CN109360631B - 基于图片识别的人机交互方法、装置、计算机设备及介质 - Google Patents

Abstract

本申请提出一种基于图片识别的人机交互方法、装置、计算机设备及介质，其中，该方法包括：对获取的图片进行识别，以确定所述图片对应的第一皮肤体征集；根据所述第一皮肤体征集，确定待返回的第一询问消息及所述第一询问消息的询问模式；将所述第一询问消息以所述询问模式的形式返回，以获取用户返回的第一应答消息；根据所述第一应答消息及所述第一皮肤体征集，生成待向所述用户返回的诊疗建议。由此，通过利用用户提交的图片，即可对用户进行引导诊断，从而为用户提供准确的诊疗建议，简化了交互过程，提高了诊断效率，并且适用性较强。

Description

基于图片识别的人机交互方法、装置、计算机设备及介质

技术领域

本申请涉及计算机技术领域，特别涉及一种基于图片识别的人机交互方法、装置、计算机设备及介质。

背景技术

随着通信技术的发展，用户在出现身体不适时，通常会通过网络进行疾病信息查询，以自行诊断所患疾病。

相关技术中，用户在通过网络自行诊断所患疾病时，多是通过人机交互的方式，不断的将自身的各种症状信息发送给服务器，然后服务器根据用户多次提交的文字表述，进行疾病诊断。然而，通过这种方式进行疾病诊断时，若用户无法准确表述其症状，会导致诊断结果错误，因此这种疾病诊断方式，对用户的文字描述水平要求较高，适用性较差，诊断结果的准确性差，且交互过程复杂，诊断效率低。

发明内容

本申请实施例提出一种基于图片识别的人机交互方法、装置、计算机设备及介质，用于解决相关技术中，疾病诊断方式对用户的文字描述水平要求较高，适用性较差，诊断结果的准确性差，且交互过程复杂，诊断效率低的技术问题。

为此，本申请一方面实施例提出一种基于图片识别的人机交互方法，该方法包括：对获取的图片进行识别，以确定所述图片对应的第一皮肤体征集；根据所述第一皮肤体征集，确定待返回的第一询问消息及所述第一询问消息的询问模式；将所述第一询问消息以所述询问模式的形式返回，以获取用户返回的第一应答消息；根据所述第一应答消息及所述第一皮肤体征集，生成待向所述用户返回的诊疗建议。

本申请另一方面实施例提出了一种基于图片识别的人机交互装置，该装置包括：识别模块，用于对获取的图片进行识别，以确定所述图片对应的第一皮肤体征集；确定模块，用于根据所述第一皮肤体征集，确定待返回的第一询问消息及所述第一询问消息的询问模式；第一发送模块，用于将所述第一询问消息以所述询问模式的形式返回，以获取用户返回的第一应答消息；生成模块，用于根据所述第一应答消息及所述第一皮肤体征集，生成待向所述用户返回的诊疗建议。

本申请又一方面实施例提出了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，以实现第一方面实施例所述的基于图片识别的人机交互方法。

本申请的又一方面实施例提出了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时，以实现第一方面实施例所述的基于图片识别的人机交互方法。

本申请公开的技术方案，具有如下有益效果：

通过利用用户提交的图片，即可对用户进行引导诊断，从而为用户提供准确的诊疗建议，简化了交互过程，提高了诊断效率，并且适用性较强。

本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。

附图说明

本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为本申请一个实施例的基于图片识别的人机交互方法的流程示意图；

图2为本申请一个实施例的人机交互界面的示意图；

图3-4为本申请一个实施例的人机交互装置获取的图片的示例图；

图5为本申请另一个实施例的基于图片识别的人机交互方法的流程示意图；

图6为本申请一个实施例的决策树的结构示意图；

图7为本申请另一个实施例的基于图片识别的人机交互方法的流程示意图；

图8为本申请另一个实施例的决策树的结构示意图；

图9为本申请一个实施例的基于图片识别的人机交互装置的结构示意图；

图10为本申请另一个实施例的基于图片识别的人机交互装置的结构示意图；

图11为本申请一个实施例的计算机设备的结构示意图；

图12为本申请另一个实施例的计算机设备的结构示意图。

具体实施方式

下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。

本申请各实施例针对相关技术中，疾病诊断方式对用户的文字描述水平要求较高，适用性较差，诊断结果的准确性差，且交互过程复杂，诊断效率低的问题，提出一种基于图片识别的人机交互方法。

本申请实施例提供的基于图片识别的人机交互方法，可以对获取的图片进行识别，以确定图片对应的第一皮肤体征集，然后根据第一皮肤体征集，确定待返回的第一询问消息及第一询问消息的询问模式，再将第一询问消息以询问模式的形式返回，以获取用户返回的第一应答消息，从而根据第一应答消息及第一皮肤体征集，生成待向用户返回的诊疗建议。由此，通过利用用户提交的图片，即可对用户进行引导诊断，从而为用户提供准确的诊疗建议，简化了交互过程，提高了诊断效率，并且适用性较强。

下面参考附图描述本申请实施例的基于图片识别的人机交互方法、装置、计算机设备及介质。

首先结合附图1，对本申请实施例提供的基于图片识别的人机交互方法进行具体说明。

图1为本申请一个实施例的基于图片识别的人机交互方法的流程示意图。

如图1所示，本申请的基于图片识别的人机交互方法可以包括以下步骤：

步骤101，对获取的图片进行识别，以确定图片对应的第一皮肤体征集。

具体的，本申请实施例提供的基于图片识别的人机交互方法，可以由本申请实施例提供的基于图片识别的人机交互装置，以下简称人机交互装置执行，该装置可以被配置在计算机设备中，以为用户提供准确的诊疗建议，简化交互过程，提高诊断效率。其中，计算机设备可以是任意能够进行数据处理的硬件设备，比如智能手机、笔记本电脑、可穿戴设备等等。

其中，人机交互装置获取的图片，为用户需要诊断的部位的图片，其可以是人机交互装置通过对用户需要诊断的部位进行扫描得到的，也可以是通过手机、电脑等终端的摄像头拍摄后，上传到人机交互装置的，此处不作限制。

