CN108735198B - 基于医学疾病数据的语音合成方法、装置及电子设备 - Google Patents

Abstract

本发明提供了一种基于医学疾病数据的语音合成方法、装置及电子设备，涉及医疗领域，以缓解现有技术中无法对医学领域进行语音合成的问题，能够基于医学领域的图谱进行语音合成。该方法包括获取患者的医学诊断图谱；将医学诊断图谱与医学数据库的所有知识图谱进行对比，生成相似度值；根据相似度值对知识图谱进行排序，并将相似度值最高的知识图谱作为疑似诊断知识图谱；当疑似诊断知识图谱的相似度值大于预设阈值时，获取与疑似诊断知识图谱对应的文字诊断信息；利用医学文字模型对文字诊断信息进行识别，得到文字诊断信息中包含的医学分词词语；将所述医学分词词语作为整体对所述文字诊断信息进行语音合成生成语音信息；将语音信息输出。

Description

基于医学疾病数据的语音合成方法、装置及电子设备

技术领域

本发明涉及医疗技术领域，尤其是涉及一种基于医学疾病数据的语音合成方法、装置及电子设备。

背景技术

语音合成技术被广泛地用于现实生活中，如讯飞语音服务、百度语音服务等，均能为用户提供语音合成服务、语音搜索服务及其他服务。

但这些技术并没有摆脱文字形式，在某些场合下并不方便，尤其是对于通常都是以图谱的形式存在的医学领域，上述语音合成技术并不能很好的适用。

综上，针对医学领域的语音合成问题目前尚无有效的解决方案。

发明内容

有鉴于此，本发明的目的在于提供一种基于医学疾病数据的语音合成方法、装置及电子设备，以缓解现有技术中存在的无法对医学领域进行语音合成的技术问题。

第一方面，本发明实施例提供了一种基于医学疾病数据的语音合成方法，包括：

获取患者的医学诊断图谱；

将所述医学诊断图谱与医学数据库的所有知识图谱进行对比，生成相似度值；

根据相似度值高低对知识图谱进行排序，并将相似度值最高的知识图谱作为疑似诊断知识图谱；

将疑似诊断知识图谱的相似度值与预设阈值进行比较；

当疑似诊断知识图谱的相似度值大于预设阈值时，获取与所述疑似诊断知识图谱对应的文字诊断信息；

利用医学文字模型对所述文字诊断信息进行识别，得到文字诊断信息中包含的医学分词词语；

将所述医学分词词语作为整体对所述文字诊断信息进行语音合成，生成语音信息；

将所述语音信息输出。

结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，该方法还包括：

当疑似诊断知识图谱的相似度值小于预设阈值时，发送人工干预请求至目标医学专家，由目标医学专家补充知识图谱和文字诊断信息。

结合第一方面，本发明实施例提供了第一方面的第二种可能的实施方式，其中，所述利用医学文字模型对所述文字诊断信息进行识别，得到文字诊断信息中包含的医学分词词语；具体包括：

利用医学文字模型对文字诊断信息进行提取、划分、停用词过滤、标注词性、分类和标签提取，得到文字诊断信息中包含的医学分词词语以及非医学分词词语。

结合第一方面，本发明实施例提供了第一方面的第三种可能的实施方式，其中，所述将所述医学分词词语作为整体对所述文字诊断信息进行语音合成，生成语音信息；具体包括：

根据患者的医学诊断图谱获取与医学诊断图谱对应的医生信息；

基于所述医生信息从医生声纹库调取与所述医生信息对应的医生的声纹信息；

利用语音合成模型将医生的声纹信息、文字诊断信息中的医学分词词语和非医学分词词语进行语音合成，生成语音信息。

结合第一方面，本发明实施例提供了第一方面的第四种可能的实施方式，其中，所述知识图谱为各类疾病与其相关因素的关联性图谱。

结合第一方面，本发明实施例提供了第一方面的第五种可能的实施方式，其中，该方法还包括：

基于所述知识图谱和文字诊断信息建立标准化语音合成场景。

结合第一方面，本发明实施例提供了第一方面的第六种可能的实施方式，其中，所述医学文字模型是通过利用专业词库、医学知识库的词语为单位构筑词向量模型，利用词向量模型进行分词训练并利用CNN神经网络训练建立得到的。

