

步骤d2，根据灰色关联法和标准八纲数据，计算出每一体质类别对应的样本置信度；

步骤e2，通过样本置信度和预设的置信度阈值对初始模型的损失函数调整，以更新初始模型，得到体质关联模型。

具体地，在步骤a2和步骤b2中，可以通过编写网络爬虫,设置好数据源之后进行有目的性地爬取数据，得到样本八纲问诊数据。该中医样本问诊数据可以包括疾病类别数据和证候类别数据。进而，将样本八纲问诊数据输入至初始模型中。

在步骤c2中，通过FPgrowth算法对样本八纲问诊数据进行频繁项集挖掘。由于FP-growth是一种以自底向上方式探索树，由FP树产生频繁项集的算法，根据样本八纲问诊数据中的疾病类别数据以及证候类别数据构建FP树，FPgrowth算法首先查找以目标参数(例如字母e)结尾的频繁项集，接下来是字母b,字母c,字母d，最后是字母a，由于每一个事务都映射到FP树中的一条路径，通过仅考察包含特定目标参数节点的路径，就可以发现以目标参数结尾的频繁项集，使用与目标参数节点相关联的指针，可以快速访问这些路径，从而得到标准八纲数据。

在步骤d2中，根据相关技术中的四诊辨识法，灰色关联法中因变量组成的序列即为中医体质中的九种样本体质类别，样本体质类别作为样本参考序列，自变量组成的序列即为根据标准八纲数据得到的样本证型类别序列以及样本疾病类别序列，记为样本比较序列。通过灰色关联法分别计算每一样本体质类别对应的样本置信度。

最后，在步骤e2中，比较样本置信度与置信度阈值的大小，根据样本置信度与置信度阈值的大小关系，对初始模型的损失函数的模型损失进行反向传播，以对模型参数进行微调，使得样本置信度大于置信度阈值，停止对初始模型的更新，得到最后的体质关联模型。

请参阅图6，在一些实施例中，为了得到第二体质辨识数据，步骤S106可以包括但不限于包括步骤S601至步骤S603：

步骤S601，通过预设的体质关联模型将目标疾病类别映射到预设的第二向量空间，得到目标疾病类别序列，并通过体质关联模型将目标证候类别映射到第二向量空间，得到目标证型类别序列；

步骤S602，通过灰色关联法和预设的体质类别对目标疾病类别序列和目标证型类别序列进行关联分析，得到每一体质类别对应的第二置信度；

步骤S603，根据第二置信度与预设的第二阈值的大小关系，得到第二体质辨识数据。

具体地，在步骤S601中，通过体质关联模型中的MLP网络将目标疾病类别、目标证候类别分别映射到第二向量空间，分别得到与目标疾病类别对应的目标疾病类别序列以及与目标证候类别对应的目标证候类别序列。

需要说明的是，该MLP网络包含三层，即输入层、隐藏层和输出层，该MLP网络的不同层之间是全连接的，上一层的任何一个神经元与下一层的所有神经元均保持连接，能够减少梯度损失，提高映射效果。

在步骤S602中，根据相关技术中的四诊辨识法，灰色关联法中因变量组成的序列即为中医体质中的九种体质类别，体质类别作为参考序列，自变量组成的序列即为目标证型类别序列以及目标疾病类别序列，记为比较序列。通过灰色关联法分别计算每一体质类别对应的关联度，将该关联度作为第二置信度。关联度的计算过程如公式(1)所示：

其中，i、n、k为整数，§i(k)为灰色关联系数。

进一步地，灰色关联度系数的计算过程如公式(2)所示：

其中，θ为分辨系数，取值范围为(0，1)；Yi(k)为第k个参考序列；Xi(k)为第k个参考序列对应的比较序列，i为整数。

在步骤S603中，比较第二置信度与预设的第二阈值的大小关系，提取第二置信度大于或者等于第二阈值的体质类别，将这些体质类别纳入同一集合，将该集合内的体质类别及体质类别对应的第二置信度等数据作为第二体质辨识数据。

需要说明的是，第二阈值可以根据实际需求设定，例如，第二阈值可以是0.7，则将第二置信度大于或者等于0.7的体质类别纳入第二体质辨识数据中。

请参阅图7，在一些实施例中，为了得到用于辨识人体体质的目标体质数据，步骤S107可以包括但不限于包括步骤S701至步骤S703：

步骤S701，根据预设的权重比例，对第一体质辨识数据和第二体质辨识数据进行融合处理，得到综合体质辨识数据；

步骤S702，根据综合体质辨识数据，得到体质置信度序列；

步骤S703，根据预设的筛选条件对体质置信度序列进行筛选处理，得到目标体质数据。

具体地，在步骤S701中，预设的权重比例可以根据实际需求进行设定，也可以根据对现有样本问诊数据进行列联分析以及关联分析综合得来，不做限制。通过Soft Voting算法以及权重比例，对第一体质识别数据和第二体质识别数据进行融合处理，即使第一体质识别数据/第二体质识别数据内的体质类别对应的第一置信度/第二置信度与预设的权重占比进行乘积，得到每一体质类别的综合置信度，特别地，对于在第一体质辨识数据和第二体质辨识数据中均出现的体质类别，利用Soft Voting算法将该体质类别对应的第一置信度与第二置信度分别与对应的权重占比进行乘积之后，取平均值作为该体质类别对应的综合置信度，从而得到综合体质辨识数据，该综合体质辨识数据包括最有可能出现的体质类别及每一体质类别对应的综合置信度。

