CN112035741A - 基于用户体检数据的预约方法、装置、设备及存储介质 - Google Patents

基于用户体检数据的预约方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN112035741A
CN112035741A CN202010884347.2A CN202010884347A CN112035741A CN 112035741 A CN112035741 A CN 112035741A CN 202010884347 A CN202010884347 A CN 202010884347A CN 112035741 A CN112035741 A CN 112035741A
Authority
CN
China
Prior art keywords
data
target
physical examination
preset
doctor
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010884347.2A
Other languages
English (en)
Other versions
CN112035741B (zh
Inventor
隆海
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Kangjian Information Technology Shenzhen Co Ltd
Original Assignee
Kangjian Information Technology Shenzhen Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Kangjian Information Technology Shenzhen Co Ltd filed Critical Kangjian Information Technology Shenzhen Co Ltd
Priority to CN202010884347.2A priority Critical patent/CN112035741B/zh
Publication of CN112035741A publication Critical patent/CN112035741A/zh
Application granted granted Critical
Publication of CN112035741B publication Critical patent/CN112035741B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/205—Parsing
    • G06F40/216—Parsing using statistical methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/02—Reservations, e.g. for tickets, services or events
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biomedical Technology (AREA)
  • General Business, Economics & Management (AREA)
  • Mathematical Optimization (AREA)
  • Biophysics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Tourism & Hospitality (AREA)
  • Pure & Applied Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Operations Research (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Molecular Biology (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Quality & Reliability (AREA)
  • Human Resources & Organizations (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Algebra (AREA)

Abstract

