煎药时长分类预测方法、装置、电子设备及存储介质

技术领域

本发明涉及中医药技术领域，涉及煎药时长分类预测方法、装置、电子设备及存储介质。

背景技术

药方是医生治病所开的方剂，是为治疗某种疾病而组合起来的若干种药物的名称、剂量和用法的总称，尤其在中药领域更为常见。在药方中，药效、药效稳定性、安全性和临床应用具有重要意义，合理的煎药时长可以最大化中药中有效成分的提取，保持药效的稳定性，确保中药的安全性，并提高临床应用的个体化治疗，因此，煎药时长是确保中药疗效的关键环节。

目前，在临床上药方煎药时长的预测通常依赖于中医医师个人的临床经验和感觉，缺乏客观性和一致性，不同医师可能会根据自己的经验和判断，采用不同的煎药时长，导致结果具有一定的差异性，并且受个体经验和偏好的影响，缺乏一致性和可比性，对于缺乏经验的新医师，依赖传统经验给定煎药时长会增加犯错风险，由于缺乏科学依据和准确指导，根据个人感觉或试错的方式来预测煎药时长，会导致煎煮不足或过度煎煮，影响药方的药效和治疗效果；此外，煎药设备（煎药机）出现以后，煎药机一般是用户自行设定煎药时长，且针对不同药方几乎都是固定的煎药时长，难以精准地控制中药加热，容易影响药效。

发明内容

本发明的目的在于提供克服现有技术的不足，提供一种煎药时长分类预测方法、装置、存储介质及电子设备，来提高煎药时长的一致性和准确性。

本发明技术方案：

本申请实施例提供了煎药时长分类预测方法，包括如下步骤：

S1:获取药方数据，对药方数据进行预处理，预处理包括：以每一味药的中药名称作为最小语义单元，对药方进行组成划分和清洗处理,对药方进行组成划分和清洗处理包括针对药方中存在的同物异名、同名异物中药进行替换为标准名称；将药方中每味中药的实际使用剂量转化为相对剂量，将替换为标准名称的中药名称转换为药名向量，将药用部位转换为药用部位向量；

S2:中药量化表示：将药方中每味中药对应的相对剂量、药名向量及药用部位向量进行融合处理，得到中药特征向量；

S3:药方量化表示：将药方中每味中药的中药特征向量进行拼接得到原始样本；

S4:数据增强：将药方中每味中药的中药特征向量进行随机排序再进行向量拼接得到新样本；

S5:将原始样本和新样本共同作为训练样本输入分类预测训练模型进行训练, 基于训练结果，调整分类预测训练模型直至收敛，得到训练好的分类预测模型；

S6:将待预测样本输入训练好的分类预测模型，得到分类预测结果。

进一步，步骤S1中将药方中每味中药的实际使用剂量转化为相对剂量的公式如下：

其中，

进一步，步骤S2中将药方中每味中药对应的相对剂量、药名向量及药用部位向量进行融合处理包括：

将药方中每味中药的药用部位向量与对应中药的相对剂量进行乘积计算，得到包含剂量信息的药用部位向量；

将药方中每味中药的药名向量与包含剂量信息的药用部位向量进行向量拼接。

进一步，所述分类预测训练模型为双向长短时记忆-注意力-文本卷积神经网络模型，双向长短时记忆-注意力-文本卷积神经网络模型包括输入层、基于注意力机制的双向长短期记忆网络层、文本卷积神经网络层和软最大分类器输出层，输入层与基于注意力机制的双向长短期记忆网络层的输入端连接，基于注意力机制的双向长短期记忆网络层的输出端与文本卷积神经网络层的输入端连接，文本卷积神经网络层的输出端与软最大分类器输出层的输入端连接。

进一步，步骤S1还包括对药方添加对应煎药时长的标签，所述标签根据药方的真实煎药时长按时间段划分为若干类。

进一步，所述标签根据药方的真实煎药时长按时间段划分为四类，其中，3min≤标签类I＜15min；15min≤标签类II＜30min；30min≤标签类III＜60min；60min≤标签类IV＜120min。

本申请实施例还提供了基于上述煎药时长分类预测方法的煎药时长分类预测装置，所述煎药时长分类预测装置包括：

数据预处理模块，用于获取药方，将药方中每味中药的实际使用剂量转化为相对剂量，将中药名称转换为药名向量，将药用部位转换为药用部位向量；

多特征融合模块, 用于将药方中每味中药对应的相对剂量、药名向量及药用部位向量进行融合处理，得到中药特征向量，并将药方中每味中药的中药特征向量进行拼接得到待预测样本；