另外，人机交互装置获取的图片，可以为仅包括需要诊断部位的局部特写图片，也可以为包括需要诊断部位及其它临近部位的全局图片，也可以为包括局部特写图片和全局图片的多张图片，此处不作限制。比如，如图2所示，人机交互装置可以提示用户上传局部特写图片和全局图片，从而用户可以上传如图3所示的全局图片及如图4所示的局部特写图片。

第一皮肤体征集，可以包括一个或多个皮肤体征，比如红肿、糜烂、脓疱等等。

具体实现时，可以利用大量标注了皮肤体征的图片，对初始识别模型进行训练，生成识别模型，从而在获取图片后，可以利用训练好的识别模型对获取的图片进行识别，确定图片对应的第一皮肤体征集。或者，也可以通过其它方式，确定获取的图片对应的第一皮肤体征集，此处不作限制。其中，识别模型，可以是神经网络模型，也可以是其它模型，此处不做限制。

步骤102，根据第一皮肤体征集，确定待返回的第一询问消息及第一询问消息的询问模式。

步骤103，将第一询问消息以询问模式的形式返回，以获取用户返回的第一应答消息。

其中，第一询问消息，用于向用户询问具体的病情，以对用户所患疾病进行诊断。比如，可以是用户的体感、用户病情的严重程度，等等。需要说明的是，第一询问消息，可能为一个，也可能为多个，相应的，第一应答消息，也可能为一个或多个，此处不作限制。

询问模式，可以包括询问方式及询问顺序等等。其中，询问方式，可以是向用户返回多个候选应答消息，比如，“您是感觉疼痛、灼热还是痒呢”，或者，也可以是向用户返回一个开放性的询问消息，比如，“您是什么感觉呢”，或者，也可以是其它方式，此处不作限制。

具体的，可以通过以下步骤102a-102c，确定待返回的第一询问消息及第一询问消息的询问模式。

102a，确定第一皮肤体征集中各皮肤体征所属的异常皮肤类别，其中，每个异常皮肤类别对应的第二皮肤体征集中包括至少一个皮肤体征。

其中，异常皮肤类别，可能是一个，也可能是多个，此处不作限制。

具体的，可以预先根据临床路径或诊疗指南等方式，获取各异常皮肤类别分别对应的皮肤体征集，每个皮肤体征集中包括至少一个皮肤体征，从而在确定了第一皮肤体征集后，可以根据第一皮肤体征集中各皮肤体征，从预先确定的各异常皮肤类别中，确定第一皮肤体征集中各皮肤体征所属的异常皮肤类别。

举例来说，假设以标识1-8分别表示8个皮肤体征，预先确定了异常皮肤类别A对应的皮肤体征集a包括三个皮肤体征：1、3、7，异常皮肤类别B对应的皮肤体征集b包括三个皮肤体征：2、4、6，异常皮肤类别C对应的皮肤体征集c包括两个皮肤体征：3、5，异常皮肤类别D对应的皮肤体征集包括一个皮肤体征：8。则对获取的图片进行识别，确定图片对应的第一皮肤体征集包括1、2、3三个皮肤体征后，可以确定皮肤体征1所属的异常皮肤类别为a，皮肤体征2所属的异常皮肤类别为b，皮肤体征3所属的皮肤体征集为a和c，即第一皮肤体征集中各皮肤体征所属的异常皮肤类别为a、b、c。

102b，根据各皮肤体征所属的异常皮肤类别，确定第一询问消息。

102c，根据第二皮肤体征集与第一皮肤体征集的匹配度，确定第一询问消息的询问模式。

具体的，确定各皮肤体征所属的异常皮肤类别后，可以根据多种方式，确定第一询问消息。

比如，由于同一异常皮肤类别在不同的用户身上可能会有不同的表现，比如有的用户症状轻微，有的用户症状严重，则根据不同用户的表现差异，可以确定第一询问消息为向用户询问症状的严重程度；或者，由于同一异常皮肤类别在不同的用户身上可能会有不同的体感，比如有的用户感觉很痛，有的用户只是感觉微痛，则可以根据不同用户的体感差异，确定第一询问消息为向用户询问用户的疼痛等级。或者，由于同一异常皮肤类别在病情的严重程度不同时，可能会有不同的表现，比如病情严重时，红肿区域高于皮肤表面，病情轻微时，红肿区域与皮肤表面相平，则可以根据病情严重程度不同时的表现差异，确定第一询问消息为向用户询问患病区域与皮肤表面的高低关系；或者，由于同一异常皮肤类别在病情的严重程度不同时，用户的体感可能不同，比如病情严重时，用户感觉疼痛，病情轻微时，用户感觉痒，则可以根据病情严重程度不同时用户的体感差异，确定第一询问消息为向用户询问用户的体感，等等。

或者，由于不同异常皮肤类别在用户身上的表现可能不同，比如，异常皮肤类型a包括的皮肤体征通常持续时间较长，异常皮肤类型b包括的皮肤体征通常持续时间较短，则可以根据不同异常皮肤类别的持续时间差异，确定第一询问消息为向用户询问病情的持续时间；或者，由于不同异常皮肤类别对应的用户的体感可能不同，比如，异常皮肤类型a对应的用户体感可能为疼痛，异常皮肤类型b对应的用户体感可能为灼热，则可以根据不同异常皮肤类别的用户体感差异，确定第一询问消息为向用户询问用户的体感，等等。

需要说明的是，上述根据各皮肤体征所属的异常皮肤类别，确定第一询问消息的示例，仅是示意性说明，不能作为对本申请技术方案的限制，本领域技术人员在此基础上，可以根据需要，任意设置根据各皮肤体征所属的异常皮肤类别，确定第一询问消息的方式，本申请对此不作限制。

在示例性实施例中，由于不同的异常皮肤类别对应的用户体感可能不同，同一异常皮肤类别在病情的严重程度不同时用户的体感可能也不同，不同的用户在同一异常皮肤类别下的体感可能也不同，那么，在本申请实施例中，可以根据第一皮肤体征集中各皮肤体征所属的异常皮肤类别对应的多个体感数据，确定异常皮肤类别对应的第一询问消息。即，在步骤102b之前，还可以包括：