本发明涉及人工智能技术领域，应用于智慧医疗领域中，提供一种基于用户体检数据的预约方法、装置、设备及存储介质，用于提高对于问诊医生的预约准确性。基于用户体检数据的预约方法包括对用户体检图表数据进行目标框特征提取得到体检特征数据；根据体检特征数据遍历预置的医学数据结构树得到对应的医疗数据；对问诊预约信息、位置信息、历史就诊数据和医疗数据依次进行特征提取和特征融合，得到目标特征；生成目标特征的哈希值，根据哈希值对预置的医生散列表进行检索得到目标医生数据；若在结束时刻未接收到修订指令，则通过预约接口对目标医生数据对应的接口进行预约。此外，本发明还涉及区块链技术，用户体检图表数据可存储于区块链节点中。

Description

基于用户体检数据的预约方法、装置、设备及存储介质
技术领域
本发明涉及人工智能的智能决策领域，尤其涉及一种基于用户体检数据的预约方法、装置、设备及存储介质。
背景技术
随着互联网技术和计算机技术的发展，为了提高患者的就诊效率和就诊便利性，采用线上预约挂号的方式。目前的线上预约挂号方式，一般都是采用挂号平台，通过挂号平台采集用户的预约信息，根据用户的预约信息检索对应的预约医生数据，根据基于预约医生数据的确认指令进行挂号或预约。
但是，由于用户的预约信息单一和信息不准确，以及对于基于预约医生数据的确认指令，存在接收延迟或指令触发错误或其他问题，导致对于问诊医生的预约准确性低。
发明内容
本发明的主要目的在于解决现有技术中，对于问诊医生的预约准确性低的问题。
本发明第一方面提供了一种基于用户体检数据的预约方法，包括：
获取用户体检图表数据，通过预置的目标检测模型和预置的图表锚框，对所述用户体检图表数据进行目标框检测、目标框划分和目标框特征提取，得到体检特征数据；
根据所述体检特征数据遍历预置的医学数据结构树，得到对应的医疗数据，所述医疗数据包括所述体检特征数据对应的通用名称和相关的病例数据；
获取用户的问诊预约信息、位置信息和历史就诊数据，通过预置的基于注意力机制融合多模态的卷积神经网络模型，对所述问诊预约信息、所述位置信息、所述历史就诊数据和所述医疗数据依次进行特征提取和特征融合，得到目标特征；
生成所述目标特征的哈希值，根据所述哈希值对预置的医生散列表进行检索，得到目标医生数据，所述目标医生数据包括医生的基本信息、医学擅长领域和就诊经验；
判断在预设时段的结束时刻是否接收到修订指令，若在预设时段的结束时刻未接收到修订指令，则通过预置的预约接口对所述目标医生数据对应的接口进行预约。
可选的，在本发明第一方面的第一种实现方式中，所述获取用户体检图表数据，通过预置的目标检测模型和预置的图表锚框，对所述用户体检图表数据进行目标框检测、目标框划分和目标框特征提取，得到体检特征数据，包括：
接收预置的目标身体检测机构端发送的用户体检图表数据，对所述用户体检图表数据进行数据类型识别，得到识别体检数据；
根据所述识别体检数据调用预置的图表锚框，通过预置的目标检测模型和所述图表锚框，对所述识别体检数据进行候选框标注和目标框确定，得到目标框，所述图表锚框为图锚框和/或表锚框；
根据所述目标框，对所述识别体检数据进行目标框划分和目标框特征提取，得到体检特征数据。
可选的，在本发明第一方面的第二种实现方式中，所述接收预置的目标身体检测机构端发送的用户体检图表数据，包括：
接收用户端输入的体检预约信息，并通过预置的定位系统对所述用户端进行定位，得到用户端位置信息；
根据所述体检预约信息、所述用户端位置信息和预置的索引，对预置数据库中的身体检测机构信息进行检索和分析，得到目标身体检测机构端；
通过预置的预约接口，对所述目标身体检测机构端进行预约，并通过预置的超文本传输协议接口，接收预约后的目标身体检测机构端发送的用户体检图表数据。
可选的，在本发明第一方面的第三种实现方式中，所述获取用户体检图表数据，通过预置的目标检测模型和预置的图表锚框，对所述用户体检图表数据进行目标框检测、目标框划分和目标框特征提取，得到体检特征数据之前，还包括：
获取医学数据，对所述医学数据进行关键词提取和关键词分类，得到目标关键词和候选关键词；
创建所述目标关键词和所述候选关键词的第一对应关系，以及所述目标关键词和所述候选关键词分别与各自对应的医学数据的第二对应关系；
获取结构树配置信息，将所述目标关键词作为父节点，将所述候选关键词作为子节点，所述结构树配置信息包括数据结构树的算法、度数和阶数；
根据所述医学数据、所述结构树配置信息、所述第一对应关系和所述第二对应关系，对所述父节点和所述子节点进行节点插入分裂和医学数据关联处理，得到医学数据结构树。
可选的，在本发明第一方面的第四种实现方式中，所述通过预置的基于注意力机制融合多模态的卷积神经网络模型，对所述问诊预约信息、所述位置信息、所述历史就诊数据和所述医疗数据依次进行特征提取和特征融合，得到目标特征，包括：
通过预置的基于注意力机制融合多模态的卷积神经网络模型，分别对所述问诊预约信息、所述位置信息、所述历史就诊数据和所述医疗数据进行多层级的特征提取，得到预约多层级特征、位置多层级特征、就诊多层级特征和医疗多层级特征；