预测模块，用于将待预测样本输入分类预测模型，接收并输出分类预测模型的分类预测结果。

本申请实施例还提供了基于上述煎药时长分类预测装置的煎药系统，所述煎药系统包括：

药方数据库服务器，所述药方数据库服务器用于获取医生开具的药方，将该药方输入煎药时长分类预测装置；

煎药时长分类预测装置，用于接收医生开具的药方，计算出分类预测结果，并将该分类预测结果传输给煎药机；

煎药机，用于根据分类预测结果进行该药方的煎煮。

本申请实施例还提供了一种电子设备，包括：处理器和存储器，所述存储器存储有所述处理器可执行的机器可读指令，所述机器可读指令被所述处理器执行时执行如上面描述的方法。

本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如上面描述的方法。

本发明有益效果在于：

1、本发明通过深度学习技术分析大量药方数据和相关特征，解决了现有技术仅凭传统经验设置煎药时长，难以精准地控制中药加热，影响疗效的问题，提高了煎药时长分类的一致性和准确性。

2、本发明在特征工程方面，选取了中药剂量、中药名称和用药部位，通过将中药相对剂量、药名向量及药用部位向量进行融合处理，得到每味中药的向量表示（中药特征向量），基于中药特征向量拼接出药方的向量表示（原始样本）；再将药方中每味中药的中药特征向量进行随机排序再进行向量拼接得到新样本，从而实现了对数据的增强，有效提高了模型在不同药方煎药时长方面的评估性能。

3、本发明分类预测训练模型采用双向长短时记忆-注意力-文本卷积神经网络模型，可以首先通过双向长短期记忆网络有效地学习文本序列中上下文信息，并在此基础上利用注意力机制在特定语境中更好地关注重要的词汇；同时，通过文本卷积神经网络层可以对局部特征进行提取，加强对文本局部上下文的学习，从而提高文本分类的准确性和效率；此外，该模型还能够通过调整不同任务的超参数，达到更好的适应性和泛化能力，从而在不同领域和场景下都具备很好的应用价值；整体来看，该模型融合了多种学习方法，能够全面优化文本分析任务，使结果更加准确和可靠，对提高文本处理效率和质量具有较大的促进作用。

附图说明

图1为本发明第一实施例中分类预测训练模型的结构示意图；

图2为本发明第二实施例基于分类预测模型的煎药时长分类预测装置的结构示意图；

图3为本发明第三实施例基于煎药时长分类预测装置的煎药系统的结构示意图。

具体实施方式

本发明通过下面的实施案例可以对本发明做进一步的描述，然而，本发明的范围并不限于下述实施例：要理解的是，本文所描述的实施例仅通过说明的方式公开，本发明不打算将其范围限于下列描述中所述或在图中说明的部件的构造和布置细节。此外，在描述优选实施例时，为了清晰起见，将采用特定的术语。应该理解的是，每个特定术语包括所有以类似方式操作以实现类似目的的技术等价物。

本发明煎药时长分类预测方法仅适用于煎药时长比较常见的药方，对于煎药时长不常见的药方，尤其是煎药时长超过2小时的药方将不在本发明的考虑范围，通过排除不常见煎药时长的药方，可以更好地集中精力和资源，提供更高效的煎药时长分类预测解决方案。

实施例1：提供了煎药时长分类预测方法，包括如下步骤：

S1:获取药方数据，对药方数据进行预处理，预处理包括：以每一味药的中药名称作为最小语义单元，对药方进行组成划分和清洗处理，对药方进行组成划分和清洗处理包括针对药方中存在的同物异名、同名异物中药进行替换为标准名称，所述标准名称以《药典》为依据，确保中药名的准确提取和规范化表示；建立中药数据库及药方数据库；将药方中每味中药的实际使用剂量转化为相对剂量，将替换为标准名称的中药名称转换为药名向量，将药用部位转换为药用部位向量；构建的中药数据库包括中药、药用部位、性味、归经、毒性以及剂量信息，药用部位包括但不限于根茎、茎木、皮、叶、花、全 草、果实种子、矿物、动物类，性味包括寒、热、温、良、平、酸、苦、甘、辛和咸，归经包括肺、心包、心、大肠、三焦、小肠、胃、胆、膀胱、脾、肝和肾；药方数据库包括药方编号、药方组成、实际用量、以及煎药时长信息；煎药时长信息包括药方的真实煎药时长，并根据真实煎药时长分时间段划分为若干类标签，优选，标签根据药方的真实煎药时长按时间段划分为四类，当然，为了煎药时长划分的更精确，也可以划分为更多类，本实施例以划分四类为例：3min≤标签类I＜15min；15min≤标签类II＜30min；30min≤标签类III＜60min；60min≤标签类IV＜120min，上述四个标签类基本上涵盖了常见的药方，因此，可用作分类预测。

药方数据库示例如表1所示：

表1 药方数据库示例表

中药数据库示例如表2所示：

步骤S1将中药的真实使用剂量转化为相对剂量的公式如下：

其中，

对于中药名称采用自然语言处理中的word2vec预训练词向量模型，对中药名称进行词向量预训练得到药名向量，用

对于中药的药用部位，利用one-hot独热向量进行二值量化；如表4所示，对存在此药用部位用1表示，不存在此药用部位用0表示，例如：丁香药用部位是花，可量化表示为：

