(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211381693.4 (22)申请日 2022.11.07 (71)申请人 南京大经中医药信息技 术有限公司 地址 211800 江苏省南京市中国 （江苏） 自 由贸易试验区南京片区定山大街126 号国际健康城1A栋2层201室 (72)发明人 赵静　李文友　江肇洋　尹杰　 陈莹　 (74)专利代理 机构 南京思拓知识产权代理事务 所(普通合伙) 32288 专利代理师 吕鹏涛 (51)Int.Cl. G06K 9/62(2022.01) G16H 20/90(2018.01) (54)发明名称 一种基于多图注意力的中 医证型分类方法 (57)摘要 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。 权利要求书4页 说明书14页 附图2页 CN 115423052 A 2022.12.02 CN 115423052 A 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)权　利　要　求　书 1/4 页 2 CN 115423052 A 2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， 权　利　要　求　书 2/4 页 3 CN 115423052 A 3