计算所述预约多层级特征、所述位置多层级特征、所述就诊多层级特征和所述医疗多层级特征的注意力值；
通过所述注意力值，将所述预约多层级特征、所述位置多层级特征、所述就诊多层级特征和所述医疗多层级特征进行特征融合，得到目标特征。
可选的，在本发明第一方面的第五种实现方式中，所述生成所述目标特征的哈希值，根据所述哈希值对预置的医生散列表进行检索，得到目标医生数据，包括：
生成所述目标特征的哈希值，根据所述哈希值对预置的医生散列表进行检索，得到多个初始医生数据；
计算所述多个初始医生数据分别与所述目标特征的相似度，得到多个相似度值；
按照所述多个相似度值从大到小的顺序，对所述多个初始医生数据进行排序，得到目标医生数据。
可选的，在本发明第一方面的第六种实现方式中，所述判断在预设时段的结束时刻是否接收到修订指令，若在预设时段的结束时刻未接收到修订指令，则通过预置的预约接口对所述目标医生数据对应的接口进行预约之后，还包括：
获取经过接口预约的预约医生数据对应的加密医生问诊数据，对所述加密医生问诊数据进行高级加密标准的解密处理，得到解密医生问诊数据；
对所述解密医生问诊数据进行聚类分析，得到推荐信息；
对所述解密医生问诊数据、所述历史就诊数据和所述推荐信息进行统计分析，得到统计分析信息，并生成所述统计分析信息的可视化图表。
本发明第二方面提供了一种基于用户体检数据的预约装置，包括：
第一特征处理模块，用于获取用户体检图表数据，通过预置的目标检测模型和预置的图表锚框，对所述用户体检图表数据进行目标框检测、目标框划分和目标框特征提取，得到体检特征数据；
遍历模块，用于根据所述体检特征数据遍历预置的医学数据结构树，得到对应的医疗数据，所述医疗数据包括所述体检特征数据对应的通用名称和相关的病例数据；
第二特征处理模块，用于获取用户的问诊预约信息、位置信息和历史就诊数据，通过预置的基于注意力机制融合多模态的卷积神经网络模型，对所述问诊预约信息、所述位置信息、所述历史就诊数据和所述医疗数据依次进行特征提取和特征融合，得到目标特征；
检索模块，用于生成所述目标特征的哈希值，根据所述哈希值对预置的医生散列表进行检索，得到目标医生数据，所述目标医生数据包括医生的基本信息、医学擅长领域和就诊经验；
预约模块，用于判断在预设时段的结束时刻是否接收到修订指令，若在预设时段的结束时刻未接收到修订指令，则通过预置的预约接口对所述目标医生数据对应的接口进行预约。
可选的，在本发明第二方面的第一种实现方式中，所述第一特征处理模块包括：
接收识别单元，用于接收预置的目标身体检测机构端发送的用户体检图表数据，对所述用户体检图表数据进行数据类型识别，得到识别体检数据；
检测标注单元，用于根据所述识别体检数据调用预置的图表锚框，通过预置的目标检测模型和所述图表锚框，对所述识别体检数据进行候选框标注和目标框确定，得到目标框，所述图表锚框为图锚框和/或表锚框；
特征提取单元，用于根据所述目标框，对所述识别体检数据进行目标框划分和目标框特征提取，得到体检特征数据。
可选的，在本发明第二方面的第二种实现方式中，所述接收识别单元具体用于：
接收用户端输入的体检预约信息，并通过预置的定位系统对所述用户端进行定位，得到用户端位置信息；
根据所述体检预约信息、所述用户端位置信息和预置的索引，对预置数据库中的身体检测机构信息进行检索和分析，得到目标身体检测机构端；
通过预置的预约接口，对所述目标身体检测机构端进行预约，并通过预置的超文本传输协议接口，接收预约后的目标身体检测机构端发送的用户体检图表数据。
可选的，在本发明第二方面的第三种实现方式中，所述基于用户体检数据的预约装置，还包括：
提取分类模块，用于获取医学数据，对所述医学数据进行关键词提取和关键词分类，得到目标关键词和候选关键词；
创建模块，用于创建所述目标关键词和所述候选关键词的第一对应关系，以及所述目标关键词和所述候选关键词分别与各自对应的医学数据的第二对应关系；
获取模块，用于获取结构树配置信息，将所述目标关键词作为父节点，将所述候选关键词作为子节点，所述结构树配置信息包括数据结构树的算法、度数和阶数；
处理模块，用于根据所述医学数据、所述结构树配置信息、所述第一对应关系和所述第二对应关系，对所述父节点和所述子节点进行节点插入分裂和医学数据关联处理，得到医学数据结构树。
可选的，在本发明第二方面的第四种实现方式中，所述第二特征处理模块具体用于：
通过预置的基于注意力机制融合多模态的卷积神经网络模型，分别对所述问诊预约信息、所述位置信息、所述历史就诊数据和所述医疗数据进行多层级的特征提取，得到预约多层级特征、位置多层级特征、就诊多层级特征和医疗多层级特征；
计算所述预约多层级特征、所述位置多层级特征、所述就诊多层级特征和所述医疗多层级特征的注意力值；
