本发明属于医疗辅助算法领域，特别涉及一种自测表简化方法和体质判断方法。
背景技术：
1、现有的判断中医体质的自测方法，一般为根据个体对于中医体质分类与判定自测表中问题的回答（没有、很少、有时、经常、总是）判断该个体身体上与该问题对应的症状的强烈程度，从而判断该个体属于何种中医体质。但是，现有的中医体质分类与判定自测表中具有61个问题，问题数量较多，继而个体回答中医体质分类与判定自测表中问题所需时间长，导致体质判断效率低。
2、因此，现有技术有待改进和发展。
技术实现思路
1、本技术的目的在于提供一种自测表简化方法和体质判断方法，旨在解决基于现有的自测方法判断中医体质时效率低的问题。
2、第一方面，本技术提供一种自测表简化方法，用于对中医体质分类与判定自测表进行简化，包括以下步骤：
3、s1.获取第一个体信息以及与第一个体信息对应的填写好的中医体质分类与判定自测表和体质标签，建立第一数据集；
4、s2.根据第一数据集中第一个体信息和中医体质分类与判定自测表生成第一个体编号和第一症状向量；
5、s3.以第一个体编号和第一症状向量为节点组成第一图网络，构建第一模型，基于第一图网络和与其对应的体质标签训练第一模型；
6、s4.基于第一模型输出第一图网络中各个症状节点的注意力分数，其中第一图网络中各个症状节点为作为第一图网络节点的各个第一症状向量；
7、s5.根据注意力分数对中医体质分类与判定自测表中的问题进行阈值删选，获取简化自测表。
8、本技术的自测表简化方法，根据注意力分数对中医体质分类与判定自测表中的问题进行删选，能在对后续体质判断准确性影响不大的前提下，减少该自测表的问题以对该自测表进行简化，能使个体回答简化自测表中问题所需时间短于回答自测表中问题所需时间，提高体质判断效率；并且本技术减少了该自测表的问题，能避免长时间填写或问询过程中个体注意力下降或产生抵触情绪导致对于问题给出不准确的回答，从而能提高体质判断的准确率。
9、进一步地，步骤s2中，根据第一数据集中第一个体信息和中医体质分类与判定自测表生成第一个体编号和第一症状向量的过程包括：
10、s21.对第一个体信息和中医体质分类与判定自测表中的第一症状信息进行独热编码，生成第一个体向量和第一症状向量，将第一个体向量作为第一个体编号。
11、第二方面，本技术提供一种体质判断方法，包括以下步骤：
12、a1.获取新的个体填写好的简化自测表，简化自测表基于如上任一自测表简化方法获取；
13、a2.基于预先训练好的第二模型根据该填写好的简化自测表生成体质判断结果。
14、本技术的体质判断方法，根据注意力分数对中医体质分类与判定自测表中的问题进行删选，能在对后续体质判断准确性影响不大的前提下，减少该自测表的问题以对该自测表进行简化，能使个体回答简化自测表中问题所需时间短于回答自测表中问题所需时间，提高体质判断效率；并且本技术减少了该自测表的问题，能避免长时间填写或问询过程中个体注意力下降或产生抵触情绪导致对于问题给出不准确的回答，从而能提高体质判断的准确率；并且本技术基于第二模型判断个体的中医体质，能免去计算分数的过程，避免将不适用的计算分数方法应用于简化自测表，并且能基于简化自测表对个体的中医体质做出准确判断。
15、进一步地，步骤a2中，第二模型为graphsage模型，基于预先训练好的第二模型根据简化自测表生成体质判断结果的过程包括：
16、a21.获取第二个体信息以及与第二个体信息对应的简化自测表，根据第二个体信息和简化自测表生成第二个体编号和第二症状向量，根据第二个体编号和第二症状向量生成第二图网络；
17、a22.将第二图网络输入graphsage模型，graphsage模型基于第二图网络进行特征聚合直至生成体质判断结果。
18、进一步地，步骤a21中，根据第二个体节点和第二症状向量生成第二图网络的过程包括：
19、a211.以第二个体编号和第二症状向量为节点组成第二图网络；
20、a212.对第二图网络的症状节点进行嵌入处理，其中第二图网络的症状节点为作为第二图网络节点的第二症状向量；
21、步骤a22中，graphsage模型基于第二图网络进行特征聚合直至生成体质判断结果的过程包括：
22、a221. graphsage模型基于第二图网络中进行嵌入处理后的症状节点进行特征聚合直至生成体质判断结果。
