【摘 要】
：
在中国,患者去医院就诊的第一步是选择科室进行挂号,科室选择的正确与否直接影响患者后续的就诊流程。然而,绝大多数患者缺少相关的医学专业知识判断自己应该选择哪一个科室进行挂号,而且随着我国人口老龄化的加剧,这一问题尤为凸显。调查研究发现,大多数医院通过设立导医综合服务台为患者提供科室选择指导,但由于看病人数远远多于导诊工作人员、导诊工作人员医学专业水平参差不齐等因素,导致服务台时常人山人海,患者没有得
论文部分内容阅读
在中国,患者去医院就诊的第一步是选择科室进行挂号,科室选择的正确与否直接影响患者后续的就诊流程。然而,绝大多数患者缺少相关的医学专业知识判断自己应该选择哪一个科室进行挂号,而且随着我国人口老龄化的加剧,这一问题尤为凸显。调查研究发现,大多数医院通过设立导医综合服务台为患者提供科室选择指导,但由于看病人数远远多于导诊工作人员、导诊工作人员医学专业水平参差不齐等因素,导致服务台时常人山人海,患者没有得到及时有效的科室推荐指导。为节省患者时间成本和降低患者挂错号的概率,本文从实际医疗应用场景出发,以深度学习技术和真实的患者问诊文本数据为基础,设计了一个基于知识图谱的医院科室智能推荐算法,并且以该算法为基础实现了一个医院科室推荐APP供患者使用。本文主要完成了以下工作:（1）获取患者问诊数据及构建医学知识图谱。首先,通过利用网络爬虫技术,本研究从寻医问药网中获取患者问诊数据和构建知识图谱所需的数据。然后,经过数据清洗及预处理,得到了具有22类科室标签的37000条患者问诊数据;构建了一个具有5种实体类型和6种关系类型的医学知识图谱。（2）实现基于医学知识图谱的医院科室智能推荐算法。根据患者问诊文本存在口语化且字数较少的特点,本研究提出了一种基于知识图谱的医院科室智能推荐算法模型Att-Bert CNN-KG-GCN。该模型主要分两大部分:第一,使用Bert模型对患者问诊文本进行表示,接着用Text CNN模型提取问诊文本的特征表示;第二,为增强患者问诊文本的语义,引入医学知识图谱作为外部补充信息,并利用注意力机制有效地融合外部补充医学信息与患者问诊文本。实验结果表明,本研究提出的算法比6种基线算法效果更好,Accuracy和Macro-F1分别为87.62%和85.77%,其中16个科室Recall超过80%。（3）设计并实现医院科室推荐APP。以Att-BertCNN-KG-GCN模型和构建好的医学知识图谱为基础,使用uni-app和spring boot框架设计并实现了一个医院科室推荐APP,其主要包含智能导诊、预约挂号及疾病百科等功能。在智能导诊功能中,通过命名实体识别算法引入了医学知识图谱中与问诊文本相关症状信息,供患者选择,提高科室推荐准确率。
其他文献
最近数十年,信息技术尤其是互联网领域相关技术的高速发展,催生出的数据在样本数量与维度上日益庞大。在高维数据中,样本数通常难以均匀覆盖高维空间,这将导致维度灾难,严重损害机器学习算法的性能。特征选择通过从原始特征中挑选部分特征,精简使用特征的数目,避免了样本数与维度严重不相称的情况,已成为数据挖掘领域中常用的预处理技术。近年来,基于进化计算技术的特征选择算法备受关注,这得益于它们优秀的全局搜索能力。
传统的中小学地理教学经常使用地球仪作为辅助教学工具,虽然地球仪能直观的展示相关地理区域,但是由于地球仪本身的限制而无法承载过多的信息,而增强现实（Augmented Reality,AR）技术能够将虚拟信息叠加到现实场景上进行实时交互,将AR技术与地理教学相结合可以使教学内容更加丰富、生动、有趣,能够激发学生的学习兴趣。目标检测算法具有较强的识别物体的能力,将目标检测算法与AR技术相结合,可以提高