通过所述注意力值，将所述预约多层级特征、所述位置多层级特征、所述就诊多层级特征和所述医疗多层级特征进行特征融合，得到目标特征。
可选的，在本发明第二方面的第五种实现方式中，所述检索模块具体用于：
生成所述目标特征的哈希值，根据所述哈希值对预置的医生散列表进行检索，得到多个初始医生数据；
计算所述多个初始医生数据分别与所述目标特征的相似度，得到多个相似度值；
按照所述多个相似度值从大到小的顺序，对所述多个初始医生数据进行排序，得到目标医生数据。
可选的，在本发明第二方面的第六种实现方式中，所述基于用户体检数据的预约装置，还包括：
解密处理模块，用于获取经过接口预约的预约医生数据对应的加密医生问诊数据，对所述加密医生问诊数据进行高级加密标准的解密处理，得到解密医生问诊数据；
聚类分析模块，用于对所述解密医生问诊数据进行聚类分析，得到推荐信息；
统计分析模块，用于对所述解密医生问诊数据、所述历史就诊数据和所述推荐信息进行统计分析，得到统计分析信息，并生成所述统计分析信息的可视化图表。
本发明第三方面提供了一种基于用户体检数据的预约设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述基于用户体检数据的预约设备执行上述的基于用户体检数据的预约方法。
本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的基于用户体检数据的预约方法。
本发明提供的技术方案中，通过预置的目标检测模型和预置的图表锚框，对用户体检图表数据进行目标框检测、目标框划分和目标框特征提取，根据体检特征数据遍历预置的医学数据结构树，得到对应的医疗数据，通过预置的基于注意力机制融合多模态的卷积神经网络模型，对问诊预约信息、位置信息、历史就诊数据和医疗数据依次进行特征提取和特征融合，通过预置的预约接口对目标医生数据对应的接口进行预约，丰富了目标医生数据的接口预约的基础检索数据，提高了目标医生数据获取的准确性，提高了目标医生数据的接口预约效率，从而提高了对于问诊医生的预约效率和预约准确性。
附图说明
图1为本发明实施例中基于用户体检数据的预约方法的一个实施例示意图；
图2为本发明实施例中基于用户体检数据的预约方法的另一个实施例示意图；
图3为本发明实施例中基于用户体检数据的预约装置的一个实施例示意图；
图4为本发明实施例中基于用户体检数据的预约装置的另一个实施例示意图；
图5为本发明实施例中基于用户体检数据的预约设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种基于用户体检数据的预约方法、装置、设备及存储介质，提高了健康数据分析的准确度。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中基于用户体检数据的预约方法的一个实施例包括：
101、获取用户体检图表数据，通过预置的目标检测模型和预置的图表锚框，对用户体检图表数据进行目标框检测、目标框划分和目标框特征提取，得到体检特征数据。
可以理解的是，本发明的执行主体可以为基于用户体检数据的预约装置，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
其中，目标检测模型为通过体检图表数据训练集对构建的初始目标检测模型进行训练和优化的模型，目标检测模型用于对体检报告图和体检表或其他体检的图表数据进行目标检测。图表锚框用于标注用户体检图表数据中的检测项目以及检测项目对应的体检数据所在区域的候选框，图表锚框为图像数据对应的锚框(即图锚框)和/或表格数据对应的锚框(即表锚框)，通过图锚框对为图像数据的用户体检图表数据进行候选框标注，通过表锚框对为表格数据的用户体检图表数据进行候选框标注。
102、根据体检特征数据遍历预置的医学数据结构树，得到对应的医疗数据，医疗数据包括体检特征数据对应的通用名称和相关的病例数据。
其中，医学数据结构树包括医学知识、经过脱敏处理的就诊数据和病症概率值等。相关的病例数据为与当前用户的体检特征数据相同或相似的其他用户的就诊数据。服务器生成体检特征数据的结构化查询语言，通过结构化查询语言对预置的医学数据结构树进行递归查询，从而获得对应的医疗数据。
103、获取用户的问诊预约信息、位置信息和历史就诊数据，通过预置的基于注意力机制融合多模态的卷积神经网络模型，对问诊预约信息、位置信息、历史就诊数据和医疗数据依次进行特征提取和特征融合，得到目标特征。