表4 中药药用部位量化表示示例

。

对药用部位向量，用

S2:中药量化表示：将药方中每味中药对应的相对剂量、药名向量及药用部位向量进行融合处理，得到中药特征向量；

具体地，将药方中每味中药的药用部位向量与对应中药的相对剂量进行乘积计算，得到包含剂量信息的药用部位向量，再与经过word2vec向量后的药名向量进行向量拼接，得到中药特征向量，具体计算公式如下所示：

其中，

S3:药方量化表示：将药方中每味中药的中药特征向量进行拼接得到原始样本，如下所示：

S4:数据增强：将药方中每味中药的中药特征向量进行随机排序再进行向量拼接得到新样本；

S5:将原始样本和新样本共同作为训练样本输入分类预测训练模型进行训练, 基于训练结果，调整分类预测训练模型直至收敛，得到训练好的分类预测模型；

S6:将待预测样本输入训练好的分类预测模型，得到分类预测结果。

如图1所示，本实施例中分类预测训练模型采用双向长短时记忆-注意力-文本卷积神经网络模型，双向长短时记忆-注意力-文本卷积神经网络模型包括输入层、基于注意力机制的双向长短期记忆网络层、文本卷积神经网络层和软最大分类器输出层，输入层与基于注意力机制的双向长短期记忆网络层的输入端连接，基于注意力机制的双向长短期记忆网络层的输出端与文本卷积神经网络层的输入端连接，文本卷积神经网络层的输出端与软最大分类器输出层的输入端连接；基于注意力机制的双向长短期记忆网络层通过两个不同方向的长短期记忆网络获取上下文中的语义信息，利用双向长短期记忆网络生成的低层次特征作为文本卷积神经网络层的输入运算，基于注意力机制的双向长短期记忆网络层中注意力机制依据词语对句子的贡献度，赋予词语权重，以提高对关键词语的注意力,通过卷积和池化后生成的最终特征向量，利用软最大化损失函数计算训练样本的预测煎药时长与真实煎药时长的损失值，基于损失值，反向传播参与参数梯度的计算，对参数进行更新，从而调整分类预测训练模型，待预测样本经过双向长短时记忆-注意力-文本卷积神经网络得到深度特征表示，并将其输入到软最大分类器输出层分类，得到待预测样本的概率分布，选择概率最大的作为分类预测结果。

分类预测训练模型采用多分类交叉熵损失函数作为损失函数，其中损失值计算公式如下所示：

其中，L为损失值，n为训练样本数量，

为验证选取的中药特征对分类预测模型的影响，本发明在14478首中医临床药方上进行实验，共包括565味中药，按照8：1：1的比例将训练样本随机划分为训练集、测试集和验证集，使用双向长短时记忆-注意力-文本卷积神经网络模型，学习率设置为0.6，使用Adam优化器对模型进行100轮次的训练，采取早停机制以防止模型过拟合，若超过10轮的验证损失没有减少，则终止训练。

在本发明中，使用准确率

其中，

经过实验，本发明提出的基于中药剂量、中药名称和用药部位构建的样本应用在分类预测模型中准确率

实施例2：如图2所示，本申请实施例还提供了基于上述煎药时长分类预测方法的煎药时长分类预测装置，包括：

数据预处理模块10，用于获取药方，将药方中每味中药的实际使用剂量转化为相对剂量，将中药名称转换为药名向量，将药用部位转换为药用部位向量；

多特征融合模块20, 用于将药方中每味中药对应的相对剂量、药名向量及药用部位向量进行融合处理，得到中药特征向量，并将药方中每味中药的中药特征向量进行拼接得到待预测样本；

预测模块30，用于将待预测样本输入分类预测模型，接收并输出分类预测模型的分类预测结果。

实施例3：如图3所示，本申请实施例还提供了基于上述煎药时长分类预测装置的煎药系统，煎药系统包括：

药方数据库服务器1，药方数据库服务器1用于获取医生开具的药方，将该药方输入煎药时长分类预测装置2；

煎药时长分类预测装置2，用于接收医生开具的药方，计算出分类预测结果，并将该分类预测结果传输给煎药机3；

煎药机3，用于根据分类预测结果进行该药方的煎煮。

可选的，对于分类预测结果可以设定具体的煎药时长，优选，取对应标签类的煎药时长最大值和煎药时长最小值的加权平均值作为该药方的最终煎药时长。

实施例4：本申请实施例还提供了一种电子设备，包括：处理器和存储器，存储器存储有所述处理器可执行的机器可读指令，机器可读指令被所述处理器执行时执行如上面描述的方法。

实施例5：本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如上面描述的方法。

以上显示和描述了本发明的基本原理和主要特征和本发明的优点，对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。