结合第一方面，本发明实施例提供了第一方面的第七种可能的实施方式，其中，该方法还包括：

获取医护人员收集的问题数据库中的随访问题，所述问题数据库预先以科室为单位进行分类；

利用医学文字模型对所述随访问题进行提取，得到随访问题中包含的医学分词词语；

将所述医学分词词语作为一个整体，对所述随访问题进行语音合成，生成语音随访问题；

将所述语音随访问题输出。

第二方面，本发明实施例还提供一种基于医学疾病数据的语音合成装置，包括：

获取模块，用于获取患者的医学诊断图谱；

对比模块，用于将所述医学诊断图谱与医学数据库的所有知识图谱进行对比，生成相似度值；

排序模块，用于根据相似度值高低对知识图谱进行排序，并将相似度值最高的知识图谱作为疑似诊断知识图谱；

比较模块，用于将疑似诊断知识图谱的相似度值与预设阈值进行比较；当疑似诊断知识图谱的相似度值大于预设阈值时，获取与所述疑似诊断知识图谱对应的文字诊断信息；

识别模块，用于利用医学文字模型对所述文字诊断信息进行识别，得到文字诊断信息中包含的医学分词词语；

合成模块，用于将所述医学分词词语作为整体对所述文字诊断信息进行语音合成，生成语音信息；

输出模块，用于将所述语音信息输出。

第三方面，本发明实施例还提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面及其可能的实施方式中任一项所述的基于医学疾病数据的语音合成方法的步骤。

第四方面，本发明实施例提供了一种具有处理器可执行的非易失的程序代码的计算机可读介质，所述程序代码使所述处理器执行前述提及的基于医学疾病数据的语音合成方法。

本发明实施例带来了以下有益效果：

本发明实施例提供的基于医学疾病数据的语音合成方法、装置及电子设备中，其中，该基于医学疾病数据的语音合成方法包括：获取患者的医学诊断图谱；将医学诊断图谱与医学数据库的所有知识图谱进行对比，生成相似度值；根据相似度值高低对知识图谱进行排序，并将相似度值最高的知识图谱作为疑似诊断知识图谱；将疑似诊断知识图谱的相似度值与预设阈值进行比较；当疑似诊断知识图谱的相似度值大于预设阈值时，获取与疑似诊断知识图谱对应的文字诊断信息；利用医学文字模型对文字诊断信息进行识别，得到文字诊断信息中包含的医学分词词语；将所述医学分词词语作为整体对所述文字诊断信息进行语音合成，生成语音信息；将语音信息输出。因此，本发明实施例提供的技术方案，缓解了现有技术中存在的无法对医学领域进行语音合成的技术问题，能够对医学领域的图谱进行分析及语音合成，对于医疗领域的事业发展具有促进作用。

本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种基于医学疾病数据的语音合成方法的流程图；

图2为本发明实施例提供的另一种基于医学疾病数据的语音合成方法的流程图；

图3为本发明实施例提供的一种基于医学疾病数据的语音合成装置的示意图；

图4为本发明实施例提供的一种电子设备的示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

目前，语音合成技术被广泛地用于现实生活中，如讯飞语音服务、百度语音服务等，均能为用户提供语音合成服务、语音搜索服务及其他服务。但这些技术并没有摆脱文字形式，在某些场合下并不方便，尤其是对于通常都是以图谱的形式存在的医学领域，上述语音合成技术并不能很好的适用。综上，针对医学领域的语音合成问题目前尚无有效的解决方案，基于此，本发明实施例提供的一种基于医学疾病数据的语音合成方法、装置及电子设备，以缓解现有技术中存在的无法对医学领域进行语音合成的技术问题，可以基于医学图谱进行语音合成。

为便于对本实施例进行理解，首先对本发明实施例所公开的一种基于医学疾病数据的语音合成方法进行详细介绍。

实施例一：

如图1所示，本发明实施例提供了一种基于医学疾病数据的语音合成方法，应用于医疗领域。

参照图1，该方法具体包括：

步骤S101：获取患者的医学诊断图谱；

具体的，可以直接从诊断设备(例如核磁共振诊断设备等)检测的图像接收获取患者的医学诊断图谱。

步骤S102：将医学诊断图谱与医学数据库的所有知识图谱进行对比，生成相似度值；

医学数据库可以通过利用爬虫技术构建得到，例如从医学网站、医院网站和医学报道、医院诊断案例中获取的医学信息建立得到的。医学数据库包括病例库，病例库包括医院病例、病人信息(患者信息)、随访结果等；