获取各皮肤体征所属的异常皮肤类别对应的多个体感数据；

根据异常皮肤类别对应的多个体感数据，确定异常皮肤类别对应的第一询问消息。

可以理解的是，由于同一异常皮肤类别在病情的严重程度不同时用户的体感可能也不同，不同的用户在同一异常皮肤类别下的体感可能也不同，因此，每个异常皮肤类别，均可以对应一个或多个体感数据。第一皮肤体征集中各皮肤体征所属的异常皮肤类别可能为多个，也可能为一个，相应的，多个体感数据，可能是一个异常皮肤类别对应的多个体感数据，也可能是多个异常皮肤类别对应的多个体感数据，此处不作限制。

举例来说，假设异常皮肤类别a对应的体感数据为微痛、很痛，异常皮肤类别b对应的体感数据为微痒、很痒，异常皮肤类别c对应的体感数据为灼热。第一皮肤体征集中各皮肤体征所属的异常皮肤类别为a，由于异常皮肤类别a对应的体感数据为微痛、很痛，则可以确定异常皮肤类别a对应的第一询问消息为一个，具体为向用户询问疼痛的等级。若确定第一皮肤体征集中各皮肤体征所属的异常皮肤类别为a、b，由于异常皮肤类别a对应的体感数据为微痛、很痛，异常皮肤类别b对应的体感数据为微痒、很痒，则可以确定第一询问消息为3个，其中异常皮肤类别a对应的第一询问消息具体为向用户询问疼痛的等级，异常皮肤类别b对应的第一询问消息具体为向用户询问痒的等级，另一个第一询问消息具体为向用户询问用户的体感。

具体的，确定了第一询问消息后，可以根据第二皮肤体征集与第一皮肤体征集的匹配度，确定第一询问消息的询问模式。

具体实现时，第一询问消息为多个时，可以根据第二皮肤体征集与第一皮肤体征集的匹配度高低，确定第一询问消息的询问顺序。

比如，假设异常皮肤类别a对应的第二皮肤体征集A中包括皮肤体征1、3、7，异常皮肤类别b对应的第二皮肤体征集B中包括皮肤体征2、4、6。第一皮肤体征集中各皮肤体征为1、2、3，所属的异常皮肤类别为a、b。由于第一皮肤体征集与第二皮肤体征集A的匹配度高于第一皮肤体征集与第二皮肤体征集B的匹配度，则可以先询问与第二皮肤体征集A对应的异常皮肤类别a有关的第一询问消息，再询问与第二皮肤体征集B对应的异常皮肤类别b有关的第一询问消息。

需要说明的是，第一询问消息的询问方式，可以根据需要设置。比如，在第一询问消息具体为向用户询问疼痛、痒等体感的等级，或者，向用户询问症状的严重程度，或者向用户询问患病区域与皮肤表面的高低关系等人机交互装置能够提供候选应答消息的情况时，第一询问消息的询问方式可以为向用户返回多个候选应答消息。在人机交互装置无法提供候选应答消息的情况时，第一询问消息询问方式可以为向用户返回一个开放性的询问消息。

步骤104，根据第一应答消息及第一皮肤体征集，生成待向用户返回的诊疗建议。

具体的，确定了第一询问消息及第一询问消息的询问模式后，即可将第一询问消息以询问模式的形式返回，以获取用户返回的第一应答消息，从而根据第应答消息及第一皮肤体征集，确定用户所患的具体疾病，进而生成与该疾病对应的诊疗建议。

通过本申请实施例提供的基于图片识别的人机交互方法，直接利用用户提交的图片，即可向用户返回与疾病诊断有关的询问消息，以对用户进行引导，进而根据用户返回的与疾病诊断有关的信息，进行疾病诊断，从而为用户提供准确的诊疗建议，简化了诊断过程中的人机交互过程，提高了诊断效率，且利用上述方式进行疾病诊断时，人机交互装置根据用户提供的图片即可准确确定用户的症状信息，以为用户提供准确的诊疗建议，即这种疾病诊断方式对用户的文字描述水平的要求不高，适用性较强。

本申请实施例提供的基于图片识别的人机交互方法，首先对获取的图片进行识别，以确定图片对应的第一皮肤体征集，然后根据第一皮肤体征集，确定待返回的第一询问消息及第一询问消息的询问模式，再将第一询问消息以询问模式的形式返回，以获取用户返回的第一应答消息，最后根据第一应答消息及第一皮肤体征集，生成待向用户返回的诊疗建议。由此，通过利用用户提交的图片，即可对用户进行引导诊断，从而为用户提供准确的诊疗建议，简化了交互过程，提高了诊断效率，并且适用性较强。

通过上述分析可知，在对获取的图片进行识别，确定图片对应的第一皮肤体征集后，可以根据第一皮肤体征集中各皮肤体征所属的异常皮肤类别，及第二皮肤体征集与第一皮肤体征集的匹配度，确定第一询问消息及第一询问消息的询问模式，然后将第一询问消息以询问模式的形式返回，以获取用户返回的第一应答消息，从而根据第一应答消息及第一皮肤体征集，生成待向用户返回的诊疗建议。在实际运用中，第一皮肤体征集中的各皮肤体征，可能与预先确的各异常皮肤类别分别对应的皮肤体征集中的各皮肤体征均不相同，从而无法确定第一皮肤体征集中各皮肤体征所属的异常皮肤类别，此时，可以向用户返回预设的第二询问消息，从而根据用户返回的第二应答消息，确定目标决策树类型，以基于目标决策树，与用户进行人机交互。即，如图5所示，在步骤101之后，还可以包括：

步骤201，若图片对应的第一皮肤体征集中各皮肤体征与预设的皮肤体征均未匹配，则向用户返回预设的第二询问消息。

步骤202，根据用户返回的第二应答消息，确定目标决策树类型，以基于目标决策树，与用户进行人机交互。

其中，第二询问消息，用于向用户询问疾病类型所属的科室，比如，第二询问消息，可以是“您的疾病属于皮肤科吗”，或者“您的疾病属于哪个科室”，等等。预设的皮肤体征，可以包括预先根据临床路径或诊疗指南等方式，获取的各异常皮肤类别分别对应的皮肤体征集中的各皮肤体征。

