(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111273816.8 (22)申请日 2021.10.2 9 (71)申请人 山东师范大学 地址 250014 山东省济南市历下区文化 东 路88号 申请人 中国中医科学院中医临床基础医学 研究所 (72)发明人 王正中　耿世超　李小宁　王琳　 廖星　胡瑞学　李慧敏　 (74)专利代理 机构 济南圣达知识产权代理有限 公司 372 21 代理人 黄海丽 (51)Int.Cl. G16H 50/50(2018.01) G06N 20/00(2019.01)G06K 9/62(2022.01) (54)发明名称 基于机器学习的急性脑梗死中药方剂治疗 效果预测系统 (57)摘要 本发明公开了基于机器学习的急性脑梗死 中药方剂治疗效果预测系统， 包括： 获取模块， 获 取待预测的急性脑梗死中药方剂； 模型生成模 块， 将待预测的急性脑梗 死中药方剂中的每一种 中药作为一个节点， 为当前方剂中包含的所有中 药两两之间建立无向边， 生成复杂网络模型； 贴 近度计算模块， 基于复杂网络模型， 计算每个节 点的相对贴近度； 特征选择模块， 对待预测的急 性脑梗死中药方剂中所有节点的相对贴近度按 照降序进行排序， 选择排序靠前的若干种相对贴 近度作为当前中药方剂样本的特征； 预测模块， 基于当前中药方剂样本的特征和训练后的机器 学习模型， 得到中药方剂 的治疗效果预测结果。 通过训练后的随机森 林模型， 实现对急性脑梗 死 疾病的药物疗效预测。 权利要求书2页 说明书8页 附图1页 CN 113990510 A 2022.01.28 CN 113990510 A 1.基于机器学习的急性脑梗死中药 方剂治疗效果预测系统， 其特 征是， 包括： 获取模块， 其被 配置为： 获取待预测的急性脑梗死中药 方剂； 模型生成模块， 其被配置为： 将所述待预测的急性脑梗死中药方剂中的每一种中药作 为一个节点， 为当前 方剂中包 含的所有中药两 两之间建立无向边， 生成复杂网络模型； 贴近度计算模块， 其被 配置为： 基于所述复杂网络模型， 计算每 个节点的相对贴近度； 特征选择模块， 其被配置为： 对待预测的急性脑梗死中药方剂中所有节点的相对贴近 度按照降序进行排序， 选择排序靠前的若干种相对贴近度作为当前中药 方剂样本的特 征； 预测模块， 其被配置为： 基于当前中药方剂样本的特征和训练后的机器学习模型， 得到 当前中药 方剂的治疗效果预测结果。 2.如权利要求1所述的基于机器学习的急性脑梗死中药方剂治疗效果预测系统， 其特 征是， 所述特 征选择模块与预测模块之间， 还设有特 征预处理模块； 所述特征预处理模块， 被配置为： 对选择的当前中药方剂样本的特征进行归一化处理 和降维处 理。 3.如权利要求1所述的基于机器学习的急性脑梗死中药方剂治疗效果预测系统， 其特 征是， 所述将所述待预测的急性脑梗死中药方剂 中的每一种中药作为一个节点， 为当前方 剂中包含的所有中药两 两之间建立无向边， 生成复杂网络模型； 具体包括： 将所述待预测的急性脑梗死中药方剂中的每一种中药为一个节点， 为当前方剂中包含 的所有中药两 两之间建立无向边， 生成复杂网络模型。 4.如权利要求1所述的基于机器学习的急性脑梗死中药方剂治疗效果预测系统， 其特 征是， 所述基于所述复杂网络模型， 计算每 个节点的相对贴近度； 具体步骤 包括： 基于所述复杂网络模型， 计算每个节点的若干个属性； 所述每个节点的属性， 包括： 每 个节点的度、 每 个节点的中介中心性、 每 个节点的接 近中心性和每 个节点的邻接信息熵； 基于每个节点的所有属性， 计算每 个节点的相对贴近度。 5.