上述的知识图谱为各类疾病与其相关因素的关联性图谱。且上述的知识图谱可以通过大量的医学疾病数据(包括历史诊断数据和医学文献资料)建立得到。

具体的，将患者的医学诊断图谱分别与医学数据库的所有知识图谱进行对比，生成相似度值。

需要指出的是，在另一个实施例中，还可以预先根据疾病类型或者科室等对知识图谱进行分类，然后根据患者所在的科室的医学诊断图谱以及分类后的该科室的知识图谱进行对比，以提高对比效率。

对比时，可以通过图像识别技术(例如基于卷积神经网络训练得到的图像识别模型)确认两者的相似度值。

步骤S103：根据相似度值高低对知识图谱进行排序，并将相似度值最高的知识图谱作为疑似诊断知识图谱；

具体的，将根据相似度值由高到低对知识图谱排序，得到知识图谱的排序表，排序表的第一个知识图谱即为相似度值最高的知识图谱，将该知识图谱作为疑似诊断知识图谱。

步骤S104：将疑似诊断知识图谱的相似度值与预设阈值进行比较；

这里的预设阈值可以根据需要进行设置，以全面性和准确性为基准，防止对比遗漏，预设阈值可以设置为90％-99％之间的任意值。本实施例中的预设阈值设置为95％。

步骤S105：当疑似诊断知识图谱的相似度值大于预设阈值时，获取与疑似诊断知识图谱对应的文字诊断信息；

由于知识图谱基于临床历史诊断数据和医学文献资料等，因此，知识图谱还包括有与该知识图谱对应的文字诊断信息。因此，可以通过知识图谱图谱的图像信息对应获取得到文字诊断信息。

步骤S106：利用医学文字模型对文字诊断信息进行识别，得到文字诊断信息中包含的医学分词词语；

上述的医学文字模型是通过利用专业词库、医学知识库的词语为单位构筑词向量模型，利用词向量模型进行分词训练并利用CNN神经网络训练建立得到的。专业词库是指医学专业词库，包括医学词典等，医学知识库包括医院收集的患者的问题集以及医院专家对问题集的回复构成的答案集，且问题集的问题与答案集的答案一一对应关联起来，方便直接调取利用，且医学知识库可以用于场景化教学。

具体的，该步骤S106通过以下步骤执行：

利用医学文字模型对文字诊断信息进行提取、划分、停用词过滤、标注词性、分类和标签提取，得到文字诊断信息中包含的医学分词词语以及非医学分词词语。提取，即将文字诊断信息导入到医学文字模型输入框中、划分，即将文字诊断信息进行分词，以得到多个词组，停用词过滤主要包括去除繁体词以及无意义的词(例如“的”)，去除噪声干扰；标注词性，即标注词组的词性(动词、名词、实词、虚词等)；分类是指根据词性将词组分类，生成标签。

步骤S107：将医学分词词语作为整体对文字诊断信息进行语音合成，生成语音信息；

具体的，该步骤S107通过以下步骤实现：

1)根据患者的医学诊断图谱获取与医学诊断图谱对应的医生信息；

患者的医学诊断图谱包括患者信息以及医生信息，因此可以通过医学诊断图谱获取与医学诊断图谱对应的医生信息。

2)基于所述医生信息从医生声纹库调取与所述医生信息对应的医生的声纹信息；

声纹库包括采集的医院的医生声纹建立的医生声纹库、采集的医院的患者的病人声纹库，还可以包括人工智能(Artificial Intelligence，AI)助手从网络上读取建立的智能声纹库等。

3)利用语音合成模型将医生的声纹信息、文字诊断信息中的医学分词词语和非医学分词词语进行语音合成，生成语音信息。

该步骤S107通过将医学分词词语作为整体，防止医学分词词语中的首字与首字之前的文字组词或尾字与尾字之后的文字组词造成识别的错误，从而提高了识别的准确性，进而保证了语音合成的准确度。