可以理解的是，在实际运用中，可能由于预设的皮肤体征未及时更新，或者用户提交的图片对应的第一皮肤体征集中各皮肤体征不属于皮肤科的诊断范围等原因，导致图片对应的第一皮肤体征集中各皮肤体征与预设的皮肤体征均未匹配。此时，可以向用户返回预设的第二询问消息，以向用户询问疾病类型所属的科室，在获取用户返回的第二应答消息后，即可根据第二应答消息，确定用户的疾病类型所属的科室，进而从预设的各科室分别对应的决策树中，确定该科室对应的目标决策树类型，以基于目标决策树，与用户进行人机交互，以进行疾病诊断。

为了对基于目标决策树，与用户进行人机交互的过程进行清楚说明，首先结合图6，对本申请基于的决策树进行介绍。

图6为本申请一个实施例的决策树的结构示意图。

需要说明的是，本申请实施例中的决策树的结构示意图，仅是示意性说明，旨在用于解释本申请的决策树中的各节点之间的连接关系，不能理解为对本申请技术方案的限制。

如图6所示，决策树中包括多个节点。其中，节点1为根节点，节点2、3为第一级子节点，节点4、5、6、7、8为第二级子节点，节点9、10、11、12为第三级子节点。节点2为节点1的子节点，节点4、5、6的父节点；节点3为节点1的子节点，节点7、8的父节点；节点4为节点2的子节点，节点9、10的父节点；节点5为节点2的子节点；节点6为节点2的子节点，节点11、12的父节点。节点9、10、11、12、5、7、8为叶子节点。

在本申请实施例中，决策树中的每个节点对应一个特征集，用来表征该节点对应的病症类型的各特征。需要说明的是，每个父节点对应的特征集由其各子节点对应的病症类型的相同特征构成。

每个节点均对应一个询问消息，通过该询问消息对应的不同应答消息，可以确定该节点的不同子节点。即每个子节点，均对应一个应答消息，根据该应答消息，可以将该子节点与其父节点连接。

比如，图6中节点2对应的特征集为“耳后、长疙瘩”，节点4对应的特征集为“耳后、长疙瘩、高于皮肤表面”，节点5对应的特征集为“耳后、长疙瘩、与皮肤表面相平”，节点6对应的特征集为“耳后、长疙瘩、低于皮肤表面”，节点2对应的询问消息为“发病处是高于皮肤表面、低于皮肤表面还是与皮肤表面相平”。节点4对应的应答消息为“发病处高于皮肤表面”，节点5对应的应答消息为“发病处与皮肤表面相平”，节点6对应的应答消息为“发病处低于皮肤表面”。

需要说明的是，根节点对应的应答消息，可以为空。叶子节点对应的询问消息，用来向用户确认病症的具体表现，对于该询问消息对应的应答消息，则不再对应子节点。比如，图6中节点9对应的特征集为“耳后、长疙瘩、高于皮肤表面、凸起物连成片或呈片状”，则节点9对应的询问消息可以为“疙瘩大概多大尺寸”。若用户返回的应答消息为“1厘米”，则该应答消息在决策树中没有对应的子节点。

下面结合图7，对基于目标决策树，与用户进行人机交互的过程进行说明。

图7为本申请又一个实施例的基于图片识别的人机交互方法的流程示意图。

如图7所示，本申请实施例的基于目标决策树，与用户进行人机交互的过程可以包括以下步骤：

步骤301，根据用户返回的第二应答消息，确定第一关键信息。

其中，第二应答消息，可以包括疾病类型所属的科室，及发病位置、发病症状等与疾病诊断有关的信息。

第一关键信息，可以是发病位置、发病症状等任意与疾病诊断有关的信息。

比如，用户返回的第二应答消息为“皮肤科，耳后长疙瘩是什么病”，则人机交互装置可以通过对用户返回的第二应答消息进行解析处理，确定第二应答消息中包含的第一关键信息为“耳后、长疙瘩”。

步骤302，根据第一关键信息与目标决策树中每个节点对应的特征集的匹配度，确定第一目标节点。

其中，第一目标节点，为目标决策树中的任一节点，其可能是根节点，也可能是任一级的子节点。

具体的，可以预先确定各科室分别对应的决策树中的每个节点对应的特征集，从而在确定第一关键信息后，可以根据第一关键信息与目标决策树中每个节点对应的特征集的匹配度，确定第一目标节点。

下面以某科室对应的决策树为例，对确定决策树中的每个节点对应的特征集的过程进行说明。

首先，可以获取多种病症分别对应的特征集，然后对这些特征集进行解析，确定多种类型病症对应的基础特征集及每种类型病症对应的至少一级鉴别特征集。

其中，基础特征集，可以包括多种类型病症对应的相同的基本特征。

第一级鉴别特征集，可以包括多种类型病症的基本特征经过按压等处理后的不同表现分别对应的特征，或者每种类型病症的基本特征按照发病位置、颜色、内容物属性或与周边正常皮肤位置关系等条件进一步拆解后得到的不同特征，或者将多种类型病症的基本特征按照患病对象的年龄、性别、症状持续时间等属性进一步拆解得到的不同特征。

比如，A类型病症、B类型病症、C类型病症均会长疙瘩，则基础特征集可以为“长疙瘩”。

A类型病症的疙瘩高于皮肤表面，B类型病症的疙瘩低于皮肤表面，C类型病症的疙瘩与皮肤表面相平。则A类型病症对应的第一级鉴别特征集可以为“长疙瘩、高于皮肤表面”，B类型病症对应的第一级鉴别特征集可以为“长疙瘩、低于皮肤表面”，C类型病症对应的第一级鉴别特征集可以为“长疙瘩、与皮肤表面相平”。

A类型病症又可以分为A1、A2两种类型病症，A1类型病症的疙瘩连成片或呈片状，A2类型病症的疙瘩不连成片。则A类型病症对应的第二级鉴别特征集可以包括A1类型病症对应的鉴别特征集“长疙瘩、高于皮肤表面、凸起物连成片或呈片状”及A2类型病症对应的鉴别特征集“长疙瘩、高于皮肤表面、凸起物不连成片”。