23、在该实施方式中，本技术的体质判断方法对第二图网络的症状节点进行嵌入处理，并使graphsage模型基于第二图网络中进行嵌入处理后的症状节点进行特征聚合，能在特征聚合过程中将信息更新后各节点的特征聚合到对应的信息未更新的各节点，从而能进一步提高基于graphsage模型进行的体质判断的准确率。
24、进一步地，步骤a221中，graphsage模型基于第二图网络中进行嵌入处理后的症状节点进行特征聚合直至生成体质判断结果的过程包括：
25、a2211.以第二图网络中的一个个体节点为中心节点，以与其对应的症状节点为一跳邻居节点，以与一跳邻居节点对应的除中心节点外的个体节点为二跳邻居节点；
26、a2212.将二跳邻居节点的特征聚合到一跳邻居节点上；
27、a2213.将一跳邻居节点的特征聚合到中心节点上；
28、a2214.以中心节点以外的第二图网络中的一个个体节点为新的中心节点,以与其对应的症状节点为新的一跳邻居节点，以与新的一跳邻居节点对应的除中心节点和新的中心节点外的个体节点为新的二跳邻居节点；
29、a2215.重复步骤a2212-a2214，直至对所有的个体节点都完成特征聚合；
30、a2216.将所有个体节点都视作未进行特征聚合并重复步骤a2211-a2215，直至生成体质判断结果。
31、在该实施方式中，本技术的体质判断方法将二跳邻居节点的特征聚合到一跳邻居节点上，并将一跳邻居节点的特征聚合到中心节点上，在特征聚合过程中能将信息更新后症状节点的特征聚合到对应的信息未更新的中心节点，并且能将信息更新后个体节点的特征，聚合到与其对应有至少一个相同的症状向量的个体节点中，从而能进一步提高基于graphsage模型进行的体质判断的准确率。
32、进一步地，第二模型的训练过程包括：
33、b1.根据简化自测表对填写好的中医体质分类与判定自测表进行删选，获取填写好的简化自测表，根据填写好的简化自测表以及与填写好的简化自测表对应的第一个体信息和体质标签建立第二数据集，将第二数据集中每个第一个体信息对应的第一个体编号和第一症状向量作为输入体质样本，将第二数据集中的每个体质标签作为输出体质样本，将多个相互对应的输入体质样本和输出体质样本组成的体质样本集分为训练集和测试集，训练集和测试集各自包含多个相互对应的输入体质样本和输出体质样本；
34、b2.根据训练集训练第二模型；
35、b3.根据测试集测试第二模型。
36、由上可知，本技术提供了一种自测表简化方法和体质判断方法，其中本技术提供的自测表简化方法,根据注意力分数对中医体质分类与判定自测表中的问题进行删选，能在对后续体质判断准确性影响不大的前提下，减少该自测表的问题以对该自测表进行简化，能使个体回答简化自测表中问题所需时间短于回答自测表中问题所需时间，提高体质判断效率；并且本技术减少了该自测表的问题，能避免长时间填写或问询过程中个体注意力下降或产生抵触情绪导致对于问题给出不准确的回答，从而能提高体质判断的准确率。
37、本技术的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本技术实施例了解。本技术的目的和其他优点可通过在所写的说明书、以及附图中所特别指出的结构来实现和获得。
1.一种自测表简化方法，用于对中医体质分类与判定自测表进行简化，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种自测表简化方法，其特征在于，步骤s2中，所述根据第一数据集中所述第一个体信息和所述中医体质分类与判定自测表生成第一个体编号和第一症状向量的过程包括：
3.一种体质判断方法，其特征在于，包括以下步骤：
4.根据权利要求3所述的一种体质判断方法，其特征在于，步骤a2中，所述第二模型为graphsage模型，所述基于预先训练好的第二模型根据简化自测表生成体质判断结果的过程包括：
5.根据权利要求4所述的一种体质判断方法，其特征在于，步骤a21中，所述根据所述第二个体编号和所述第二症状向量生成第二图网络的过程包括：
6.根据权利要求5所述的一种体质判断方法，其特征在于，步骤a221中，所述graphsage模型基于所述第二图网络中进行嵌入处理后的症状节点进行特征聚合直至生成体质判断结果的过程包括：
7.根据权利要求4所述的一种体质判断方法，其特征在于，所述第二模型的训练过程包括：