步骤S108：将语音信息输出。

本发明实施例提供的基于医学疾病数据的语音合成方法，包括：获取患者的医学诊断图谱；将医学诊断图谱与医学数据库的所有知识图谱进行对比，生成相似度值；根据相似度值高低对知识图谱进行排序，并将相似度值最高的知识图谱作为疑似诊断知识图谱；将疑似诊断知识图谱的相似度值与预设阈值进行比较；当疑似诊断知识图谱的相似度值大于预设阈值时，获取与疑似诊断知识图谱对应的文字诊断信息；利用医学文字模型对文字诊断信息进行识别，得到文字诊断信息中包含的医学分词词语；将所述医学分词词语作为整体对所述文字诊断信息进行语音合成，生成语音信息；将语音信息输出。因此，本发明实施例提供的技术方案，缓解了现有技术中存在的无法对医学领域进行语音合成的技术问题，能够对医学领域的图谱进行分析及语音合成，对于医疗领域的事业发展具有促进作用。

进一步的，该方法还包括随访步骤：基于医学文字模型进行随访。

具体实施时，该基于医学文字模型进行随访的步骤包括：

A获取医护人员收集的问题数据库中的随访问题，所述问题数据库预先以科室为单位进行分类；

B利用医学文字模型对所述随访问题进行提取，得到随访问题中包含的医学分词词语；

C将所述医学分词词语作为一个整体，对所述随访问题进行语音合成，生成语音随访问题；

具体的，调取相应的声纹(例如相应领域的医院专家)，将所述医学分词词语作为一个整体，对所述随访问题进行语音合成，生成语音随访问题；

D将所述语音随访问题输出。

通过该随访步骤，可以缓解传统的随访方法存在随访率低、患者体验度不佳的问题，有利于提高随访率，改善患者体验度。

实施例二：

如图2所示，在实施例一的基础上，本发明实施例提供的另一种基于医学疾病数据的语音合成方法，与实施例一的区别在于，该方法还包括：

步骤S201：当疑似诊断知识图谱的相似度值小于预设阈值时，发送人工干预请求至目标医学专家，由目标医学专家补充知识图谱和文字诊断信息。

通过人工干预，可以丰富知识图谱，扩展医学数据库，方便后续案例的调取使用。

需要指出的是，在利用医学文字模型对所述文字诊断信息进行识别，得到文字诊断信息中包含的医学分词词语的过程中，也可以加入人工干预，以提高医学分词词语的准确性，同时防止漏检率，以及对医学文字模型进行反馈更新，提高医学文字模型的适应性。

步骤S202：基于知识图谱和文字诊断信息建立标准化语音合成场景。

通过该步骤S202建立的标准化语音合成场景，一方面方便提取知识图谱对应的文字诊断信息的语音信息，并进行直接输出，简化合成步骤，提高了识别效率；另一方面，标准化语音合成场景可以用于场景教学，减轻医院医生反复教学的弊端，减轻了医院医生的工作负担，同时有利于医疗事业的发展。

实施例三：

图3示出了本发明实施例提供的一种基于医学疾病数据的语音合成装置的示意图，该基于医学疾病数据的语音合成装置包括：

获取模块301，用于获取患者的医学诊断图谱；

对比模块302，用于将所述医学诊断图谱与医学数据库的所有知识图谱进行对比，生成相似度值；这里的知识图谱为各类疾病与其相关因素的关联性图谱。

排序模块303，用于根据相似度值高低对知识图谱进行排序，并将相似度值最高的知识图谱作为疑似诊断知识图谱；

比较模块304，用于将疑似诊断知识图谱的相似度值与预设阈值进行比较；当疑似诊断知识图谱的相似度值大于预设阈值时，获取与所述疑似诊断知识图谱对应的文字诊断信息；

识别模块305，用于利用医学文字模型对所述文字诊断信息进行识别，得到文字诊断信息中包含的医学分词词语；此处的医学文字模型是通过利用专业词库、医学知识库的词语为单位构筑词向量模型，利用词向量模型进行分词训练并利用CNN神经网络训练建立得到的。

