病历文本中的时间信息及其关系对于疾病模式挖掘、数据结构化、临床决策等方面都具有重要的意义。电子病历中的时间实体可以反映患者的患病及治疗历程,与药物反应、症状、疾病等描述都有着非常强的关联。目前针对电子病历的研究多采用英文数据集,中文数据集较少,且研究多集中在医疗实体识别、医疗实体关系抽取等方面,对于时间实体及其关系的研究较少。针对该现状,本文基于中文抑郁症电子病历数据进行时间事件信息抽取研究,提出了适用于抑郁症电子病历的时间表达识别算法、事件识别算法,在此基础上进行了“时间点-事件-持续时间”关系抽取,实现了电子病历文本时间线的提取。具体研究成果包括:(1)提出了正则表达式与条件随机场相结合的时间表达识别算法。该方法有效解决了正则表达式覆盖不全面的问题,同时针对实体边界太长无法准确定位的问题,依据病历文本中时间表达的特征构建了时间修饰词词典、时间词典、医疗事件词典作为外部词典特征。并结合外部词典特征进行了递增式策略的多特征融合实验,经实验验证,本文方法及所选特征可以有效提取到病历文本中的时间信息。(2)设计构建和实现了基于注意力机制的字词融合实体识别模型(AttCW-LSTM)。该模型在基于字向量特征输入的基础上,融合了词语边界信息,有效解决了在使用基于字模型时虽避免了分词错误但忽略了词语特征及使用词模型时分词错误传递的问题。经过实验验证,与常用的LSTM-CRF模型相比,该模型在不借助任何外部特征的基础上效果得到了提升。(3)提出了一种对应抑郁症病历文本的时间关系。针对抑郁症电子病历文本特点,在“时间-事件”这种时间关系的基础上,提出了新的时间关系“时间点-事件-持续时间”,并利用时间-事件覆盖范围规则进行抽取。将时间表达识别与事件识别研究相结合,实现了电子病历时间线的抽取。(4)设计并实现了中文电子病历信息抽取原型系统。结合医生在实际工作中的业务需求,将研究成果应用于实际场景中,实现了有机结合。综上所述,本文通过对中文抑郁症电子病历文本进行时间识别、事件识别的基础上,提取了“时间点-事件-持续时间”关系,生成了电子病历时间线信息。为抑郁症疾病模式挖掘和病情诊治提供了新的思路。