基于卷积神经网络的SVM疾病症状分类模型

发布时间：2022-02-15 03:56

　　为解决疾病症状分类时传统特征提取方法存在特征维度较高和数据稀疏的问题,以及结合卷积神经网络（CNN）和支持向量机（SVM）的优势,提出了一种基于卷积神经网络的SVM疾病症状分类模型。用Skip-Gram根据维基中文语料库训练词向量,构成疾病症状文本二维特征矩阵,即卷积神经网络的输入层;通过卷积层提取文本特征,使用1-max pooling策略在池化层得到文本的局部最优特征;将局部最优特征组成融合特征向量作为SVM分类器的输入得到分类结果。经过与传统特征提取算法和CNN算法的实验结果的对比,验证了提出的模型在准确率、召回率和F1三个评价指标上均有显著提高。 

【文章来源】：传感器与微系统. 2020,39(03)CSCD

【文章页数】：5 页

【部分图文】：

评价结果

【参考文献】：
期刊论文
[1]基于渐变上下文特征的交通灯识别方法[J]. 李子康,徐桂芝,郭苗苗.  传感器与微系统. 2018(10)
[2]基于多通道稀疏卷积神经网络的行人检测算法[J]. 曹璐,陈明,秦玉芳.  传感器与微系统. 2018(10)
[3]基于卷积神经网络与多特征融合的Twitter情感分类方法[J]. 王汝娇,姬东鸿.  计算机工程. 2018(02)
[4]基于贝叶斯算法的移动式疾病智能诊断系统[J]. 胡碧松,冯丹,曹务春,方立群,龚建华.  计算机应用. 2008(S1)
[5]贝叶斯网络在大规模医疗数据上的应用研究[J]. 左春荣,余本功,江澍,李娜,廖海波.  微电子学与计算机. 2008(06)

硕士论文
[1]智能疾病导诊及医疗问答方法研究与应用[D]. 李超.大连理工大学 2016
[2]基于文本挖掘的疾病辅助导诊技术研究[D]. 徐冉.北京邮电大学 2015



本文编号：3625863