其中，问诊预约信息、位置信息和历史就诊数据可为文本数据和图像数据中的至少一种。服务器可通过接收预置终端发送的用户的问诊预约信息，得到用户的问诊预约信息，通过预置的定位系统对预置终端进行定位得到位置信息，通过从预置数据库中提取用户的历史就诊数据，或者接收预置的医疗联盟链发送的基于数据获取请求的用户的历史就诊数据，得到历史就诊数据。若问诊预约信息、位置信息、历史就诊数据和医疗数据存在文本数据和图像数据，则通过预置的基于注意力机制融合多模态的卷积神经网络模型提取文本数据的文本特征和图像数据的图像特征，根据预置的注意力机制计算文本特征的文本注意力矩阵，以及图像特征的图像注意力矩阵，将文本特征、图像特征、文本注意力矩阵和图像注意力矩阵进行矩阵拼接，以实现对文本特征和图像特征的特征融合，得到目标特征，通过将文本特征、图像特征、文本注意力矩阵和图像注意力矩阵进行矩阵拼接进行特征融合，使得目标特征既能够不丢失原始信息，又能够强调偏重的信息，且能够将问诊预约信息、位置信息、历史就诊数据和医疗数据之间进行关联，以及捕获问诊预约信息、位置信息、历史就诊数据和医疗数据之间的图像数据和文本数据之间的联系，使得目标特征具有多角度性、多方位性和丰富性，以及较高的质量，进而增强目标医生数据的检索匹配度，提高了目标医生数据获取的准确性。
104、生成目标特征的哈希值，根据哈希值对预置的医生散列表进行检索，得到目标医生数据，目标医生数据包括医生的基本信息、医学擅长领域和就诊经验。
服务器通过生成目标特征的哈希值，通过键值对的方式对预置的医生散列表进行检索，提高其检索的效率和准确度。可通过以下实现过程得到医生散列表：获取多个医疗机构的初始医生数据，对初始医生数据进行擅长领域的归类处理，得到候选医生数据，对候选医生数据进行问诊类别的归类处理，得到归类医生数据，将归类医生数据的数据格式转换为散列表的数据格式，并填充至预置的散列表，得到医生散列表，其中，问诊类别包括线上问诊和线下问诊。目标医生数据可包括一个或一个以上的医生信息，一个医生对应一个医生信息。
105、判断在预设时段的结束时刻是否接收到修订指令，若在预设时段的结束时刻未接收到修订指令，则通过预置的预约接口对目标医生数据对应的接口进行预约。
服务器得到目标医生数据后，将目标医生数据渲染在预置的显示页面上，并启动定时器，通过定时器对预设时段进行计时和监测，判断在预设时段的结束时刻是否接收到修订指令，若接收到修订指令，则根据修订指令中的修订信息匹配对应的医生数据，通过预置的预约接口对匹配的医生数据对应的接口进行预约，若没有接受到修订指令，则通过预置的预约接口对目标医生数据对应的接口进行预约。预约成功之后，将预约的信息反馈至用户的预置终端或显示在预置的显示页面上。其中，在与预约时，对目标医生数据中第一顺位的医生数据对应的接口预约不成功时，可对目标医生数据中第二顺位的医生数据对应的接口进行预约，依次类推。若预约失败，则重新匹配医生数据，根据重新匹配的医生数据对相应的接口进行预约，并将预约失败的信息反馈至用户的预置终端或显示在预置的显示页面上。
本发明实施例中，通过预置的目标检测模型和预置的图表锚框，对用户体检图表数据进行目标框检测、目标框划分和目标框特征提取，根据体检特征数据遍历预置的医学数据结构树，得到对应的医疗数据，通过预置的基于注意力机制融合多模态的卷积神经网络模型，对问诊预约信息、位置信息、历史就诊数据和医疗数据依次进行特征提取和特征融合，通过预置的预约接口对目标医生数据对应的接口进行预约，丰富了目标医生数据的接口预约的基础检索数据，提高了目标医生数据获取的准确性，提高了目标医生数据的接口预约效率，从而提高了对于问诊医生的预约效率和预约准确性。本方案可应用于智慧医疗领域中，从而推动智慧城市的建设。
请参阅图2，本发明实施例中基于用户体检数据的预约方法的另一个实施例包括：
201、接收预置的目标身体检测机构端发送的用户体检图表数据，对用户体检图表数据进行数据类型识别，得到识别体检数据。
具体地，服务器接收用户端输入的体检预约信息，并通过预置的定位系统对用户端进行定位，得到用户端位置信息；根据体检预约信息、用户端位置信息和预置的索引，对预置数据库中的身体检测机构信息进行检索和分析，得到目标身体检测机构端；通过预置的预约接口，对目标身体检测机构端进行预约，并通过预置的超文本传输协议接口，接收预约后的目标身体检测机构端发送的用户体检图表数据。
其中，身体检测机构信息包括身体检测机构端的机构基本信息、检测项目信息、位置信息和预约接口等。例如，服务器接收用户在预置终端或预置界面输入的体检预约信息，该体检预约信息包括身体检测事项和身体检测时间，并通过预置的定位系统GPS对用户的预置终端进行定位获得用户所在的位置信息，将该位置信息映射至预先创建的地图中，得到目标地图，根据体检预约信息对预置数据库中的身体检测机构信息进行检索，得到多个候选身体检测机构信息，将多个候选身体检测机构信息对应的候选身体检测机构位置在目标地图上进行定位显示，计算每个候选身体检测机构位置分别与位置信息在目标地图上的距离，将距离最小的候选身体检测机构位置对应的身体检测机构端作为目标身体检测机构端，通过预置的预约接口对目标身体检测机构端预约。预约后的目标身体检测机构生成用户体检图表数据，并通过预置的超文本传输协议接口，将该用户体检图表数据发送至服务器，服务器通过预置的超文本传输协议接口，接收该用户体检图表数据，从而获得用户体检图表数据。对用户体检图表数据的数据类型进行检测，以判断用户体检图表数据是图像数据还是表格数据，从而得到识别体检数据。