然后，可以根据多种类型病症对应的基础特征集及每种类型病症对应的第一级鉴别特征集，确定决策树中的根节点对应的特征集及询问消息，再根据每种类型病症对应的第一级鉴别特征集，确定与根节点连接的每个第一级子节点对应的特征集。若任一类型病症包含第二级鉴别特征集，则根据其对应的第一级鉴别特征集及第二级鉴别特征集，确定其对应的第一级子节点对应的询问消息及第二级子节点对应的特征集。重复执行确定每级节点对应的特征集及询问消息的步骤，直至至少一级鉴别特征集中的每级鉴别特征集分别与决策树中的一个节点对应。

具体的，多种类型病症对应的基础特征集，即为决策树中的根节点对应的特征集。每种类型病症对应的第一级鉴别特征集，即为与根节点连接的每个第一级子节点对应的特征集。任一类型病症包含第二级鉴别特征集时，根据该类型病症对应的第二级鉴别特征集，即可确定与该类型病症对应的第一级子节点连接的每个第二级子节点对应的特征集。也就是说，根据每种类型病症对应的第N级鉴别特征集，可以确定决策树中与该类型病症对应的第N级子节点对应的特征集。

根据多种类型病症对应的基础特征集，与各类型病症分别对应的第一级鉴别特征集之间的差异，及每种类型病症对应的第一级鉴别特征集之间的差异，即可确定决策树中的根节点对应的询问消息。

举例来说，假设A类型病症、B类型病症、C类型病症对应的基础特征集为“红斑”。A类型病症对应的第一级鉴别特征集为“红斑、按压后变色”，B类型病症对应的第一级鉴别特征集为“红斑、按压后不变色”。则根据基础特征集与A类型病症、B类型病症分别对应的第一级鉴别特征集的差异及A类型病症、B类型病症分别对应的第一级鉴别特征集之间的差异，可以确定决策树中的根节点对应的询问消息为“按压后是否变色”。

类似的，任一类型病症包含第二级鉴别特征集时，根据该类型病症对应的第一级鉴别特征集及第二级鉴别特征集，可以确定该类型病症对应的第一级子节点对应的询问消息。也就是说，根据每种类型病症对应的每N级鉴别特征集及第N+1级鉴别特征集，可以确定决策树中与该类型病症对应的第N级子节点对应的询问消息。

需要说明的是，在确定决策树中的各级节点对应的询问消息的同时，可以确定各级节点对应的应答消息。

比如，继续利用前述示例，可以确定图8中决策树中的根节点1对应的特征集为“长疙瘩”，第一级子节点2对应的特征集为“长疙瘩、高于皮肤表面”，第一级子节点3对应的特征集为“长疙瘩、低于皮肤表面”，第一级子节点4对应的特征集为“长疙瘩、与皮肤表面相平”。由于A类型病症包含第二级鉴别特征集，则第二级子节点5对应的特征集为“长疙瘩、高于皮肤表面、凸起物连成片或呈片状”，第二级子节点6对应的特征集为“长疙瘩、高于皮肤表面、凸起物不连成片”。

根据节点1和节点2、3、4分别对应的特征集之间的差异及节点2、3、4分别对应的特征集之间的差异，可以确定根节点1对应的询问消息为“疙瘩是高于皮肤表面、低于皮肤表面还是与皮肤表面相平”，节点2对应的应答消息为“疙瘩高于皮肤表面”，节点3对应的应答消息为“疙瘩低于皮肤表面”，节点4对应的应答消息为“疙瘩与皮肤表面相平”。

由于A类型病症包含第二级鉴别特征集，则根据节点2和节点5、6分别对应的特征集之间的差异及节点5、6分别对应的特征集之间的差异，可以确定节点2对应的询问消息为“凸起物是否连成片”，节点5对应的应答消息为“凸起物连成片或呈片状”，节点6对应的应答消息为“凸起物不连成片”。

通过上述过程，即可确定某科室对应的决策树中，每个节点对应的特征集，及各节点对应的询问消息及应答消息，进而可以确定各科室对应的决策树中，每个节点对应的特征集，及各节点对应的询问消息及应答消息。

在示例性实施例中，确定第一关键信息后，可以将第一关键信息与目标决策树中每个节点对应的特征集进行比对，从而确定第一关键信息与目标决策树中每个节点对应的特征集的匹配度，进而将与第一关键信息的匹配度最大的特征集对应的节点，确定为第一目标节点。

具体的确定第一关键信息与目标决策树中某个节点对应的特征集的匹配度时，可以将第一关键信息中每个信息，与目标决策树中该节点对应的特征集中每个特征之间的多个匹配度的均值，确定为第一关键信息与目标决策树中该节点对应的特征集的匹配度。或者，也可以将第一关键信息中每个信息，与目标决策树中该节点对应的特征集中每个特征之间的多个匹配度的最大值，确定为第一关键信息与目标决策树中该节点对应的特征集的匹配度，此处不作限制。

步骤303，向用户返回与第一目标节点对应的第三询问消息。

步骤304，获取用户返回的第三应答消息。

具体的，在确定目标决策树中第一目标节点后，可以根据目标决策树中每个节点对应的询问消息，将第一目标节点对应的第三询问消息，发送给用户，并获取用户返回的对应第三询问消息的第三应答消息。

在示例性实施例中，向用户返回与第一目标节点对应的第三询问消息时，还可以同时向用户返回多个候选应答消息，从而使用户可以不必输入第三应答消息，而是可以从多个候选应答消息中，选取与其病症对应的第三应答消息，从而减少用户输入应答消息时消耗的时间及精力，方便用户的操作。即，步骤303可以通过以下方式实现：

向用户返回与第一目标节点对应的第三询问消息及多个候选应答消息。

具体的，可以预先设置与第一目标节点对应的多个候选应答消息，从而在向用户返回与第一目标节点对应的第三询问消息的同时，可以向用户返回与第一目标节点对应的多个候选应答消息。

