| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 1 绪论 | 第8-15页 |
| 1.1 课题背景、目的及研究意义 | 第8-11页 |
| 1.1.1 课题研究背景 | 第8-9页 |
| 1.1.2 课题研究目的 | 第9页 |
| 1.1.3 课题研究意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.3 课题的研究内容 | 第12-13页 |
| 1.4 本文内容安排 | 第13-15页 |
| 2 中文电子病历研究的相关理论和技术 | 第15-29页 |
| 2.1 中文电子病历的相关概念 | 第15-20页 |
| 2.1.1 中文电子病历实体的分类 | 第16-18页 |
| 2.1.2 中文电子病历的特点分析 | 第18-20页 |
| 2.2 中文文本分词的主要方法 | 第20-21页 |
| 2.3 中文命名实体识别的主要方法 | 第21-23页 |
| 2.3.1 基于词典的命名实体识别方法 | 第21页 |
| 2.3.2 基于规则的命名实体识别方法 | 第21-22页 |
| 2.3.3 基于统计机器学习的命名实体识别方法 | 第22-23页 |
| 2.4 本文相关算法理论研究 | 第23-28页 |
| 2.4.1 N-最短路径算法理论 | 第23-25页 |
| 2.4.2 隐马尔科夫模型理论 | 第25-27页 |
| 2.4.3 最大熵模型理论 | 第27-28页 |
| 2.5 本章小结 | 第28-29页 |
| 3 中文电子病历实体识别及其相关修饰信息抽取 | 第29-45页 |
| 3.1 中文电子病历文本数据的预处理 | 第30-35页 |
| 3.1.1 数据预处理 | 第30页 |
| 3.1.2 文本预处理 | 第30-33页 |
| 3.1.3 基于自定义词典的N-最短路径分词方法的改进 | 第33-35页 |
| 3.2 中文电子病历命名实体识别 | 第35-40页 |
| 3.2.1 基于隐马尔科夫模型的命名实体识别 | 第35-38页 |
| 3.2.2 中文电子病历实体识别实验与分析 | 第38-40页 |
| 3.3 中文电子病历文本依存句法分析 | 第40-44页 |
| 3.3.1 基于最大熵模型的依存句法分析 | 第40-42页 |
| 3.3.2 中文电子病历依存句法实验与分析 | 第42-44页 |
| 3.4 本章小结 | 第44-45页 |
| 4 电子病历数据的结构化规范 | 第45-51页 |
| 4.1 面向信息检索的文本型结构化数据 | 第45-47页 |
| 4.2 面向数据挖掘的数值型结构化数据 | 第47-48页 |
| 4.3 面向临床决策支持的向量型结构化数据 | 第48-50页 |
| 4.4 本章小结 | 第50-51页 |
| 5 电子病历数据的结构化分析系统 | 第51-58页 |
| 5.1 系统开发环境介绍 | 第51页 |
| 5.2 系统结构 | 第51-52页 |
| 5.3 系统模块说明 | 第52-57页 |
| 5.4 本章小结 | 第57-58页 |
| 总结与展望 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 致谢 | 第64-65页 |
| 攻读学位期间发表的学术论文目录 | 第65页 |
| 攻读学位期间参加的科研项目 | 第65-66页 |