202、根据识别体检数据调用预置的图表锚框，通过预置的目标检测模型和图表锚框，对识别体检数据进行候选框标注和目标框确定，得到目标框，图表锚框为图锚框和/或表锚框。
服务器接收医疗检测机构发送的用户体检图表数据，调用预置的目标检测模型，通过该目标检测模型对用户体检图表数据进行数据类型识别得到识别体检数据，当识别数据为图像数据时，通过预置的目标检测模型和预置的图表锚框中的图锚框，对识别数据进行候选框标注得到多个候选框，并计算多个候选框分别与图锚框的目标交并比值，计算目标交并比值与预置交并比值的差值，并按照差值从大到小的顺序对多个候选框排序；将排序为第一的候选框作为目标框。当识别数据为表格数据时，通过预置的目标检测模型和预置的图表锚框中的表锚框，对识别数据进行候选框标注得到多个候选框，并计算多个候选框分别与表锚框的目标交并比值，计算目标交并比值与预置交并比值的差值，并按照差值从大到小的顺序对多个候选框排序；将排序为第一的候选框作为目标框。
203、根据目标框，对识别体检数据进行目标框划分和目标框特征提取，得到体检特征数据。
服务器获得目标框之后，将识别体检数据对应目标框的图表数据进行截取，得到目标框图，目标框图包括目标框和目标框内的图表数据。通过预置的卷积神经网络对目标框图进行多层级的特征提取，得到多层级特征，将多层级特征进行特征融合，得到体检特征数据，其中，服务器可通过将多层级特征进行矩阵相加或矩阵相乘，实现将多层级特征进行特征融合。
204、根据体检特征数据遍历预置的医学数据结构树，得到对应的医疗数据，医疗数据包括体检特征数据对应的通用名称和相关的病例数据。
具体地，服务器根据体检特征数据遍历预置的医学数据结构树，得到对应的医疗数据之前，预先获取医学数据，对医学数据进行关键词提取和关键词分类，得到目标关键词和候选关键词；创建目标关键词和候选关键词的第一对应关系，以及目标关键词和候选关键词分别与各自对应的医学数据的第二对应关系；获取结构树配置信息，将目标关键词作为父节点，将候选关键词作为子节点，结构树配置信息包括数据结构树的算法、度数和阶数；根据医学数据、结构树配置信息、第一对应关系和第二对应关系，对父节点和子节点进行节点插入分裂和医学数据关联处理，得到医学数据结构树。
例如，服务器从区块链、预置数据库和/或网络平台获得医学数据，并对医学数据进行数据清洗、数据规约和数据变换等数据预处理后，对预处理后的医学数据进行关键词提取，得到多个初始关键词，可通过计算每个初始关键词的词频-逆文本频率指数值，并获取初始关键词的检索点击量值，计算词频-逆文本频率指数值和检索点击量值的加权值，得到每个初始关键词的综合值，按照综合值从大到小的顺序，对多个初始关键词进行排序，得到序列关键词，将序列关键词中排序为第一的关键词作为目标关键词，序列关键词中除了目标关键词之外的关键词作为候选关键词；或通过计算每个初始关键词的关键字数量，按照关键字数量从多到小的顺序，对多个初始关键词进行排序，将排序位置为中位的初始关键词作为目标关键词，将多个初始关键词中除目标关键词之外的初始关键词作为候选关键词；
服务器通过预置的关键词关联关系模板，建立目标关键词和候选关键词的关联关系(即第一对应关系)，将目标关键词和候选关键词分别映射到各自对应的医学数据，即建立第二对应关系，并获取结构树配置信息，该结构树配置信息为B+树算法以及B+树算法的度数和阶数，将目标关键词作为B+树的父节点，将候选关键词作为子节点，根据第一对应关系、B+树算法的度数和阶数，对父节点进行节点插入和节点分裂，根据第二对应关系，将医学数据与父节点和子节点进行有序且递增的关联，创建父节点和子节点之间的指针，以及子节点之间的指针，从而得到医学数据结构树，其中，由于B+树结构具备较高的检索效率、空间使用率和检索准确性，因而优选B+树结构。
205、获取用户的问诊预约信息、位置信息和历史就诊数据，通过预置的基于注意力机制融合多模态的卷积神经网络模型，对问诊预约信息、位置信息、历史就诊数据和医疗数据依次进行特征提取和特征融合，得到目标特征。
具体地，服务器通过预置的基于注意力机制融合多模态的卷积神经网络模型，分别对问诊预约信息、位置信息、历史就诊数据和医疗数据进行多层级的特征提取，得到预约多层级特征、位置多层级特征、就诊多层级特征和医疗多层级特征；计算预约多层级特征、位置多层级特征、就诊多层级特征和医疗多层级特征的注意力值；通过注意力值，将预约多层级特征、位置多层级特征、就诊多层级特征和医疗多层级特征进行特征融合，得到目标特征。