其中，第一目标节点为父节点时，多个候选应答消息，可以是目标决策树中第一目标节点的各子节点对应的应答消息。

相应的，步骤304可以通过以下方式实现：

获取用户从多个候选应答消息中选取的第三应答消息。

步骤305，判断目标决策树中是否包含与第三应答消息对应的第二目标节点。

其中，第二目标节点，为第一目标节点的一个子节点。

具体的，可以通过以下多种方式，判断目标决策树中是否包含与第三应答消息对应的第二目标节点。

比如，可以根据目标决策树中每个节点与应答消息的对应关系，判断目标中是否包含与第三应答消息对应的第二目标节点。

具体的，可以预先设置各决策树中，每个节点与应答消息的对应关系，并设置一个第一阈值，从而在获取用户返回的第三应答消息后，可以将第三应答消息与预设的对应关系中的各应答消息进行比对，并判断第三应答消息与预设的对应关系中的各应答消息的匹配度，是否大于预设的第一阈值。若第三应答消息与预设的对应关系中的各应答消息的匹配度，均小于预设的第一阈值，则可以确定目标决策树中不包含与第三应答消息对应的第二目标节点。反之，若预设的对应关系中，存在与第三应答消息的匹配度大于或等于预设的第一阈值的应答消息，则可以将与第三应答消息的匹配度大于或等于预设的第一阈值的应答消息对应的节点，确定为第二目标节点。需要说明的是，若预设的对应关系中，存在多个应答消息与第三应答消息的匹配度大于或等于预设的第一阈值，则可以将多个应答消息中，与第三应答消息的匹配度最大的应答消息对应的节点，确定为第二目标节点。

或者，可以对第三应答消息进行解析，确定第三应答消息对应的第二关键信息；根据第二关键信息与各候选节点对应的特征集的匹配度，判断目标决策树中是否包含与第三应答消息对应的第二目标节点，其中，各候选节点为第一目标节点的子节点。

其中，第二关键信息，可以是发病位置、发病症状等任意与疾病诊断有关的信息。

具体的，可以预先设置一个第二阈值，若第一目标节点为父节点，则在获取用户返回的第三应答消息，并对第三应答消息进行解析，确定第三应答消息对应的第二关键信息后，可以将第二关键信息与各候选节点对应的特征集进行比对，并确定第二关键信息与各候选节点对应的特征集的匹配度。在某特征集与第二关键信息的匹配度大于或等于预设的第二阈值时，则可以确定目标决策树中包含与第三应答消息对应的第二目标节点，且第二目标节点为与第二关键信息的匹配度大于或等于预设的第二阈值的特征集对应的节点。需要说明的是，若存在多个特征集与第二关键信息的匹配度大于或等于预设的第二阈值，则可以将多个特征集中，与第二关键信息的匹配度最大的特征集对应的节点，确定为第二目标节点。

步骤306，若无，则根据第一目标节点的特征集及第三应答消息，生成待向用户返回的诊疗建议。

其中，诊疗建议中，可以包括具体疾病、建议食用的食物、医疗机构的标识、就诊科室、就诊时间、大夫级别等信息中的一个或多个。

可以理解的是，若目标决策树中不包含与第三应答消息对应的第二目标节点，则可以确定第一目标节点没有子节点，即第一目标节点为叶子结点。

具体的，在确定目标决策树中不包含与第三应答消息对应的第二目标节点，即第一目标节点为叶子节点时，即可根据第一目标节点的特征集及第三应答消息，确定用户所患的具体疾病，从而生成与该疾病对应的诊疗建议。

比如，在根据第一目标节点的特征集及第三应答消息，确定用户为过敏时，可以生成与过敏对应的诊疗建议。其中，诊疗建议中可以包括治疗过敏比较专业的医疗机构的标识、就诊科室、该医疗机构的该就诊科室中各大夫对应的上班时间、预约号剩余数量等等。

可以理解的是，若目标决策树中包含与第三应答消息对应的第二目标节点，则可以确定第一目标节点为父节点，且第二目标节点为第一目标节点的各子节点中，与第三应答消息对应的子节点。

具体的，若确定目标决策树中包含与第三应答消息对应的第二目标节点，则可以向用户返回与第二目标节点对应的第四询问消息，以获取用户返回的第四应答消息，直至目标决策树中无与用户返回的应答消息对应的节点，即直至确定叶子节点时，则可以根据用户返回的每个应答消息及每个目标节点对应的特征集，确定用户所患的具体疾病，从而生成与该疾病对应的诊疗建议。

另外，需要说明的是，上述实施例均基于用户返回的应答消息，为与人机交互装置向用户返回的询问消息对应的应答消息为例进行说明，在实际运用中，用户返回的应答消息可能与人机交互装置向用户返回的询问消息不对应，比如，询问消息为“您的发病处具体在哪个部位”，而用户的应答消息为“1厘米”。这种情况下，即使第一目标节点为父节点，目标决策树中也可能没有包含与第三应答消息对应的第二目标节点。此时，可以根据第一目标节点的特征集及第三应答消息，确定用户所患的具体疾病，进而生成待向用户返回的诊疗建议。或者，也可以向用户发送提示消息，比如“请输入与询问消息对应的应答消息”，以使用户再次输入与第三询问消息对应的第三应答消息，进而人机交互装置可以继续判断目标决策树中是否包含与第三应答消息对应的第二目标节点。

进一步的，在生成待向用户返回的诊疗建议后，即可向用户返回诊疗建议。即，在步骤104或步骤306之后，还可以包括：

步骤307，向用户返回诊疗建议，其中，诊疗建议中包含医疗机构标识、就诊科室、就诊时间及大夫级别中的至少一个。

步骤308，在获取到用户返回的响应消息后，根据诊疗建议，为用户进行就诊预约。

具体的，生成待向用户返回的诊疗建议后，即可将诊疗建议返回给用户，在向用户返回诊疗建议后，若获取到了用户返回的响应消息，且用户的响应消息为肯定的消息，比如“好，预约”或“好”等，则可以根据诊疗建议中的信息，为用户进行对应的就诊预约。若获取到的用户返回的响应消息为否定的消息，比如“算了，下次”或“不了，谢谢”等，则结束此次交互过程。

通过根据诊疗建议，为用户进行就诊预约，帮助用户避免了因医疗知识匮乏及网络中疾病症状信息数量较大，而无法准确找到与其病症对应的专业信息，进而盲目就诊的情况，节省了用户的时间及精力。

