·1186 工程科学学报，第43卷，第9期 样本属于某一类别的概率；y是样本在某一类别下 的真实标签.区别于Softmax交叉嫡损失，Sigmoid CRU CRU CRU 函数使样本属于各类别的概率分布在(0,1)之间. 在训练阶段结束使用模型进行预测推理时， CRU CRU CRU 设定一个阈值，将概率大于阈值的所有标签输出， 作为多标签分类的预测结果.如输入症状“胸闷， T- T T: 气短，头晕，头痛，夜寐不宁，舌暗，苔薄，苔白，苔 图4双向GRU模型示意图 腻，脉弦，脉细，脉沉”后，输出各个标签概率为 Fig.4 Bi-GRU model diagram [0.64240265,0.6062219,0.04209191,,0.17620572] 短，头晕，头痛，夜寐不宁，舌暗，苔薄，苔白，苔腻， 分别对应[心’，肾，‘肺，，脾]，通过网格调 脉弦，脉细，脉沉”同时发生在“心，肾”两个病位， 参的方法，最终设定阈值为0.5，即大于等于0.5均 即同时属于“心”，“肾”两个类别，所以该问题为 为相关病位，在上述例子中，即“心”，“肾”为输入 多标签分类问题 症状的对应病位标签. 基于脏腑定位模型具有多标签分类的特点， 3实验及结果分析 在输出层使用Sigmoid函数作为激活函数预测各 3.1实验数据 个标签的概率，区别于单标签模型常用的Softmax 函数.Sigmoid函数是一类S型曲线函数，为两端 实验数据来源于名老中医医案库，在经过专 饱和函数.可以看成是一个“挤压”函数，把一个实 家指导后共筛选出14821份医案，本文中需要用到 数域的输入“挤压”到(0,1)之间.当输入值在0附 其中的“症状”和“病位”信息.其中“症状”指疾病 近时，Sigmoid函数近似为线性函数；当输入值靠 过程中机体内的一系列机能、代谢和形态结构异 常变化所引起的病人主观上的异常感觉或某些客 近两端时，对输入进行抑制.输人越小，越接近于 观病态改变；“病位”指与表现出的症状相关的部 0,输入越大，越接近于1. 位，即脏腑标签，在这些医案中存在症状信息不 在模型训练过程中，损失函数调整为带有Sigmoid 全、症状文本中存在无意义字符的情况，通过专家 函数的二元交叉熵损失函数，样本损失计算方式 指导和设置相应规则，对症状文本中去噪处理和 如式(5)所示： 筛选后，得到最终有效医案数据.将这些医案中 Loss=1+(y)-In(1) (5) “症状”信息和“病位”信息进行提取，得到本实验 n 中所用到的全部数据，共计12735份.所得数据格 式中，n为类别总数，是模型的输出值，表示预测 式如表1所示 表1脏腑定位数据格式 Table 1 Zang-fu location data format No Symptoms Tag Legs ache,and wake up unable to sleep,along with hemoptysis and a sore throat spleen,kidney,heart 2 The patient had high blood pressure,weakness in the right limb,and pain in the left upper arm liver,kidney 3.2实验参数设置 例的概率 具体实验参数设置如表2所示 F1值：指精确值和召回率的调和均值 3.3评价标准 计算表达式如下： 为了综合考虑模型的性能，本文采用了精确 P= ∑iTP: (6) 率(Precision)、召回率(Recall)、F1值(Fl-Value)作 ∑，TP:+FP 为模型评价指标 R=- ∑：TP: (7) 精确率，P:指在被所有预测为正例中实际为 TP,+FN 正例的概率 (8) 召回率，R:指在所有实际为正例中被预测为正 FI=2P-R P+R短，头晕，头痛，夜寐不宁，舌暗，苔薄，苔白，苔腻， 脉弦，脉细，脉沉”同时发生在“心，肾”两个病位， 即同时属于“心”，“肾”两个类别，所以该问题为 多标签分类问题. 基于脏腑定位模型具有多标签分类的特点， 在输出层使用 Sigmoid 函数作为激活函数预测各 个标签的概率，区别于单标签模型常用的 Softmax 函数. Sigmoid 函数是一类 S 型曲线函数，为两端 饱和函数. 可以看成是一个“挤压”函数，把一个实 数域的输入“挤压”到 (0, 1) 之间. 当输入值在 0 附 近时，Sigmoid 函数近似为线性函数；当输入值靠 近两端时，对输入进行抑制. 输入越小，越接近于 0，输入越大，越接近于 1. 在模型训练过程中，损失函数调整为带有Sigmoid 函数的二元交叉熵损失函数，样本损失计算方式 如式（5）所示： Loss = − 1 n ∑n i=1 yi ·lnbyi +(1−yi)·ln( 1−byi ) （5） 式中，n 为类别总数，byi 是模型的输出值，表示预测 样本属于某一类别的概率； yi 是样本在某一类别下 的真实标签. 区别于 Softmax 交叉熵损失，Sigmoid 函数使样本属于各类别的概率分布在 (0, 1) 之间. , ··· 在训练阶段结束使用模型进行预测推理时， 设定一个阈值，将概率大于阈值的所有标签输出， 作为多标签分类的预测结果. 如输入症状“胸闷， 气短，头晕，头痛，夜寐不宁，舌暗，苔薄，苔白，苔 腻，脉弦，脉细，脉沉”后，输出各个标签概率为 [0.64240265, 0.6062219, 0.04209191 , 0.17620572]， 分别对应 [‘心’, ’肾’, ‘肺’, …, ‘脾’]，通过网格调 参的方法，最终设定阈值为 0.5，即大于等于 0.5 均 为相关病位，在上述例子中，即“心”，“肾”为输入 症状的对应病位标签. 3    实验及结果分析 3.1    实验数据 实验数据来源于名老中医医案库，在经过专 家指导后共筛选出 14821 份医案，本文中需要用到 其中的“症状”和“病位”信息. 其中“症状”指疾病 过程中机体内的一系列机能、代谢和形态结构异 常变化所引起的病人主观上的异常感觉或某些客 观病态改变；“病位”指与表现出的症状相关的部 位，即脏腑标签. 在这些医案中存在症状信息不 全、症状文本中存在无意义字符的情况，通过专家 指导和设置相应规则，对症状文本中去噪处理和 筛选后，得到最终有效医案数据. 将这些医案中 “症状”信息和“病位”信息进行提取，得到本实验 中所用到的全部数据，共计 12735 份. 所得数据格 式如表 1 所示. 表 1 脏腑定位数据格式 Table 1   Zang-fu location data format No. Symptoms Tag 1 Legs ache, and wake up unable to sleep, along with hemoptysis and a sore throat spleen, kidney, heart 2 The patient had high blood pressure, weakness in the right limb, and pain in the left upper arm liver, kidney 3.2    实验参数设置 具体实验参数设置如表 2 所示. 3.3    评价标准 为了综合考虑模型的性能，本文采用了精确 率（Precision）、召回率（Recall）、F1 值（F1-Value）作 为模型评价指标. 精确率，P：指在被所有预测为正例中实际为 正例的概率. 召回率，R：指在所有实际为正例中被预测为正 例的概率. F1 值：指精确值和召回率的调和均值. 计算表达式如下： P = ∑ i TPi ∑ i TPi +FPi （6） R = ∑ i TPi ∑ i TPi +FNi （7） F1 = 2 P·R P+R （8） CRU CRU CRU CRU CRU CRU Tt−1 Tt Tt+1 图 4    双向 GRU 模型示意图 Fig.4    Bi-GRU model diagram · 1186 · 工程科学学报，第 43 卷，第 9 期