例如，通过预置的基于注意力机制融合多模态的卷积神经网络模型，得到A(预约多层级特征)、B(位置多层级特征)、C(就诊多层级特征)和D(医疗多层级特征)，通过预置的注意力机制分别计算A、B、C和D的注意力值，得到A1、B1、C1和D1，通过进行注意力矩阵拼接A*A1+B*B1+C*C1+D*D1＝E的特征融合处理，得到目标特征E，其中，在进行多层级的特征提取时，可通过预置的多个特征提取单元进行递进地特征提取，实现多层级的特征提取，通过将预约多层级特征、位置多层级特征、就诊多层级特征和医疗多层级特征进行注意力机制的特征合并，能够从问诊预约信息、位置信息、历史就诊数据和医疗数据中选择出对目标医生数据更关键的信息，以及将选择出的更关键的信息进行拼接合并，使得选择出的更关键的信息关联起来，以及捕获问诊预约信息、位置信息、历史就诊数据和医疗数据之间的图像数据和文本数据之间的联系，从而使得目标特征具有多角度性、多方位性和丰富性，以及较高的质量，进而增强目标医生数据的检索匹配度。
206、生成目标特征的哈希值，根据哈希值对预置的医生散列表进行检索，得到目标医生数据，目标医生数据包括医生的基本信息、医学擅长领域和就诊经验。
具体地，服务器生成目标特征的哈希值，根据哈希值对预置的医生散列表进行检索，得到多个初始医生数据；计算多个初始医生数据分别与目标特征的相似度，得到多个相似度值；按照多个相似度值从大到小的顺序，对多个初始医生数据进行排序，得到目标医生数据。
其中，相似度可为语义相似度、文本相似度和疾病相关度中至少两项的加权值。预置的医生散列表可为分类别的多个表结构数据，类别可包括线上问诊、线下问诊和职称等级等。
207、判断在预设时段的结束时刻是否接收到修订指令，若在预设时段的结束时刻未接收到修订指令，则通过预置的预约接口对目标医生数据对应的接口进行预约。
具体地，服务器通过预置的预约接口对目标医生数据对应的接口进行预约之后，获取经过接口预约的预约医生数据对应的加密医生问诊数据，对加密医生问诊数据进行高级加密标准的解密处理，得到解密医生问诊数据；对解密医生问诊数据进行聚类分析，得到推荐信息；对解密医生问诊数据、历史就诊数据和推荐信息进行统计分析，得到统计分析信息，并生成统计分析信息的可视化图表。
其中，推荐信息包括饮食信息、业务服务信息、药物信息和就诊医疗机构信息。服务器通过预置的预约接口对目标医生数据对应的接口进行预约成功之后，将对应的目标医生数据确定为预约医生数据，当预约医生数据对应的问诊类型为线上问诊时，服务器通过向预置的医疗联盟链发送请求，预置的医疗联盟链对该请求进行验证和接受之后，向服务器发送预约医生数据对应的加密医生问诊数据，服务器通过对应的解密密钥，对加密医生问诊数据进行高级加密标准(advanced encryption standard，AES)的解密处理，得到解密医生问诊数据。当预约医生数据为线下问诊的数据时，服务器通过超文本传输协议接口对预约医生数据端发送的加密医生问诊数据中的签名进行验证，验证通过后，接收该加密医生问诊数据，并对该加密医生问诊数据高级加密标准的解密处理，得到解密医生问诊数据。服务器可通过预置的多种聚类算法，对解密医生问诊数据进行多类别的聚类分析，得到推荐信息，推荐信息可包括医疗结构信息、药品信息和医疗保险信息等。
本发明实施例中，通过预置的目标检测模型和预置的图表锚框，对用户体检图表数据进行目标框检测、目标框划分和目标框特征提取，根据体检特征数据遍历预置的医学数据结构树，得到对应的医疗数据，通过预置的基于注意力机制融合多模态的卷积神经网络模型，对问诊预约信息、位置信息、历史就诊数据和医疗数据依次进行特征提取和特征融合，通过预置的预约接口对目标医生数据对应的接口进行预约，丰富了目标医生数据的接口预约的基础检索数据，提高了目标医生数据获取的准确性，提高了目标医生数据的接口预约效率，从而提高了对于问诊医生的预约效率和预约准确性。本方案可应用于智慧医疗领域中，从而推动智慧城市的建设。
上面对本发明实施例中基于用户体检数据的预约方法进行了描述，下面对本发明实施例中基于用户体检数据的预约装置进行描述，请参阅图3，本发明实施例中基于用户体检数据的预约装置一个实施例包括：
第一特征处理模块301，用于获取用户体检图表数据，通过预置的目标检测模型和预置的图表锚框，对用户体检图表数据进行目标框检测、目标框划分和目标框特征提取，得到体检特征数据；
遍历模块302，用于根据体检特征数据遍历预置的医学数据结构树，得到对应的医疗数据，医疗数据包括体检特征数据对应的通用名称和相关的病例数据；
第二特征处理模块303，用于获取用户的问诊预约信息、位置信息和历史就诊数据，通过预置的基于注意力机制融合多模态的卷积神经网络模型，对问诊预约信息、位置信息、历史就诊数据和医疗数据依次进行特征提取和特征融合，得到目标特征；
