买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉电子科技大学申请的专利一种基于多图卷积融合的蒙医方剂推荐方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119274739B 。

龙图腾网通过国家知识产权局官网在2026-02-06发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411456595.1，技术领域涉及：G16H20/10；该发明授权一种基于多图卷积融合的蒙医方剂推荐方法是由易德帅;张云;刘勇国;李巧勤设计研发完成，并于2024-10-18向国家知识产权局提交的专利申请。

本一种基于多图卷积融合的蒙医方剂推荐方法在说明书摘要公布了：本发明公开了一种基于多图卷积融合的蒙医方剂推荐方法，通过构建基于多图卷积融合Transformer的蒙医方剂推荐模型，设计特征编码引入药物性味和用药时间，结合证候信息，构建多种关系图并使用图卷积捕获特征，融合得到药物和症状的综合表示，进而进行药物推荐。本发明的方法通过分析蒙医的特有药物“味性力效”特征、“性味组方”组方原则和“按时辰用药”用药方法，针对性的进行编码与处理，针对组方过程，设计了特殊的损失函数模拟蒙医组方过程，将药物推荐问题转化为药物推荐与组合问题，且针对蒙医组方原则进行深入研究，设计特殊正则化来模拟组方过程，将整个方案从简单的药物推荐变为药物推荐与药物组合，使其更加符合蒙医理论体系与临床实际。

