本发明涉及计算机在中医处方开具的应用
技术领域：
，特别涉及一种基于深度神经网络的中医药材推荐方法。
背景技术：
：在中国，中医对于预防疾病和治疗疾病的研究已经有几千年的历史。其中，舌诊是中医望诊中独特而重要的内容，也是中医诊断的重要依据，是通过观察舌头的形态和舌苔的颜色来辅助治疗疾病的一种重要方法。处方，也称为药方，是传统中医文化的智慧结晶和组成部分，是为治疗某种疾病而组合起来的若干种药物的名称、剂量和用法。推荐系统主要是把用户模型中兴趣需求信息和项目对象模型中的特征信息匹配，同时使用相应的推荐算法进行计算筛选，找到用户可能感兴趣的推荐项目，将项目推荐给用户。本发明中，舌苔是推荐系统中的用户，中医药材则是项目，即根据不同的舌苔特征信息推荐相应的中医药材。推荐系统作为一种智能个性化信息服务系统，能够通过一定的智能推荐策略实现有针对性的个性化信息定制，虽然仍面临类似冷启动、数据稀疏行等难题，但推荐算法的研究仍是人工智能行业的研究热点。ArmstrongR等[1]提出了基于内容过滤的推荐算法；LindenG等[2]提出了基于项目的协同过滤算法。随着深度学习快速成为业界热点，越来越多的深度学习应用在推荐领域。Salakhutdinov等[3]提出了限制波尔兹曼机(RestrictedBoltzmannMachine，RBM)模型，实现了给用户推荐了可能感兴趣的项目。WangH等[4]提出了利用栈式去噪自编码期从项目中提取特征，并用在协同过滤模型，从而提高了推荐性能。深度学习可以通过分层的模型结构，对原始的输入数据进行从底层到高层的数据特征提取，从而建立起底层数据到高层语义之间的映射关系。使用深度神经网络，可以构建具有多层隐藏层的神经网络模型和海量的训练数据，从而能够学习到更有用的特征表示，从而提高推荐结果的准确性。在之前的研究成果中，国内有一些以开具处方、药材推荐为主题的系统和方法。其中，王本钰[5]提出了一种基于体检数据，运动风险评估以及体适能测试结果自动化生成运动处方的方法；张贯京等[6]发明了一种使得医生能高效开出处方，提高医生的诊断效率，病人的就医效率和医院的医疗服务质量的系统；袁伟伟等[7]发明了一种对特定人群的个性化药物推荐方法，属于药物经济学中药物评价
技术领域：
。上述的各种系统方法中，1)这些系统方法更多是应用于西医处方生成、西药药材推荐，而不是用于中医；2)这些处方生成、药材推荐方法需要依据体检的各种各样指标数据，在数据获取上，过程比较繁杂，等待的时间长。[1]WebWatcher:ALearningApprenticefortheWorldWideWeb[J].InWorkingNotesoftheAaaiSpringSymposiumSeriesonInformationGatheringfromDistributed,1995,30(6):6-12.[2]Amazon.comrecommendations:item-to-itemcollaborativefiltering[J].IEEEInternetComputing,2003,7(1):76-80.[3]RestrictedBoltzmannmachinesforcollaborativefiltering[C].InternationalConferenceonMachineLearning.ACM,2007:791-798.[4]CollaborativeDeepLearningforRecommenderSystems[J].2014:1235-1244.[5]自动化生成运动处方的方法.中国专利.2016[6]辅助医生开处方的系统和方法.中国专利.2016[7]一种基于概率的个性化药物推荐方法.中国专利.2016技术实现要素：本发明的目的在于克服现有技术的缺点与不足，提供一种基于深度神经网络的中医药材推荐方法，利用深度神经网络学习舌苔与中医药材之间的关系，充分利用中医舌诊的重要性，从而能够实现准确性高、速度快、性能稳定地依据舌苔进行相应的中医药材推荐。本发明的目的通过以下的技术方案实现：一种基于深度神经网络的中医药材推荐方法，包括如下步骤：S1、计算机采集人体舌苔图片的特征向量和相应的中医药材数字代号作为数据集的输入；S2、对舌苔图片的特征向量进行维度处理；S3、对中医药材的数字代号进行嵌入式表征处理；S4、学习舌苔图片和中医药材之间的关系；S5、根据舌苔图片和中医药材之间的关系，采用中医药材推荐算法计算出舌苔图片与中医药材之间的关联度得分，并选取关联度得分最高的作为推荐的中医药材。优选的，所述步骤S2中，采用主成分分析算法对舌苔图片的特征向量进行降维处理。优选的，所述步骤S4具体为：S41、采用向量元素叠加的方法，将步骤S2的舌苔特征向量vectoru和步骤S3的中医药材特征向量vectori合并为一个新的向量vectoroutput，形式如下公式：vectoroutput＝[vectoru,vectori]；S42、将步骤S41的输出向量vectoroutput作为神经网络的输入向量，采用神经网络算法学习舌苔与中医药材之间的关系。