通过上述过程，即可在图片对应的第一皮肤体征集中各皮肤体征与预设的皮肤体征均未匹配时，基于决策树，与用户进行人机交互，从而为用户提供准确的诊疗建议，简化了交互过程，提高了诊断效率，并且适用性较强。

下面参照附图描述本申请实施例提出的基于图片识别的人机交互装置。

图9为本申请一个实施例的基于图片识别的人机交互装置的结构示意图。

如图9所示，该基于图片识别的人机交互装置包括：识别模块11、确定模块12、第一发送模块13、生成模块14。

其中，识别模块11，用于对获取的图片进行识别，以确定图片对应的第一皮肤体征集；

确定模块12，用于根据第一皮肤体征集，确定待返回的第一询问消息及第一询问消息的询问模式；

第一发送模块13，用于将第一询问消息以所述询问模式的形式返回，以获取用户返回的第一应答消息；

生成模块14，用于根据第一应答消息及第一皮肤体征集，生成待向用户返回的诊疗建议。

具体的，本申请实施例提供的基于图片识别的人机交互装置，可以执行本申请前述实施例提供的基于图片识别的人机交互方法。其中，基于图片识别的人机交互装置，可以被配置在计算机设备中，以为用户提供准确的诊疗建议，简化交互过程，提高诊断效率。其中，计算机设备可以是任意能够进行数据处理的硬件设备，比如智能手机、笔记本电脑、可穿戴设备等等。

在一种可能的实现形式中，上述确定模块12，具体用于：

确定第一皮肤体征集中各皮肤体征所属的异常皮肤类别，其中，每个异常皮肤类别对应的第二皮肤体征集中包括至少一个皮肤体征；

根据各皮肤体征所属的异常皮肤类别，确定第一询问消息；

根据第二皮肤体征集与第一皮肤体征集的匹配度，确定第一询问消息的询问模式。

在另一种可能的实现形式中，上述确定模块12，还用于：

获取各皮肤体征所属的异常皮肤类别对应的多个体感数据；

根据异常皮肤类别对应的多个体感数据，确定异常皮肤类别对应的第一询问消息。

需要说明的是，本实施例的基于图片识别的人机交互装置的实施过程和技术原理，参见前述对第一方面实施例的基于图片识别的人机交互方法的解释说明，此处不再赘述。

本申请实施例提供的基于图片识别的人机交互装置，首先对获取的图片进行识别，以确定图片对应的第一皮肤体征集，然后根据第一皮肤体征集，确定待返回的第一询问消息及第一询问消息的询问模式，再将第一询问消息以询问模式的形式返回，以获取用户返回的第一应答消息，最后根据第一应答消息及第一皮肤体征集，生成待向用户返回的诊疗建议。由此，通过利用用户提交的图片，即可对用户进行引导诊断，从而为用户提供准确的诊疗建议，简化了交互过程，提高了诊断效率，并且适用性较强。

在示例性实施例中，还提供了一种基于图片识别的人机交互装置。

图10为本申请另一个实施例的基于图片识别的人机交互装置的结构示意图。

参照图10所示，在图10所示的基础上，本申请的基于图片识别的人机交互装置还可以包括：第二发送模块21、处理模块22、第三发送模块23、预约模块24。

其中，第二发送模块21，用于在图片对应的第一皮肤体征集中各皮肤体征与预设的皮肤体征均未匹配时，向用户返回预设的第二询问消息；

处理模块22，用于根据用户返回的第二应答消息，确定目标决策树类型，以基于目标决策树，与用户进行人机交互；

第三发送模块23，用于向用户返回诊疗建议，其中，诊疗建议中包含医疗机构标识、就诊科室、就诊时间及大夫级别中的至少一个；

预约模块24，用于在获取到用户返回的响应消息后，根据诊疗建议，为用户进行就诊预约。

在一种可能的实现形式中，上述处理模块22，具体用于：

根据用户返回的第二应答消息，确定第一关键信息；

根据第一关键信息与目标决策树中每个节点对应的特征集的匹配度，确定第一目标节点；

向用户返回与第一目标节点对应的第三询问消息；

获取用户返回的第三应答消息；

判断目标决策树中是否包含与第三应答消息对应的第二目标节点；

若无，则根据第一目标节点的特征集及第三应答消息，生成待向用户返回的诊疗建议。

需要说明的是，本实施例的基于图片识别的人机交互装置的实施过程和技术原理，参见前述对第一方面实施例的基于图片识别的人机交互方法的解释说明，此处不再赘述。

本申请实施例提供的基于图片识别的人机交互装置，首先对获取的图片进行识别，以确定图片对应的第一皮肤体征集，然后根据第一皮肤体征集，确定待返回的第一询问消息及第一询问消息的询问模式，再将第一询问消息以询问模式的形式返回，以获取用户返回的第一应答消息，最后根据第一应答消息及第一皮肤体征集，生成待向用户返回的诊疗建议。由此，通过利用用户提交的图片，即可对用户进行引导诊断，从而为用户提供准确的诊疗建议，简化了交互过程，提高了诊断效率，并且适用性较强。

为了实现上述实施例，本申请还提出一种计算机设备。

图11为本申请一个实施例的计算机设备的结构示意图。图11显示的计算机设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图11所示，上述计算机设备200包括：存储器210、处理器220及存储在存储器210上并可在处理器220上运行的计算机程序，所述处理器220执行所述程序时，实现第一方面实施例所述的基于图片识别的人机交互方法。

具体的，计算机设备可以是任意能够进行数据处理的硬件设备，比如智能手机、笔记本电脑、可穿戴设备等等。

在一种可选的实现形式中，如图12所示，该计算机设备200还可以包括：存储器210及处理器220，连接不同组件(包括存储器210和处理器220)的总线230，存储器210存储有计算机程序，当处理器220执行所述程序时实现本申请实施例所述的基于图片识别的人机交互方法。

总线230表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。

计算机设备200典型地包括多种计算机设备可读介质。这些介质可以是任何能够被计算机设备200访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

存储器210还可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)240和/或高速缓存存储器250。计算机设备200可以进一步包括其他可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统260可以用于读写不可移动的、非易失性磁介质(图12未显示，通常称为“硬盘驱动器”)。尽管图12中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其他光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线230相连。存储器210可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本申请各实施例的功能。