在步骤S702和步骤S703中，根据综合体质辨识数据中的综合置信度，对综合置信度由大到小进行降序排列，得到体质置信度序列。最后，根据实际需要，可以筛选出综合置信度较大的三个体质类别，将体质类别以及该体质数据对应的疾病数据、证候数据等等作为目标体质数据，通过该目标体质数据来辨识人体体质。

本申请实施例通过获取原始问诊文本；对原始问诊文本进行特征提取，得到症状实体特征，能够有效地缩小数据总量，更为方便地提取出符合需求的症状实体特征；进而，通过预设的字典树对症状实体特征进行标准化处理，得到标准症状数据，能够剔除异常数据，提高症状数据的准确性和完整性。进一步地，通过预设的中医知识图谱对标准症状数据进行识别处理，得到目标疾病类别和目标证候类别，能够根据中医知识图谱得到相关度更高的目标疾病类别和目标证候类别，提高辨识精度。进一步地，对目标疾病类别、目标证候类别以及预设的体质类别进行列联分析处理，得到第一体质辨识数据，同时，对目标疾病类别、目标证候类别以及预设的体质类别进行关联分析处理，得到第二体质辨识数据，最后对第一体质辨识数据和第二体质辨识数据进行融合处理，得到目标体质数据，能够通过列联分析和关联分析两种方式综合确定目标体质数据，提高了体质辨识的准确性。

请参阅图8，本申请实施例还提供一种体质辨识装置，可以实现上述体质辨识方法，该装置包括：

原始问诊文本获取模块801，用于获取原始问诊文本；

特征提取模块802，用于对原始问诊文本进行特征提取，得到症状实体特征；

标准化模块803，用于通过预设的字典树对症状实体特征进行标准化处理，得到标准症状数据；

识别模块804，用于通过预设的中医知识图谱对标准症状数据进行识别处理，得到目标疾病类别和目标证候类别；

列联分析模块805，用于对目标疾病类别、目标证候类别以及预设的体质类别进行列联分析处理，得到第一体质辨识数据；

关联分析模块806，用于对目标疾病类别、目标证候类别以及预设的体质类别进行关联分析处理，得到第二体质辨识数据；

融合模块807，用于对第一体质辨识数据和第二体质辨识数据进行融合处理，得到目标体质数据；目标体质数据用于辨识人体体质。

该体质辨识装置的具体实施方式与上述体质辨识方法的具体实施例基本相同，在此不再赘述。

本申请实施例还提供了一种电子设备，电子设备包括：存储器、处理器、存储在存储器上并可在处理器上运行的程序以及用于实现处理器和存储器之间的连接通信的数据总线，程序被处理器执行时实现上述体质辨识方法。该电子设备可以为包括平板电脑、车载电脑等任意智能终端。

请参阅图9，图9示意了另一实施例的电子设备的硬件结构，电子设备包括：

处理器901，可以采用通用的CPU(CentralProcessingUnit，中央处理器)、微处理器、应用专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本申请实施例所提供的技术方案；

存储器902，可以采用只读存储器(ReadOnlyMemory，ROM)、静态存储设备、动态存储设备或者随机存取存储器(RandomAccessMemory，RAM)等形式实现。存储器902可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器902中，并由处理器901来调用执行本申请实施例的体质辨识方法；

输入/输出接口903，用于实现信息输入及输出；

通信接口904，用于实现本设备与其他设备的通信交互，可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信；

总线905，在设备的各个组件(例如处理器901、存储器902、输入/输出接口903和通信接口904)之间传输信息；

其中处理器901、存储器902、输入/输出接口903和通信接口904通过总线905实现彼此之间在设备内部的通信连接。

本申请实施例还提供了一种存储介质，存储介质为计算机可读存储介质，用于计算机可读存储，存储介质存储有一个或者多个程序，一个或者多个程序可被一个或者多个处理器执行，以实现上述体质辨识方法。

存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

本申请实施例描述的实施例是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。

本领域技术人员可以理解的是，图1-7中示出的技术方案并不构成对本申请实施例的限定，可以包括比图示更多或更少的步骤，或者组合某些步骤，或者不同的步骤。

以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。

本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，上述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括多指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例的方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序的介质。

以上参照附图说明了本申请实施例的优选实施例，并非因此局限本申请实施例的权利范围。本领域技术人员不脱离本申请实施例的范围和实质内所作的任何修改、等同替换和改进，均应在本申请实施例的权利范围之内。

Claims (10)