进一步的，步骤S42中神经网络算法包括协同过滤算法和基于内容的过滤算法。具体的，步骤S3中，嵌入式表征处理是指将输入转换成特定维度的输出向量。具体的，一种基于深度神经网络的中医药材推荐方法，包括训练阶段和测试阶段，其中训练阶段步骤包括：[1]将原始输入的舌苔图片特征向量降维，记为vectoru，将中医药材数字代号进行嵌入式表征处理得到中医药材特征向量，记为vectori；[2]将特征向量vectoru和vectori合并成一个新的向量，记为vectorui；[3]将特征向量vectorui输入神经网络第一层，记为vectorout1；[4]将vectorout1输入神经网络第二层，记为vectorout2；[5]将vectorout2输入神经网络第三层，记为vectorout3；[6]将vectorout3输入神经网络输出层，记为vectorout4；[7]将vectorout4输入sigmoid函数中计算得到该神经网络的最后输出，即为舌苔图片和中医药材的关联度得分yp；[8]将预测的关联度得分值yp与目标得分值y比较，计算其损失函数以及梯度G；[9]重复上述[1]到[8]的过程，直到经过足够多的迭代或者损失函数的值不再明显变小；测试阶段步骤包括：[1]将原始的舌苔图片特征向量降维，记为vectoru，将中医药材数字代号进行嵌入式表征处理得到中医药材特征向量，记为vectori；[2]将特征向量vectoru和vectori合并成一个新的向量，记为vectorui；[3]载入训练后的深度神经网络模型；[4]将vectorui输入到该深度神经网络模型中，分别经过神经网络第一层、第二层、第三层、输出层，得到输出结果向量vectorout；[5]将vectorout输入sigmoid函数中计算得到该神经网络的最后输出，即为舌苔图片和中医药材的关联度得分yp；[6]重复[1]到[5]的过程，计算该舌苔图片与其它各种中医药材的关联度得分；[7]选取关联度得分高的药材作为舌苔图片的最终推荐药材。进一步的，神经网络采用Sigmoid函数计算舌苔与中医药材的关联度得分yp,形式如下公式：其中，P、Q分别表示舌苔和中医药材的隐因子矩阵，θf表示交互函数f()的模型参数；由于f()被定义为一个含有三层隐藏层的神经网络，因此f()可用下列式子表示：其中，φout和φ1、φ2、φ3分别表示输出层和第1、2、3层的神经协同过滤层。本发明与现有技术相比，具有如下优点和有益效果：1、本发明方法采用深度神经网络，通过深度神经网络对非线性关系的表示能力，能够很好地对舌苔图片特征向量和中医药材的特征向量之间的关系进行学习，从而推荐出与舌苔症状的中医药材。2、本发明方法采用Sigmoid函数计算舌苔与中医药材的关联度得分，能够很好的区分各个中医药材与舌苔之间的关联度，得到比较出色的推荐效果。3、本发明方法与传统的人工开具中医处方相比，不仅降低了处方开具时间，而且准确性高。4、本发明方法基于海量的舌苔图片和中医处方药材的数据集，将深度学习和推荐算法技术应用到传统的中医药材推荐领域，不仅能通过计算机进行中医药材推荐，而且可以通过移动终端进行中医药材推荐，十分便捷，准确度高，而且节省时间。5、本发明将深度学习与传统的中医药材推荐相结合，在大数据的基础上进行推荐，解决了传统中需要预约中医医生推荐使用药材的问题，该方法具有一定的市场价值和推广价值。附图说明图1为实施例方法的步骤流程图。图2为实施例方法中深度神经网络算法模型的示意图。具体实施方式下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。实施例如图1所示，一种基于深度神经网络的中医药材推荐方法，步骤包括：S1、计算机采集人体舌苔图片的特征向量和相应的中医药材数字代号作为数据集的输入；S2、对舌苔图片的特征向量进行维度处理；S3、对中医药材的数字代号进行嵌入式表征处理；S4、学习舌苔图片和中医药材之间的关系：S41、采用向量元素叠加的方法，将步骤S2的舌苔特征向量和S3的中医药材特征向量合并为一个新的向量。S42、将步骤S41的输出向量作为神经网络的输入向量，采用神经网络算法学习舌苔与中医药材之间的关系,神经网络算法包括协同过滤算法和基于内容的过滤算法。S5、根据舌苔图片和中医药材之间的关系，采用中医药材推荐算法计算出舌苔图片与中医药材之间的关联度得分，并选取关联度得分最高的作为推荐的中医药材，中医药材推荐算法采用Sigmoid函数计算舌苔与中医药材的关联度得分。其中，舌苔图片和中医药材的数据集是在省级中医院人工采集并通过相关专家标注的大量数据集，而且根据神经网络算法需要将数据集随机分为训练集和测试集。