具有一组(至少一个)程序模块270的程序/实用工具280，可以存储在例如存储器210中，这样的程序模块270包括——但不限于——操作系统、一个或者多个应用程序、其他程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块270通常执行本申请所描述的实施例中的功能和/或方法。

计算机设备200也可以与一个或多个外部设备290(例如键盘、指向设备、显示器291等)通信，还可与一个或者多个使得用户能与该计算机设备200交互的设备通信，和/或与使得该计算机设备200能与一个或多个其他计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口292进行。并且，计算机设备200还可以通过网络适配器293与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图12所示，网络适配器293通过总线230与计算机设备200的其他模块通信。应当明白，尽管图12中未示出，可以结合计算机设备200使用其他硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

需要说明的是，本实施例的计算机设备的实施过程和技术原理参见前述对第一方面实施例的基于图片识别的人机交互方法的解释说明，此处不再赘述。

本申请实施例提供的计算机设备，首先对获取的图片进行识别，以确定图片对应的第一皮肤体征集，然后根据第一皮肤体征集，确定待返回的第一询问消息及第一询问消息的询问模式，再将第一询问消息以询问模式的形式返回，以获取用户返回的第一应答消息，最后根据第一应答消息及第一皮肤体征集，生成待向用户返回的诊疗建议。由此，通过利用用户提交的图片，即可对用户进行引导诊断，从而为用户提供准确的诊疗建议，简化了交互过程，提高了诊断效率，并且适用性较强。

为实现上述实施例，本申请还提出一种计算机可读存储介质。

其中该计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时，以实现第一方面实施例所述的基于图片识别的人机交互方法。

一种可选实现形式中，本实施例可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本申请操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

为实现上述实施例，本申请还提出一种计算机程序，当计算机程序产品中的指令由处理器执行时，执行如前述实施例所述的基于图片识别的人机交互方法。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。

应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (9)

1.一种基于图片识别的人机交互方法，其特征在于，包括：

对获取的图片进行识别，以确定所述图片对应的第一皮肤体征集；

根据所述第一皮肤体征集，确定待返回的第一询问消息及所述第一询问消息的询问模式；

将所述第一询问消息以所述询问模式的形式返回，以获取用户返回的第一应答消息；

根据所述第一应答消息及所述第一皮肤体征集，生成待向所述用户返回的诊疗建议；

所述对获取的图片进行识别之后，还包括：

若所述图片对应的第一皮肤体征集中各皮肤体征与预设的皮肤体征均未匹配，则向所述用户返回预设的第二询问消息；

根据所述用户返回的第二应答消息，确定目标决策树类型，以基于所述目标决策树，与所述用户进行人机交互。

2.如权利要求1所述的方法，其特征在于，所述根据所述第一皮肤体征集，确定待返回的第一询问消息及所述第一询问消息的询问模式，包括：

确定所述第一皮肤体征集中各皮肤体征所属的异常皮肤类别，其中，每个异常皮肤类别对应的第二皮肤体征集中包括至少一个皮肤体征；

根据所述各皮肤体征所属的异常皮肤类别，确定所述第一询问消息；

根据所述第二皮肤体征集与所述第一皮肤体征集的匹配度，确定所述第一询问消息的询问模式。

3.如权利要求2所述的方法，其特征在于，所述根据所述各皮肤体征所属的异常皮肤类别，确定所述第一询问消息之前，还包括：

获取所述各皮肤体征所属的异常皮肤类别对应的多个体感数据；

根据所述异常皮肤类别对应的多个体感数据，确定所述异常皮肤类别对应的第一询问消息。

4.如权利要求1所述的方法，其特征在于，所述基于所述目标决策树，与所述用户进行人机交互，包括：

根据所述用户返回的第二应答消息，确定第一关键信息；

根据所述第一关键信息与所述目标决策树中每个节点对应的特征集的匹配度，确定第一目标节点；

向所述用户返回与所述第一目标节点对应的第三询问消息；

获取所述用户返回的第三应答消息；

判断所述目标决策树中是否包含与所述第三应答消息对应的第二目标节点；

若无，则根据所述第一目标节点的特征集及所述第三应答消息，生成待向所述用户返回的诊疗建议。

5.如权利要求1-4任一所述的方法，其特征在于，所述生成待向所述用户返回的诊疗建议之后，还包括：

向所述用户返回所述诊疗建议，其中，所述诊疗建议中包含医疗机构标识、就诊科室、就诊时间及大夫级别中的至少一个；

在获取到所述用户返回的响应消息后，根据所述诊疗建议，为所述用户进行就诊预约。

6.一种基于图片识别的人机交互装置，其特征在于，包括：

识别模块，用于对获取的图片进行识别，以确定所述图片对应的第一皮肤体征集；

确定模块，用于根据所述第一皮肤体征集，确定待返回的第一询问消息及所述第一询问消息的询问模式；

第一发送模块，用于将所述第一询问消息以所述询问模式的形式返回，以获取用户返回的第一应答消息；

生成模块，用于根据所述第一应答消息及所述第一皮肤体征集，生成待向所述用户返回的诊疗建议；

第二发送模块，用于在所述图片对应的第一皮肤体征集中各皮肤体征与预设的皮肤体征均未匹配时，向所述用户返回预设的第二询问消息；

处理模块，用于根据所述用户返回的第二应答消息，确定目标决策树类型，以基于所述目标决策树，与所述用户进行人机交互。

7.如权利要求6所述的装置，其特征在于，所述确定模块，具体用于：

确定所述第一皮肤体征集中各皮肤体征所属的异常皮肤类别，其中，每个异常皮肤类别对应的第二皮肤体征集中包括至少一个皮肤体征；

根据所述各皮肤体征所属的异常皮肤类别，确定所述第一询问消息；

根据所述第二皮肤体征集与所述第一皮肤体征集的匹配度，确定所述第一询问消息的询问模式。

8.一种计算机设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，以实现如权利要求1-5任一所述的基于图片识别的人机交互方法。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时，实现如权利要求1-5任一所述的基于图片识别的人机交互方法。

Images