本发明授权一种基于多图卷积融合的蒙医方剂推荐方法在权利要求书中公布了：1.一种基于多图卷积融合的蒙医方剂推荐方法，具体步骤如下： S1、构建节点特征构建模块，用于对于药物节点、症状节点和证候节点进行初始化编码，并使用Transformer编码器对其进行特征加强，最终使用自编码器将各类节点维度保持一致； S2、构建药物表示模块，用于构建药物-药物图、症状-药物图，通过GCN提取药物-药物关系和症状-药物关系，并将得到的特征进行融合，得到最终的药物综合表示； S3、构建症状表示模块，用于构建症状-症状图、症状-证候图，通过GCN提取症状-症状关系和症状-证候关系，并将得到的特征进行融合，得到最终的症状综合表示； S4、基于步骤S1-S3，构建基于多图卷积融合Transformer的蒙医方剂推荐模型，并输入训练集数据进行模型训练； 所述蒙医方剂推荐模型包括：节点特征构建模块，药物表示模块，症状表示模块；所述训练集数据包括：患者症状及严重程度，采集于往期患者数据； S5、对于待就诊患者，将其所患症状及其严重程度输入步骤S4训练好的蒙医方剂推荐模型，进行处方预测，完成方剂推荐； 所述步骤S1具体如下： S11、药物节点初始编码构建； 定义药物节点hi，每个蒙药药物节点包括：性味特征、证候特征和时间特征，即 其中，表示药物节点hi的性味特征编码，表示药物节点hi的证候特征编码，表示药物节点hi的时间特征编码；三种特征编码具体如下： 1性味特征编码； 将药物节点的性味特征标准化为“甘、酸、咸、苦、辛、涩、柔、重、温、腻、固、寒、钝、凉、和、稀、燥、淡、热、轻、锐、涩、动”，共有23种性质，将蒙医药物按照这23种性质进行编码； 其中，对于“微苦”、“苦”、“极苦”的描述，使用2-1、20、21进行表示，对于“有”和“无”使用1和0进行表示； 2证候特征编码； 对于蒙医药物的证候特征，查找到药物的功能主治，得到药物所治疗的证候，每个证候有自己独立的one-hot编码，则得到每个蒙医药物证候特征的初始编码； 3时间特征编码； 对于蒙医药物的时间特征，对时间特征编码初始化为{0,0,0,0}，分别表示早上、中午、晚上和睡前四个时间点，再根据存在的蒙医医案数据，统计各个药物使用在早上、中午、晚上和睡前四个时间点的次数，之后将统计值进行归一化处理，得到每个蒙医药物时间特征的编码； S12、症状节点初始编码构建； 定义症状节点si，为每个症状进行one-hot编码，并且构建症状-药物的关系矩阵HS，矩阵中每一行表示一个症状，每一列表示一种药物，根据外部医学知识，获得药物与症状之间的治疗关系，若某个症状i可以被药物j治疗，则HSij＝1； S13、证候节点初始编码构建； 定义证候节点ci，为每个证候进行one-hot编码，并且构建证候-症状的关系矩阵SC，矩阵中每一行表示一个证候，每一列表示一种症状，根据外部医学知识，获得证候与症状之间的包含关系，若某个证候i包含症状j，则SCij＝1； S14、节点特征强化； 基于步骤S11-S13，得到3种节点的初始编码后，将其输送到Transformer的编码器中，通过多头自注意力机制，对初始编码进行特征加强，表达式如下： XL＝EncoderX1 其中，X表示输入特征向量序列，即三种节点特征初始编码序列，XL表示经过L层编码器后的输出，Encoder·表示Transformer编码器过程，其中最关键的步骤为计算注意力权重A，表达式如下： 其中，Q、K、V分别表示计算注意力的三个参数矩阵Query、Key和Value；dk表示参数矩阵的维度，T表示矩阵的转置； 不同种类节点维数不同，且症状特征编码和证候特征编码高度稀疏，则使用自编码器的方式将所有节点降维至相同的维度，并设定此相同的维度数为30； 设定输入节点表示X，编码器将输入数据映射到隐藏层表示H，通过激活函数进行变换，表达式如下： H＝σWeX+be3 其中，We表示编码器的权重，be表示偏置，σ表示激活函数ReLU； 隐藏层的表示H被解码器映射回到与输入数据相同的空间，以重构原始数据，表达式如下： X′＝σWdH+bd4 其中，Wd表示解码器的权重，bd表示偏置，X′表示重构的数据； 自动编码器的目标是使得输入和输出的差距尽可能小，对应的损失函数表达式如下： 其中，Nt表示损失函数loss训练样本数量，Xn1表示第n1个输入数据，X′n1表示对应的第n1个重构数据； 最后将中间隐藏层输出的H作为降维后的各类节点的最终编码，更新各类节点的编码； 所述步骤S2具体如下： S21、关系图构建； 定义药物-药物图G1＝{V1,E1}； 其中，V1＝{h1,h2,…,hnh}表示图G1的节点集，E1表示图G1中节点间的边集；hi表示蒙药药物节点，nh表示蒙药药物的数量，即全部蒙药药物种类数量； 使用余弦相似度来CosSimi,j表示药物i和药物j之间的相似性，对于两种药物i和j，其药物节点编码为hi＝[hi1,…,hi30]和hj＝[hj1,…,hj30]，药物的相似度即药物节点编码hi与hj之间的余弦值，计算表达式如下： 其中，k表示第k个维度； 对于药物节点相互对立的性味特征编码其中具备对立关系的8对性味，将其表示为“柔涩、重轻、温凉、固动、腻淡、钝锐、寒热、和轻”，其中对于“极柔”、“柔”、“微柔”、“微涩”、“涩”、“极涩”的描述，使用-21、-20、-2-1、2-1、20、21进行表示，对于“无”使用0进行表示； 对于两种药物i和j，使用其药物节点相互对立的性味特征编码和之间的余弦相似度来表示药物之间的不良反应； 对于边的权重依据式7进行计算，定义阈值θ1和θ2，依据阈值来判断边权重Eij，表达式如下： 其中，θ1和θ2分别表示针对药物节点编码和相互对立的性味特征编码相似度的阈值； 定义症状-药物图G2＝{V2,E2}； 其中，V2＝{Vh,Vs}表示图G2的节点集，E2表示图G2中节点间的边集；Vh＝V1＝{h1,h2,…,hnh}表示蒙药药物节点集，Vs＝{s1,s2,…,sns}表示症状节点集，ns表示症状节点的数量，即全部症状种类数量； 最后基于步骤S12中构建的症状-药物的关系矩阵HS，建立症状节点和药物节点的边连接；即若HSij＝1，则对应的药物节点和症状节点之间建立边连接； S22、关系图学习； 对于药物-药物图G1，首先经过嵌入层，然后对其使用GCN进行图卷积学习，得到药物关系特征；其中GCN的过程表达式如下： 其中，表示第l层药物节点特征矩阵，σ表示激活函数ReLU，表示G1的加入自环的邻接矩阵，Ah表示G1的邻接矩阵，I表示单位矩阵，表示药物-药物图G1的度矩阵，表示第l层的权重矩阵；将第3层GCN的输出作为药物-药物图G1的药物关系特征 对于药物-症状图G2，首先经过嵌入层，然后对其使用H-GCN进行图卷积，得到药症关系特征； 其中，H-GCN获取与药物h相连的症状s的嵌入，然后利用症状s的邻域聚合嵌入得到当前药物h的嵌入；其邻域聚合的过程表达式如下： 其中，表示第l层H-GCN输出的药物嵌入，表示第l层H-GCN输出的症状嵌入，和即经过嵌入层后得到的药物嵌入和症状嵌入，表示药物-症状图G2中与药物h相互作用的症状集，表示药物-症状图G2中与症状s相互作用的药物集，表示第l层H-GCN的权重矩阵； 然后融合多层信息，并加入节点自身信息，表达式如下： 其中，yh表示融合l层H-GCN后得到的药症关系特征，w1表示权重矩阵；将H-GCN的输出yh作为药物-症状图G2的药症关系特征； 最后将药物关系特征和药症关系特征yh进行融合，得到药物综合表示表达式如下： 其中，表示实数集，SUM·表示矩阵对应元素相加。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人电子科技大学，其通讯地址为：611731 四川省成都市高新区(西区)西源大道2006号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。