根据本方法的流程，需要对舌苔图片特征向量进行降维处理，对中医药材数字代号进行嵌入编码处理得到中医药材的特征向量。在步骤S2中，采用主成分分析算法对舌苔图片特征向量进行特征降维。然后使用向量的元素叠加方法，将降维处理后的舌苔图片特征向量与中医药材的特征向量叠加成新的特征向量，作为神经网络第一层的输入。如图2所示，深度神经网络采用全连接的神经网络，其作用是通过对舌苔特征向量和中医药材特征向量作为输入，经过全连接神经网络模型，得到能够有效表示舌苔和中医药材之间的关系特征。舌苔原始特征向量是指将舌苔图片大小调整为32*32，取图片各个像素点的RGB平均值，并展开成维度为1*1024的特征向量。中医药材数字代号是指用不同的一维数字对各种中医药材进行标识。PCA，即主成分分析，利用PCA对1024维的舌苔特征向量进行降维处理，提取维度为64的舌苔特征向量。嵌入式表征处理是指将输入转换成特定维度的输出向量。舌苔图片特征向量是指经过主成分分析算法提取出的舌苔特征向量。中医药材特征向量是指经过嵌入式表征处理后得到特定维度、用于表示中医药材的特征向量。向量元素合并是指将舌苔图片特征向量和中医药材特征向量前尾相连组成一个新的向量，合并后的向量的维度是舌苔图片特征向量和中医药材特征向量的维度和，新的向量作为神经网络的输入向量。如图2所示，其神经网络为全连接神经网络，详细设计如下表：表1层名称神经元个数激活函数输出向量维度Layer164ReLU1*64Layer232ReLU1*32Layer316ReLU1*16OutLayer8Sigmoid1*1如图2所示，Sigmoid是一个在生物学中常见的S型的函数，在信息科学中，由于其单增以及反函数单增等性质，Sigmoid函数常被用作神经网络的阈值函数，在本实施例中使用该函数将神经网络的输出维度为1*8的向量映射到[0,1]之间的一个浮点数。如图2所示，yp就是经过神经网络计算后的舌苔图片与中医药材之间的关联度得分。该深度神经网络分为训练阶段和测试阶段，其中训练阶段步骤是：[1]将原始输入的舌苔图片特征向量降维调整到1*64，记为vectoru，将中医药材数字代号进行嵌入式表征处理得到中医药材特征向量，维度为1*64，记为vectori。[2]将特征向量vectoru和vectori合并成一个新的向量，维度为1*128，记为vectorui。[3]将特征向量vectorui输入神经网络第一层，调整该层输出结果的维度为1*64，记为vectorout1。[4]将vectorout1输入神经网络第二层，调整该层输出结果的维度为1*32，记为vectorout2。[5]将vectorout2输入神经网络第三层，调整该层输出结果的维度为1*16，记为vectorout3。[6]将vectorout3输入神经网络输出层，调整该层输出结果的维度为1*8，记为vectorout4。[7]将vectorout4输入sigmoid函数中计算得到该神经网络的最后输出，即为舌苔图片和中医药材的关联度得分yp。[8]将预测的关联度得分值yp与目标得分值y比较，计算其损失函数以及梯度G。[9]重复上述[1]到[8]的过程，直到经过足够多的迭代或者损失函数的值不再明显变小。在计算得到的预测关联度得分中，选择得分最高的前10种药材作为最终的药材推荐列表，训练过程中的部分迭代结果如下表所示：表2Epoch药材推荐HR药材推荐NDCG处方生成精确度处方生成召回率110.67710.38150.69110.3779120.67770.38020.69440.3618130.67820.38110.69090.3772140.67670.38100.69570.3673150.67910.38180.69470.3723上述深度神经网络的测试阶段步骤是：[1]将原始的舌苔图片特征向量降维调整到1*64，记为vectoru，将中医药材数字代号进行嵌入式表征处理得到中医药材特征向量，维度为1*64，记为vectori。[2]将特征向量vectoru和vectori合并成一个新的向量，维度为1*128，记为vectorui。[3]载入训练后的深度神经网络模型。[4]将vectorui输入到该深度神经网络模型中，分别经过神经网络第一层、第二层、第三层、输出层，得到输出结果向量vectorout。[5]将vectorout输入sigmoid函数中计算得到该神经网络的最后输出，即为舌苔图片和中医药材的关联度得分yp。[6]重复[1]到[5]的过程，计算该舌苔图片与其它各种中医药材的关联度得分。[7]选取关联度得分高的药材作为舌苔图片的最终推荐药材。本方法用于辅助中医快速准确地开具处方，减少中医开具处方中的重复性工作，且能够实现准确性高、速度快、性能稳定地依据舌苔进行相应的中医药材推荐。上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。当前第1页1 2 3