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: 2024101222135
申请人: 吉林大学
专利类型:发明专利
专利状态:未下证
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:

1.一种基于机器学习的整形数据智能分析系统,其特征在于,包括:

患者数据采集模块,用于获取整形手术患者的个人信息和病历数据;

个人信息语义编码模块,用于对所述整形手术患者的个人信息进行基于词粒度的语义理解以得到个人信息词粒度上下文语义特征向量;

病历数据时序划分模块,用于将所述病历数据按照整形手术的时间进行划分以得到整形手术病历数据的集合;

病历数据语义编码模块,用于将所述整形手术病历数据的集合中的各个整形手术病历数据通过整形手术病历语义编码器以得到整形手术病历数据语义编码特征向量的序列;

语义约束表达模块,用于基于所述个人信息词粒度上下文语义特征向量,对所述整形手术病历数据语义编码特征向量的序列进行约束性融合以得到个人信息语义约束下整形手术病历全局语义编码特征向量作为个人信息语义约束下整形手术病历全局语义编码特征;

手术风险等级检测模块,用于基于所述个人信息语义约束下整形手术病历全局语义编码特征,确定整形手术的风险等级标签;

其中,所述语义约束表达模块,用于:

以如下融合公式基于所述个人信息词粒度上下文语义特征向量,对所述整形手术病历数据语义编码特征向量的序列进行约束性融合以得到个人信息语义约束下整形手术病历全局语义编码特征向量;

其中,所述融合公式为:

;

;

其中,表示所述个人信息词粒度上下文语义特征向量,表示1× 的矩阵, 等于所述个人信息词粒度上下文语义特征向量的尺度,B是1× 的矩阵, 等于所述整形手术病历数据语义编码特征向量的序列中整形手术病历数据语义编码特征向量的数量,是Sigmoid函数,为权重系数, 和 表示1×1卷积核的卷积操作,表示所述整形手术病历数据语义编码特征向量的序列中的各个整形手术病历数据语义编码特征向量,N表示所述整形手术病历数据语义编码特征向量的序列中的各个整形手术病历数据语义编码特征向量的尺度, 表示所述个人信息语义约束下整形手术病历全局语义编码特征向量。

2.根据权利要求1所述的基于机器学习的整形数据智能分析系统,其特征在于,所述个人信息语义编码模块,用于:将所述整形手术患者的个人信息进行分词处理后通过包含词嵌入层的个人信息上下文语义编码器以得到所述个人信息词粒度上下文语义特征向量。

3.根据权利要求2所述的基于机器学习的整形数据智能分析系统,其特征在于,所述个人信息语义编码模块,包括:分词单元,用于对所述整形手术患者的个人信息进行分词处理以将所述整形手术患者的个人信息转化为由多个词组成的词序列;

嵌入编码单元,用于使用所述包含词嵌入层的个人信息上下文语义编码器的词嵌入层将所述词序列中各个词映射到词向量以获得词向量的序列;

上下文编码单元,用于使用所述包含词嵌入层的个人信息上下文语义编码器对所述词向量的序列进行基于全局的上下文语义编码以获得所述个人信息词粒度上下文语义特征向量。

4.根据权利要求3所述的基于机器学习的整形数据智能分析系统,其特征在于,所述手术风险等级检测模块,包括:病历全局语义特征优化表达单元,用于对所述个人信息语义约束下整形手术病历全局语义编码特征向量进行特征分布优化以得到优化个人信息语义约束下整形手术病历全局语义编码特征向量;

整形手术风险检测单元,用于将所述优化个人信息语义约束下整形手术病历全局语义编码特征向量通过分类器以得到分类结果,所述分类结果用于表示整形手术的风险等级标签。

5.根据权利要求4所述的基于机器学习的整形数据智能分析系统,其特征在于,所述病历全局语义特征优化表达单元,包括:特征优化融合子单元,用于对所述个人信息词粒度上下文语义特征向量和所述整形手术病历数据语义编码特征向量的序列以特征值为粒度进行优化融合以得到优化融合特征向量;