随着互联网行业的发展,深度学习技术在各个研究领域得到了广泛的运用,特别是在计算机视觉相关领域。人脸表情识别属于学科交叉的领域范畴,它的研究可以让机器学习人类的情感,有助于提高人机交互的效率,这一技术可以推广到医疗、交通、教育等不同的日常情景。但表情识别的准确率容易受表情图像中光线、角度、细节等因素影响。因此,为进一步提升表情识别网络模型的性能,本文共分三个方面对表情识别深度网络进行改进,主要工作包
人脸表情识别作为情感计算重要的组成部分,在公共安全、智慧交通和医疗康复等领域有着巨大的应用前景。在过去的几年里,数据驱动的深度神经网络虽然将人脸表情识别准确率提高到了新层次,但是仍面临以下两个关键性难点:（1）头部的偏转造成了面部遮挡和配准误差,导致识别准确率再向上提升变得异常困难,并且难以运用到实际场景中;（2）现有数据集中存在一些不确定性表情样本,这些样本造成提取出的特征有害。为了解决以上问题
近年来,基于相空间重构（Phase-Space Reconstruction,PSR）的时间序列图像化方法因能描述时间序列的非线性信息等优点,已被用于提升时间序列分类（Time Series Classification,TSC）的性能。然而,这类方法因需要将高维相空间中的轨迹投影到二维平面,往往会导致信息丢失或造成虚假的信息,从而导致分类准确率的下降。本论文的研究目的便是分别在单变量时间序列（U
近年来,随着社会信息化程度越来越高,互联网改变了人们的生活,成为了人们生产生活中不可缺少的一部分。但是,随着网络安全问题日益凸显,人们的隐私和数据安全不断受到威胁。数字身份作为互联网的基础设施,是网络安全中的重要一环。而传统的身份管理方式下存在用户隐私泄露、身份管理效率低、数据共享困难等问题。为了改进数字身份管理方式,保障网络数据安全和用户隐私安全,本文进行了以下研究:1)为了解决集中式数字身份管
目标跟踪是计算机视觉领域一项基础性挑战任务,具有重要的学术价值与实用意义。在给定初始帧标注信息后,其任务不仅要在后续帧中对目标中心进行粗略定位,还需要进行精确的目标状态估计。近来,基于孪生架构的方法因其能在保持良好速度的同时取得较显著的性能,引起了目标跟踪领域的广泛关注。然而,孪生网络分支通常是独立的,缺乏信息交互,这限制了模型性能的进一步提升。为了增强孪生网络分支的协作能力,本文提出基于孪生架构
安防监控系统不仅能给居民提供安全保障,而且也常用于协助案件侦破。行人重识别（Person Re-identification,Re ID）技术作为计算机视觉领域的热门研究方向,旨在实现跨摄像头下快速自动地行人身份识别及检索,可以显著提高警务人员对监控数据的利用效率。然而监控视频中存在背景干扰强、行人姿态差异大等问题,夜间环境下还会进行红外模式成像,这些因素都给行人重识别带来了挑战。目前,在单模态场
随着互联网和智能终端的普及,网络文本信息量增长迅速。传统的文档级、句子级情感分析已经无法满足当前文本研究对细粒度情感倾向的需求。方面级情感分析可以对实体进行多方面、全方位的情感描述,但由于文本语言环境的复杂性,现有方法在泛化等性能上仍然存在不足,本文从方面目标情感分析和方面类别情感分析子任务入手,以深度学习为基础展开研究,主要工作和贡献如下:（1）针对于现有方面目标情感分析模型存在的参数量过大、局
旅行商问题（Travelling salesman problem,TSP）是一种NP问题,在物流路线规划等领域有着广泛的应用。目前,研究人员提出了不同的算法来解决TSP,主要分为精确算法和启发式算法。由于精确算法设计复杂和求解时间长,启发式算法受到了广泛关注。在启发式算法中,蚁群算法是一种经典且有效的启发式算法,然而由于蚁群算法的参数不能灵活设置和局部启发信息不足等原因,算法容易陷入局部最优,因