一种基于多图注意力的中医证型分类方法与流程

技术特征：
1.一种基于多图注意力的中医证型分类方法，其特征在于，包括：步骤1、获取包含若干条临床数据的数据集，利用症状和证素的关系构建症状-症状图、症状-证素图和症状嵌入矩阵；步骤2、基于多图注意力网络对症状-症状图和症状-证素图分别进行图注意力特征聚合，得到症状与症状之间的特征表示和症状与证素之间的特征表示；将症状与症状之间的特征表示与症状与证素之间的特征表示进行矩阵拼接，得到新的症状特征表示；将症状嵌入矩阵与新的症状特征表示相乘，获得症状组合特征表示，所述症状组合特征表示包含了症状和证素的信息；步骤3、基于症状组合特征表示，使用多层感知机mlp作为分类器进行证型分类预测。2.根据权利要求1所述的基于多图注意力的中医证型分类方法，其特征在于，步骤1中，每条临床数据均由症状、证素和证型的多热编码表示：症状集合、证素集合和证型集合，m为数据集中包含的症状的数量，k为数据集中包含的证素数量，l为数据集中包含的证型数量；对于任意一条临床数据，若第个症状/证素/证型出现，则在对应症状集合/证素集合/证型集合中相应的位置置1，否则置0。3.根据权利要求1或2所述的基于多图注意力的中医证型分类方法，其特征在于，步骤1中构建症状-症状图、症状-证素图和症状嵌入矩阵的具体步骤包括：步骤1-1：构建症状-症状无向图：统计所有症状在临床数据中出现的频次，把频次≥阈值的症状提取出来，并两两相连构成症状-症状无向图；步骤1-2：构建症状-证素无向图：比较任意两条临床数据，统计两者中相同证素的数量，如果相同证素的数量＞阈值，则将该两条临床数据的症状相互连接；步骤1-3：构建症状嵌入矩阵，定义，其中，是临床数据的总数。4.根据权利要求1所述的基于多图注意力的中医证型分类方法，其特征在于，步骤2中基于多层图注意力网络对症状-症状图和症状-证素图分别进行图注意力特征聚合的具体步骤包括：1）分别计算症状-症状图和症状-证素图中节点对的注意力系数：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
其中，为共享权重矩阵，是输入特征的个数，是输出特征的个数，是节点的特征，是节点的特征，是拼接向量映射到实数上，leakyrelu为激活函数，节点对是指在无向图中有边连接的两个点；对每个节点对的注意力系数进行归一化，得到归一化的注意力系数：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)其中，为的邻居节点；2）将症状-症状图的症状聚集到其一阶邻近点，得到一阶症状聚合表示：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)其中，表示注意力的头数，是节点的一阶邻居，为症状-症状图注意力的互相关系数，为症状-症状图输入特征的线性变换矩阵，为症状-症状图相邻节点的原始特征表示，为激活函数；对一阶症状聚合表示加入残差项，得到症状-症状图的第1层图注意力网络的特征聚合结果为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)其中，linear是线性层，为症状-症状图在模型中的残差项；同理，症状-证素图的第1层图注意力网络的特征聚合结果为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)其中，是节点的一阶邻居，为症状-证素图注意力的互相关系数，为症状-证素图输入特征的线性变换矩阵，为症状-证素图相邻节点的原始特征表示，
为症状-证素图在模型中的残差项；3）通过堆叠多层图注意力分别聚合症状-症状图、症状-证素图的高阶相邻节点特征，得到症状-症状图第层图注意力网络的特征聚合结果为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)其中，为当前的层数, 为图注意力网络的总层数；症状-证素图第层图注意力网络的特征聚合结果为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)4）最后一层的多头注意力是取所有多头注意力的平均值，则症状-症状图第层图注意力网络的特征聚合结果为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)症状-证素图第层图注意力网络的特征聚合结果为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)症状-症状图第层图注意力网络的特征聚合结果即为症状与症状之间的特征表示，症状-证素图第层图注意力网络的特征聚合结果即为症状与证素之间的特征表示。5.根据权利要求1所述的基于多图注意力的中医证型分类方法，其特征在于，步骤2中矩阵拼接操作的公式为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(10)其中，为两个矩阵的拼接操作。6. 根据权利要求1所述的基于多图注意力的中医证型分类方法，其特征在于，症状组合特征表示为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(11)
其中，为两个矩阵进行相乘操作。7.根据权利要求1所述的基于多图注意力的中医证型分类方法，其特征在于，步骤3中使用多层感知机mlp进行证型分类预测的具体步骤包括：将症状组合特征表示输入多层感知机mlp，经过计算后得到模型预测的证型类别：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(12)其中，和分别为第一层和第二层的权值矩阵，和分别为第一层和第二层的偏置向量，概率最大的类别即为分类的结果；利用bce损失函数来计算模型预测和用于训练模型的实际输出之间的差距：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(13)其中，是证型类别的数量，是真实的类别。8.一种基于多图注意力和多层感知机的中医证型分类系统，其特征在于，包括：多图构造模块，基于临床数据集，利用症状和证素的关系构建症状-症状图、症状-证素图和症状嵌入矩阵；多图注意力特征聚合模块，基于多图注意力网络对症状-症状图和症状-证素图分别进行图注意力特征聚合，再进行矩阵拼接，得到新的症状特征表示；将症状嵌入矩阵与新的症状特征表示相乘，获得症状组合特征表示；证型分类模块，基于症状组合特征表示，使用多层感知机作为分类器进行证型分类预测。

技术总结
本发明提供了一种基于多图注意力的中医证型分类方法，通过构造图结构的形式综合考虑了症状和证素在证型分类中的贡献，将症状-症状图和症状-证素图集成到分类中，并且使用多图注意力网络来聚合症状和证素的特征，最后通过多层感知机实现证型分类，同时在真实数据集上进行了广泛的实验，验证了多图注意力网络的有效性，实现了更精准的分类，取得了较好的分类效果。类效果。类效果。


技术研发人员：赵静 李文友 江肇洋 尹杰 陈莹
受保护的技术使用者：南京大经中医药信息技术有限公司
技术研发日：2022.11.07
技术公布日：2022/12/1