合成模块306，用于将所述医学分词词语作为整体对所述文字诊断信息进行语音合成，生成语音信息；

输出模块307，用于将所述语音信息输出。

进一步的，所述比较模块304还用于当疑似诊断知识图谱的相似度值小于预设阈值时，发送人工干预请求至目标医学专家，由目标医学专家补充知识图谱和文字诊断信息。

进一步的，所述识别模块305具体用于利用医学文字模型对文字诊断信息进行提取、划分、停用词过滤、标注词性、分类和标签提取，得到文字诊断信息中包含的医学分词词语以及非医学分词词语。

进一步的，所述合成模块306具体用于根据患者的医学诊断图谱获取与医学诊断图谱对应的医生信息；

基于所述医生信息从医生声纹库调取与所述医生信息对应的医生的声纹信息；

利用语音合成模型将医生的声纹信息、文字诊断信息中的医学分词词语和非医学分词词语进行语音合成，生成语音信息。

进一步的，该装置还包括：场景模块308，用于基于所述知识图谱和文字诊断信息建立标准化语音合成场景。

进一步的，该装置还包括：随访模块309，用于获取医护人员收集的问题数据库中的随访问题，所述问题数据库预先以科室为单位进行分类；利用医学文字模型对所述随访问题进行提取，得到随访问题中包含的医学分词词语；将所述医学分词词语作为一个整体，对所述随访问题进行语音合成，生成语音随访问题；将所述语音随访问题输出。

本发明实施例提供的基于医学疾病数据的语音合成装置，与上述实施例提供的基于医学疾病数据的语音合成方法具有相同的技术特征，所以也能解决相同的技术问题，达到相同的技术效果。

本发明实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

参见图4，本发明实施例还提供一种电子设备100，包括：处理器40，存储器41，总线42和通信接口43，所述处理器40、通信接口43和存储器41通过总线42连接；处理器40用于执行存储器41中存储的可执行模块，例如计算机程序。

其中，存储器41可能包含高速随机存取存储器(RAM，Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口43(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。

总线42可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。

其中，存储器41用于存储程序401，所述处理器40在接收到执行指令后，执行所述程序401，前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器40中，或者由处理器40实现。

处理器40可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器40中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器40可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital SignalProcessing，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器41，处理器40读取存储器41中的信息，结合其硬件完成上述方法的步骤。

本发明实施例还提供了一种具有处理器可执行的非易失的程序代码的计算机可读介质，所述程序代码使所述处理器执行前述的基于医学疾病数据的语音合成方法。

需要指出的是，除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对步骤、数字表达式和数值并不限制本发明的范围。

在这里示出和描述的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制，因此，示例性实施例的其他示例可以具有不同的值。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本发明实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

本发明实施例所提供的进行基于医学疾病数据的语音合成方法的计算机程序产品，包括存储了处理器可执行的非易失的程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (1)

1.一种基于医学疾病数据的语音合成装置，其特征在于，包括：

获取模块，用于获取患者的医学诊断图谱；

对比模块，用于将所述医学诊断图谱与医学数据库的所有知识图谱进行对比，生成相似度值；

排序模块，用于根据相似度值高低对知识图谱进行排序，并将相似度值最高的知识图谱作为疑似诊断知识图谱；

比较模块，用于将疑似诊断知识图谱的相似度值与预设阈值进行比较；当疑似诊断知识图谱的相似度值小于预设阈值时，发送人工干预请求至目标医学专家，由目标医学专家补充知识图谱和文字诊断信息；当疑似诊断知识图谱的相似度值大于预设阈值时，获取与所述疑似诊断知识图谱对应的文字诊断信息；

识别模块，用于利用医学文字模型对所述文字诊断信息进行识别，得到文字诊断信息中包含的医学分词词语；所述医学文字模型是通过利用专业词库、医学知识库的词语为单位构筑词向量模型，利用词向量模型进行分词训练并利用CNN神经网络训练建立得到的；其中，所述专业词库是指医学专业词库；所述医学知识库包括医院收集的患者的问题集以及医院专家对问题集的回复构成的答案集，且问题集的问题与答案集的答案一一对应关联起来；

合成模块，用于将所述医学分词词语作为整体对所述文字诊断信息进行语音合成，生成语音信息；

输出模块，用于将所述语音信息输出。