為解決疾病癥狀分類時(shí)傳統(tǒng)特征提取方法存在特征維度較高和數(shù)據(jù)稀疏的問(wèn)題,以及結(jié)合卷積神經(jīng)網(wǎng)絡(luò)（CNN）和支持向量機(jī)（SVM）的優(yōu)勢(shì),提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的SVM疾病癥狀分類模型。用Skip-Gram根據(jù)維基中文語(yǔ)料庫(kù)訓(xùn)練詞向量,構(gòu)成疾病癥狀文本二維特征矩陣,即卷積神經(jīng)網(wǎng)絡(luò)的輸入層;通過(guò)卷積層提取文本特征,使用1-max pooling策略在池化層得到文本的局部最優(yōu)特征;將局部最優(yōu)特征組成融合特征向量作為SVM分類器的輸入得到分類結(jié)果。經(jīng)過(guò)與傳統(tǒng)特征提取算法和CNN算法的實(shí)驗(yàn)結(jié)果的對(duì)比,驗(yàn)證了提出的模型在準(zhǔn)確率、召回率和F1三個(gè)評(píng)價(jià)指標(biāo)上均有顯著提高。 

【文章來(lái)源】：傳感器與微系統(tǒng). 2020,39(03)CSCD

【文章頁(yè)數(shù)】：5 頁(yè)

【部分圖文】：

評(píng)價(jià)結(jié)果

【參考文獻(xiàn)】：
期刊論文
[1]基于漸變上下文特征的交通燈識(shí)別方法[J]. 李子康,徐桂芝,郭苗苗.  傳感器與微系統(tǒng). 2018(10)
[2]基于多通道稀疏卷積神經(jīng)網(wǎng)絡(luò)的行人檢測(cè)算法[J]. 曹璐,陳明,秦玉芳.  傳感器與微系統(tǒng). 2018(10)
[3]基于卷積神經(jīng)網(wǎng)絡(luò)與多特征融合的Twitter情感分類方法[J]. 王汝嬌,姬東鴻.  計(jì)算機(jī)工程. 2018(02)
[4]基于貝葉斯算法的移動(dòng)式疾病智能診斷系統(tǒng)[J]. 胡碧松,馮丹,曹務(wù)春,方立群,龔建華.  計(jì)算機(jī)應(yīng)用. 2008(S1)
[5]貝葉斯網(wǎng)絡(luò)在大規(guī)模醫(yī)療數(shù)據(jù)上的應(yīng)用研究[J]. 左春榮,余本功,江澍,李娜,廖海波.  微電子學(xué)與計(jì)算機(jī). 2008(06)

碩士論文
[1]智能疾病導(dǎo)診及醫(yī)療問(wèn)答方法研究與應(yīng)用[D]. 李超.大連理工大學(xué) 2016
[2]基于文本挖掘的疾病輔助導(dǎo)診技術(shù)研究[D]. 徐冉.北京郵電大學(xué) 2015



本文編號(hào)：3625863