级联融合子单元,用于将所述优化融合特征向量与所述个人信息语义约束下整形手术病历全局语义编码特征向量进行级联以得到所述优化个人信息语义约束下整形手术病历全局语义编码特征向量。

6.根据权利要求5所述的基于机器学习的整形数据智能分析系统,其特征在于,所述整形手术风险检测单元,包括:全连接编码子单元,用于使用所述分类器的多个全连接层对所述优化个人信息语义约束下整形手术病历全局语义编码特征向量进行全连接编码以得到编码分类特征向量;

分类子单元,用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。

7.一种基于机器学习的整形数据智能分析方法,其特征在于,包括:

获取整形手术患者的个人信息和病历数据;

对所述整形手术患者的个人信息进行基于词粒度的语义理解以得到个人信息词粒度上下文语义特征向量;

将所述病历数据按照整形手术的时间进行划分以得到整形手术病历数据的集合;

将所述整形手术病历数据的集合中的各个整形手术病历数据通过整形手术病历语义编码器以得到整形手术病历数据语义编码特征向量的序列;

基于所述个人信息词粒度上下文语义特征向量,对所述整形手术病历数据语义编码特征向量的序列进行约束性融合以得到个人信息语义约束下整形手术病历全局语义编码特征向量作为个人信息语义约束下整形手术病历全局语义编码特征;

基于所述个人信息语义约束下整形手术病历全局语义编码特征,确定整形手术的风险等级标签;

其中,基于所述个人信息词粒度上下文语义特征向量,对所述整形手术病历数据语义编码特征向量的序列进行约束性融合以得到个人信息语义约束下整形手术病历全局语义编码特征向量作为个人信息语义约束下整形手术病历全局语义编码特征,用于:以如下融合公式基于所述个人信息词粒度上下文语义特征向量,对所述整形手术病历数据语义编码特征向量的序列进行约束性融合以得到个人信息语义约束下整形手术病历全局语义编码特征向量;

其中,所述融合公式为:

;

;

其中,表示所述个人信息词粒度上下文语义特征向量,表示1× 的矩阵, 等于所述个人信息词粒度上下文语义特征向量的尺度,B是1× 的矩阵, 等于所述整形手术病历数据语义编码特征向量的序列中整形手术病历数据语义编码特征向量的数量,是Sigmoid函数,为权重系数, 和 表示1×1卷积核的卷积操作,表示所述整形手术病历数据语义编码特征向量的序列中的各个整形手术病历数据语义编码特征向量,N表示所述整形手术病历数据语义编码特征向量的序列中的各个整形手术病历数据语义编码特征向量的尺度, 表示所述个人信息语义约束下整形手术病历全局语义编码特征向量。

8.根据权利要求7所述的基于机器学习的整形数据智能分析方法,其特征在于,对所述整形手术患者的个人信息进行基于词粒度的语义理解以得到个人信息词粒度上下文语义特征向量,包括:将所述整形手术患者的个人信息进行分词处理后通过包含词嵌入层的个人信息上下文语义编码器以得到所述个人信息词粒度上下文语义特征向量。

9.根据权利要求8所述的基于机器学习的整形数据智能分析方法,其特征在于,将所述整形手术患者的个人信息进行分词处理后通过包含词嵌入层的个人信息上下文语义编码器以得到所述个人信息词粒度上下文语义特征向量,包括:对所述整形手术患者的个人信息进行分词处理以将所述整形手术患者的个人信息转化为由多个词组成的词序列;

使用所述包含词嵌入层的个人信息上下文语义编码器的词嵌入层将所述词序列中各个词映射到词向量以获得词向量的序列;

使用所述包含词嵌入层的个人信息上下文语义编码器对所述词向量的序列进行基于全局的上下文语义编码以获得所述个人信息词粒度上下文语义特征向量。