欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2022110450606
申请人: 南京邮电大学
专利类型:发明专利
专利状态:已下证
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种融合知识图谱和深度学习的糖尿病预测方法,其特征在于:包括以下步骤,S1、构建体检数据实体向量库,基于体检数据实体向量库将患者体检数据表示成向量形式,得到体检数据向量;

S2、获取糖尿病专业文献,进行知识抽取和知识融合,并基于知识表示模型TransR将糖尿病领域知识图谱中的所有实体和关系表示成向量的形式,构建糖尿病领域知识图谱;

S3、基于步骤S2构建的糖尿病领域知识图谱,抽取患者症状描述中的实体和关系,并表示成向量的形式,得到症状描述向量,进而获得患者自身状况的矩阵;

S4、融合自注意力机制与卷积神经网络,构建分类预测模型,由患者自身状况的矩阵,通过构建的分类预测模型获得预测结果;

步骤S4中,融合自注意力机制与卷积神经网络,构建分类预测模型,分类预测模型包括输入层、自注意力层、卷积层、全连接层、Softmax层和输出层,具体为,S41、分类预测模型的输入层将患者自身状况的矩阵输入到自注意力层中,由自注意力层的自注意力机制挖掘患者体检数据与症状描述间的相互影响关系,获取全局信息矩阵;

S42、将获取的全局信息矩阵输入到卷积层中,进行局部特征提取,得到患者体检数据和症状描述的最终表示向量;

S43、将步骤S42得到的患者体检数据和症状描述的最终表示向量,经全连接层的变换后得到患者是否患有糖尿病的得分向量s;

S44、将得分向量s输入到Softmax层,得分向量s经由Softmax层计算,得到患者是否患有糖尿病的概率分布,根据概率分布获得患者是否患有糖尿病的预测结果,并由输出层输出预测结果。

2.如权利要求1所述的融合知识图谱和深度学习的糖尿病预测方法,其特征在于:步骤S1中,构建体检数据实体向量库,具体为,S11、依据医学上定义的体检指标正常范围,将体检指标的检测值划分为更具细粒度的若干参考范围,并确定对应的关系;

S12、基于划分的参考范围,将体检指标、关系与检测值表示成三元组的形式,采用知识表示模型TransH得到体检数据实体向量库。

3.如权利要求1所述的融合知识图谱和深度学习的糖尿病预测方法,其特征在于:步骤S2中,获取糖尿病专业文献,进行知识抽取和知识融合,并基于知识表示模型TransR将糖尿病领域知识图谱中的所有实体和关系表示成向量的形式,构建糖尿病领域知识图谱,具体为,S21、获取用于构建知识图谱的糖尿病领域专业文献;

S22、进行知识抽取,包括实体抽取和关系抽取,其中,实体抽取为基于双向长短期记忆网络BiLSTM和条件随机场CRF模型抽取出步骤S21得到的糖尿病领域专业文献中与糖尿病相关的实体;关系抽取为通过对文本进行句法分析抽取出文本中隐含的实体之间的关系,并表示成三元组(头实体,关系,尾实体)的形式;

S23、进行知识融合,通过实体对齐和实体链接对抽取的知识实体整合、消歧,通过关系推理进行正确性判断,进而更新三元组中的实体和关系;

S24、进行知识表示,基于知识表示模型TransR将三元组中的实体和关系表示成向量形式,得到构建的糖尿病领域知识图谱。

4.如权利要求1-3任一项所述的融合知识图谱和深度学习的糖尿病预测方法,其特征在于:步骤S3中,进而获得患者自身状况的矩阵,具体为,S31、判定患者是否进行体检获得体检数据,如是,进入步骤S32;如否,则进入步骤S33;

S32、在患者进行体检获得体检数据时,由得到的症状描述向量与步骤S1得到的患者体检数据向量拼接成描述患者自身状况的矩阵;

S33、在患者未进行体检未获得体检数据时,由得到的症状描述向量单独拼接成描述患者自身状况的矩阵。

5.如权利要求1所述的融合知识图谱和深度学习的糖尿病预测方法,其特征在于:步骤S41中,由自注意力层的自注意力机制挖掘患者体检数据与症状描述间的相互影响关系,获取全局信息,具体为,S411、定义三个权重矩阵:wq∈Rq×k,wk∈Rq×k,wv∈Rv×k,根据式其中,表示患者自身状况矩阵的列向量,将矩阵中的每个向量被线性映射到三个不同的空间,得到查询向量qi、键向量ki和值向量vi;

S412、将查询向量qi、键向量ki和值向量vi分别合并成查询矩阵Q、键矩阵K、值矩阵V,根据下式计算出自注意力机制获取的全局信息矩阵即输出矩阵:其中,softmax()为激活函数,Dk为查询向量qi的维度。

6.如权利要求1所述的融合知识图谱和深度学习的糖尿病预测方法,其特征在于:步骤S42中,由卷积层进行局部特征提取,得到患者体检数据和症状描述的最终表示向量,具体为,S421、假设卷积层的卷积滤波器Wf∈Rh×d,其中,R为向量空间,h为卷积滤波器窗口大小,d表示输入向量的维度,对于输入的从i行到i+k-1行的局部特征即全局信息矩阵第i到i+h-1列表的向量,卷积滤波器所提取的特征子矩阵的第i个特征值表示为:其中,f(·)是非线性激活函数relu(·),b是偏置值;

S422、获得自注意力层得到的输出矩阵Eattn的局部特征矩阵为:

C=[c1,c2,c3,L,ci,L,cm-h+1]

其中,m为Eattn列向量个数,h为卷积滤波器窗口大小;

S423、对局部特征矩阵C进行最大池化操作,得到患者体检数据和症状描述的最终表示向量。

7.如权利要求1所述的融合知识图谱和深度学习的糖尿病预测方法,其特征在于:步骤S44中,得分向量s经由Softmax层计算,得到患者是否患有糖尿病的概率分布,即患者患糖尿病和不患糖尿病的概率:其中,exp(si)、exp(sj)分别为得分向量s第i维、第j维的以e为底的指数,i、j分别表示得分向量s的维数。

8.一种采用权利要求1-7任一项所述的一种融合知识图谱和深度学习的糖尿病预测方法的系统,其特征在于:包括体检数据向量表示模块、知识图谱构建模块、自身状况矩阵生成模块和分类预测模块,体检数据向量表示模块:构建体检数据实体向量库,基于体检数据实体向量库得到患者体检数据的向量表示,体检数据向量;

知识图谱构建模块:获取糖尿病专业文献,进行知识抽取和知识融合,并基于知识表示模型TransR将糖尿病领域知识图谱中的所有实体和关系表示成向量的形式,构建糖尿病领域知识图谱;

自身状况矩阵生成模块:基于构建的糖尿病领域知识图谱,抽取患者症状描述中的实体和关系,并表示成向量的形式,得到症状描述向量,进而获得患者自身状况的矩阵;

分类预测模块:融合自注意力机制与卷积神经网络,构建分类预测模型,由患者自身状况的矩阵,通过构建的分类预测模型获得预测结果。