基于BERT-CRF模型的电子病历实体识别研究

电子病历实体识别是智慧医疗服务中一项重要的基础任务,当前医院诊疗过程中采用人工分析病历文本的方法,容易产生关键信息遗漏且效率低下。为此,提出一种结合BERT与条件随机场的实体识别模型,使用基于双向训练Transformer的BERT中文预训练模型,在手工标注的符合BIOES标准的语料库上微调模型参数,通过BERT模型学习字符序列的状态特征,并将得到的序列状态分数输入到条件随机场层,条件随机场层对序列状态转移做出约束优化。BERT模型具有巨大的参数量、强大的特征提取能力和实体的多维语义表征等优势,可有效提升实体抽取的效果。实验结果表明,论文提出的模型能实现88%以上的实体识别F1分数,显著优于传统的循环神经网络和卷积神经网络模型。

基于稀疏预处理和XGBoost的生化检验智能审核

临床生化检验数据为医生进行疾病诊断提供最有力的数据支撑,当前采用基于规则的半自动异常检验值过滤和医务人员人工审核的方式,存在缺乏学习能力、效率低下的问题。为此,提出一种将检测数据进行稀疏化处理并使用极端梯度提升算法进行智能审核的机器学习模型。首先使用深度神经网络对医院信息系统导出的,经过脱敏、清洗后的检验数据用聚类算法实现样本的平衡采样,再用深度神经网络进行缺失值填充,并将选定的数据预处理成稀疏矩阵,最终使用极端梯度提升算法完成生化检验数据的智能审核。实验结果表明,论文采用的模型能实现95%左右的智能审核准确率,同时运算性能显著优于其他机器学习模型。

一种基于卷积神经元网络的室内定位算法

针对智能终端室内定位问题,提出了一种综合信号传播模型和卷积神经元网络的指纹匹配定位算法.该方法首先根据室内信号传播模型为每个定位参考点构建接收信号强度(RSS,received signal strength)指纹数据集;其次,将该指纹数据集变换为灰度图像指纹样本;最后,基于图像样本使用卷积神经元网络训练出分类定位模型.使用智能手机在内廊式室内环境中对本算法的有效性进行测试.实验结果表明,本方法大幅的降低了指纹采集和维护的工作量,在信号传输受到一定干扰时仍能较稳定的保持2米左右的定位精度,优于基于最近邻指纹匹配和信号强度测距定位算法.