公开(公告)号：CN110060749B

公开(公告)日：2022-07-01

申请号：CN201910284998.5

申请日：2019-04-10

Applicant: 华侨大学

Inventor： 王华珍 ,  李小整 ,  何霆 ,  吴谨准

IPC: G16H10/60 ,  G06F40/284 ,  G06F40/30

Abstract: 本发明公开了一种基于SEV‑SDG‑CNN的电子病历智能诊断方法，包括：挖掘医疗领域词汇来构建浅层语义词汇词典；基于浅层语义词汇生成文本语料中每一个词的浅层语义向量表达SEV；利用浅层语义词汇词典计算每一条语料的浅层语义预判模式SDG；将SEV和SDG融入传统CNN分类模型构建中，即在特征表达层将SEV与词嵌入向量进行拼接，在模式输出层将SDG和CNN判别模式进行融合，从而实现改进的SEV‑SDG‑CNN分类模型。本发明应用在电子病历疾病诊断中，能充分提取专业性极强、知识密度极高的电子病历所蕴含的大量丰富语义信息，并得益于CNN能从大数据中自动挖掘特征的优势，使得电子病历智能诊断方法具有较高的性能。

公开(公告)号：CN110060749A

公开(公告)日：2019-07-26

申请号：CN201910284998.5

申请日：2019-04-10

Applicant: 华侨大学

Inventor： 王华珍 ,  李小整 ,  何霆 ,  吴谨准

IPC: G16H10/60 ,  G06F17/27

Abstract: 本发明公开了一种基于SEV-SDG-CNN的电子病历智能诊断方法，包括：挖掘医疗领域词汇来构建浅层语义词汇词典；基于浅层语义词汇生成文本语料中每一个词的浅层语义向量表达SEV；利用浅层语义词汇词典计算每一条语料的浅层语义预判模式SDG；将SEV和SDG融入传统CNN模型构建中，即在特征表达层将SEV与词嵌入向量进行拼接，在模式输出层将SDG和CNN判别模式进行融合，从而实现改进的SEV-SDG-CNN模型。本发明应用在电子病历疾病诊断中，能充分提取专业性极强、知识密度极高的电子病历所蕴含的大量丰富语义信息，并得益于CNN能从大数据中自动挖掘特征的优势，使得电子病历智能诊断方法具有较高的性能。