1.一种体质辨识方法，其特征在于，所述方法包括：

获取原始问诊文本；

对原始问诊文本进行特征提取，得到症状实体特征；

通过预设的字典树对所述症状实体特征进行标准化处理，得到标准症状数据；

通过预设的中医知识图谱对所述标准症状数据进行识别处理，得到目标疾病类别和目标证候类别；

对所述目标疾病类别、所述目标证候类别以及预设的体质类别进行列联分析处理，得到第一体质辨识数据；

对所述目标疾病类别、所述目标证候类别以及预设的体质类别进行关联分析处理，得到第二体质辨识数据；

对所述第一体质辨识数据和所述第二体质辨识数据进行融合处理，得到目标体质数据；所述目标体质数据用于辨识人体体质。

2.根据权利要求1所述的体质辨识方法，其特征在于，所述对原始问诊文本进行特征提取，得到症状实体特征，包括：

识别所述原始问诊文本中的原始症状特征；

通过预先训练的序列分类器对所述原始症状特征进行特征分类处理，得到标注症状特征；

对所述标注症状特征进行卷积处理，得到症状实体特征。

3.根据权利要求1所述的体质辨识方法，其特征在于，所述通过预设的字典树对所述症状实体特征进行标准化处理，得到标准症状数据，包括：

利用所述字典树遍历所述症状实体特征；

通过所述字典树对所述症状实体特征进行扩充处理，得到目标症状特征；

根据预设的词性类别和字体类别改写所述目标症状特征，得到候选症状特征；

根据预设的筛选条件对所述候选症状特征进行筛选处理，得到所述标准症状数据。

4.根据权利要求1所述的体质辨识方法，其特征在于，所述通过预设的中医知识图谱对所述标准症状数据进行识别处理，得到目标疾病类别和目标证候类别，包括：

根据获取到的参考八纲辨证数据和所述中医知识图谱，将标准症状数据映射到预设的第一向量空间，得到疾病特征向量和证候特征向量；

通过预设函数分别对所述疾病特征向量和所述证候特征向量进行置信度计算，得到对应所述疾病特征向量的疾病类别置信度和对应所述证候特征向量的证候类别置信度；

根据所述疾病类别置信度确定所述目标疾病类别，并根据所述证候类别置信度确定所述目标证候类别。

5.根据权利要求1所述的体质辨识方法，其特征在于，所述对所述目标疾病类别、所述目标证候类别以及预设的体质类别进行列联分析处理，得到第一体质辨识数据，包括：

对所述目标疾病类别、所述目标证候类别以及预设的体质类别进行列联分析处理，生成列联分析表；

根据预设的交并集算法和所述列联分析表，计算每一体质类别对应的第一置信度；

根据所述第一置信度与预设的第一阈值的大小关系，得到所述第一体质辨识数据。

6.根据权利要求1所述的体质辨识方法，其特征在于，所述对所述目标疾病类别、所述目标证候类别以及预设的体质类别进行关联分析处理，得到第二体质辨识数据，包括：

通过预设的体质关联模型将所述目标疾病类别映射到预设的第二向量空间，得到目标疾病类别序列，并通过所述体质关联模型将所述目标证候类别映射到所述第二向量空间，得到目标证型类别序列；

通过灰色关联法和预设的体质类别对所述目标疾病类别序列和所述目标证型类别序列进行关联分析，得到每一体质类别对应的第二置信度；

根据所述第二置信度与预设的第二阈值的大小关系，得到所述第二体质辨识数据。

7.根据权利要求1至6任一项所述的体质辨识方法，其特征在于，所述对所述第一体质辨识数据和所述第二体质辨识数据进行融合处理，得到目标体质数据，包括：

根据预设的权重比例，对所述第一体质辨识数据和所述第二体质辨识数据进行融合处理，得到综合体质辨识数据；

根据所述综合体质辨识数据，得到体质置信度序列；

根据预设的筛选条件对所述体质置信度序列进行筛选处理，得到目标体质数据。

8.一种体质辨识装置，其特征在于，所述装置包括：

原始问诊文本获取模块，用于获取原始问诊文本；

特征提取模块，用于对原始问诊文本进行特征提取，得到症状实体特征；

标准化模块，用于通过预设的字典树对所述症状实体特征进行标准化处理，得到标准症状数据；

识别模块，用于通过预设的中医知识图谱对所述标准症状数据进行识别处理，得到目标疾病类别和目标证候类别；

列联分析模块，用于对所述目标疾病类别、所述目标证候类别以及预设的体质类别进行列联分析处理，得到第一体质辨识数据；

关联分析模块，用于对所述目标疾病类别、所述目标证候类别以及预设的体质类别进行关联分析处理，得到第二体质辨识数据；

融合模块，用于对所述第一体质辨识数据和所述第二体质辨识数据进行融合处理，得到目标体质数据；所述目标体质数据用于辨识人体体质。

9.一种电子设备，其特征在于，所述电子设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线，所述程序被所述处理器执行时实现如权利要求1至7任一项所述的体质辨识方法。

10.一种存储介质，所述存储介质为计算机可读存储介质，用于计算机可读存储，其特征在于，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现权利要求1至7中任一项所述的体质辨识方法。

Images