如权利要求1所述的基于机器学习的急性脑梗死中药方剂治疗效果预测系统， 其特 征是， 所述基于所述复杂网络模型， 计算每 个节点的相对贴近度； 具体步骤 包括： 基于所述复杂网络模型， 计算每个节点的若干个属性； 所述每个节点的属性， 包括： 每 个节点的度、 每 个节点的中介中心性、 每 个节点的接 近中心性和每 个节点的邻接信息熵； 基于每个节点的度、 每个节点的中介中心性、 每个节点的接近中心性和每个节点的邻 接信息熵， 构建标准 化后的加权决策矩阵； 取标准化后的加权决策矩阵每列的最大值作为 最优解， 将最优解加入到最优解 集合； 取标准化后的加权决策矩阵每列的最小值作为 最劣解， 将最劣解加入到最劣解 集合； 利用最优解集合、 最劣解集合以及标准化后的加权决策矩阵每行数据， 计算节点的相 对熵； 基于每个节点的相对熵， 计算每 个节点的相对贴近度。 6.如权利要求1所述的基于机器学习的急性脑梗死中药方剂治疗效果预测系统， 其特 征是， 所述对待预测的急性脑梗死中药方剂 中所有节点的相对贴近度按照降序进行排序， 选择排序靠前的若干种相对贴近度作为当前中药 方剂样本的特 征； 具体包括： 对待预测的急性脑梗死中药方剂中所有节点的相对贴近度按照降序进行排序， 选择排 序靠前的若干种相对贴近度， 作为当前中药 方剂样本的特 征；权　利　要　求　书 1/2 页 2 CN 113990510 A 2其中， 对于不足若干种相对贴近度的样本特征， 采用当前方剂已有相对贴近度的平均 值进行补全。 7.如权利要求1所述的基于机器学习的急性脑梗死中药方剂治疗效果预测系统， 其特 征是， 所述基于当前中药方剂样本的特征和训练后的机器学习模型， 得到当前中药方剂的 治疗效果预测结果； 具体包括： 将当前中药方剂样本的特征， 输入到训练后的机器学习模型中， 得到当前中药方剂的 治疗效果预测结果。 8.如权利要求1所述的基于机器学习的急性脑梗死中药方剂治疗效果预测系统， 其特 征是， 所述训练后的机器学习模型， 其训练过程包括： 构建训练集和测试集； 所述训练集和测试集均为已知治疗 效果标签的急性脑梗死中药 方剂特征； 设训练集和 测试集比例； 将训练集， 输入到随机森林模型中， 对 模型进行训练； 将测试集， 输入到随机森林模型中， 对 模型进行测试， 得到训练后的机器学习模型。 9.一种电子设备， 其特 征是， 包括： 存储器， 用于非暂时性存 储计算机可读指令； 以及 处理器， 用于运行 所述计算机可读指令， 其中， 所述计算机可读指令被所述处 理器运行时， 执 行以下步骤： 获取待预测的急性脑梗死中药 方剂； 将所述待预测的急性脑梗死中药方剂中的每一种中药作为一个节点， 为当前方剂中包 含的所有中药两 两之间建立无向边， 生成复杂网络模型； 基于所述复杂网络模型， 计算每 个节点的相对贴近度； 对待预测的急性脑梗死中药方剂中所有节点的相对贴近度按照降序进行排序， 选择排 序靠前的若干种相对贴近度作为当前中药 方剂样本的特 征； 基于当前中药方剂样本的特征和训练后的机器学习 模型， 得到当前中药方剂的治疗 效 果预测结果。 10.一种存储介质， 其特征是， 非暂时性地存储计算机可读指令， 其中， 当所述非暂时性 计算机可读指令由计算机执 行时， 执行以下步骤： 获取待预测的急性脑梗死中药 方剂； 将所述待预测的急性脑梗死中药方剂中的每一种中药作为一个节点， 为当前方剂中包 含的所有中药两 两之间建立无向边， 生成复杂网络模型； 基于所述复杂网络模型， 计算每 个节点的相对贴近度； 对待预测的急性脑梗死中药方剂中所有节点的相对贴近度按照降序进行排序， 选择排 序靠前的若干种相对贴近度作为当前中药 方剂样本的特 征； 基于当前中药方剂样本的特征和训练后的机器学习 模型， 得到当前中药方剂的治疗 效 果预测结果。权　利　要　求　书 2/2 页 3 CN 113990510 A 3