检索模块304，用于生成目标特征的哈希值，根据哈希值对预置的医生散列表进行检索，得到目标医生数据，目标医生数据包括医生的基本信息、医学擅长领域和就诊经验；
预约模块305，用于判断在预设时段的结束时刻是否接收到修订指令，若在预设时段的结束时刻未接收到修订指令，则通过预置的预约接口对目标医生数据对应的接口进行预约。
上述基于用户体检数据的预约装置中各个模块的功能实现与上述基于用户体检数据的预约方法实施例中各步骤相对应，其功能和实现过程在此处不再一一赘述。
本发明实施例中，通过预置的目标检测模型和预置的图表锚框，对用户体检图表数据进行目标框检测、目标框划分和目标框特征提取，根据体检特征数据遍历预置的医学数据结构树，得到对应的医疗数据，通过预置的基于注意力机制融合多模态的卷积神经网络模型，对问诊预约信息、位置信息、历史就诊数据和医疗数据依次进行特征提取和特征融合，通过预置的预约接口对目标医生数据对应的接口进行预约，丰富了目标医生数据的接口预约的基础检索数据，提高了目标医生数据获取的准确性，提高了目标医生数据的接口预约效率，从而提高了对于问诊医生的预约效率和预约准确性。本方案可应用于智慧医疗领域中，从而推动智慧城市的建设。
请参阅图4，本发明实施例中基于用户体检数据的预约装置的另一个实施例包括：
第一特征处理模块301，用于获取用户体检图表数据，通过预置的目标检测模型和预置的图表锚框，对用户体检图表数据进行目标框检测、目标框划分和目标框特征提取，得到体检特征数据；
其中，第一特征处理模块301具体包括：
接收识别单元3011，用于接收预置的目标身体检测机构端发送的用户体检图表数据，对用户体检图表数据进行数据类型识别，得到识别体检数据；
检测标注单元3012，用于根据识别体检数据调用预置的图表锚框，通过预置的目标检测模型和图表锚框，对识别体检数据进行候选框标注和目标框确定，得到目标框，图表锚框为图锚框和/或表锚框；
特征提取单元3013，用于根据目标框，对识别体检数据进行目标框划分和目标框特征提取，得到体检特征数据；
遍历模块302，用于根据体检特征数据遍历预置的医学数据结构树，得到对应的医疗数据，医疗数据包括体检特征数据对应的通用名称和相关的病例数据；
第二特征处理模块303，用于获取用户的问诊预约信息、位置信息和历史就诊数据，通过预置的基于注意力机制融合多模态的卷积神经网络模型，对问诊预约信息、位置信息、历史就诊数据和医疗数据依次进行特征提取和特征融合，得到目标特征；
检索模块304，用于生成目标特征的哈希值，根据哈希值对预置的医生散列表进行检索，得到目标医生数据，目标医生数据包括医生的基本信息、医学擅长领域和就诊经验；
预约模块305，用于判断在预设时段的结束时刻是否接收到修订指令，若在预设时段的结束时刻未接收到修订指令，则通过预置的预约接口对目标医生数据对应的接口进行预约。
可选的，接收识别单元3011还可以具体用于：
接收用户端输入的体检预约信息，并通过预置的定位系统对用户端进行定位，得到用户端位置信息；
根据体检预约信息、用户端位置信息和预置的索引，对预置数据库中的身体检测机构信息进行检索和分析，得到目标身体检测机构端；
通过预置的预约接口，对目标身体检测机构端进行预约，并通过预置的超文本传输协议接口，接收预约后的目标身体检测机构端发送的用户体检图表数据。
可选的，基于用户体检数据的预约装置，还包括：
提取分类模块306，用于获取医学数据，对医学数据进行关键词提取和关键词分类，得到目标关键词和候选关键词；
创建模块307，用于创建目标关键词和候选关键词的第一对应关系，以及目标关键词和候选关键词分别与各自对应的医学数据的第二对应关系；
获取模块308，用于获取结构树配置信息，将目标关键词作为父节点，将候选关键词作为子节点，结构树配置信息包括数据结构树的算法、度数和阶数；
处理模块309，用于根据医学数据、结构树配置信息、第一对应关系和第二对应关系，对父节点和子节点进行节点插入分裂和医学数据关联处理，得到医学数据结构树。
可选的，第二特征处理模块303还可以具体用于：
通过预置的基于注意力机制融合多模态的卷积神经网络模型，分别对问诊预约信息、位置信息、历史就诊数据和医疗数据进行多层级的特征提取，得到预约多层级特征、位置多层级特征、就诊多层级特征和医疗多层级特征；
计算预约多层级特征、位置多层级特征、就诊多层级特征和医疗多层级特征的注意力值；
通过注意力值，将预约多层级特征、位置多层级特征、就诊多层级特征和医疗多层级特征进行特征融合，得到目标特征。
可选的，检索模块304还可以具体用于：
生成目标特征的哈希值，根据哈希值对预置的医生散列表进行检索，得到多个初始医生数据；
计算多个初始医生数据分别与目标特征的相似度，得到多个相似度值；
按照多个相似度值从大到小的顺序，对多个初始医生数据进行排序，得到目标医生数据。
可选的，基于用户体检数据的预约装置，还包括：
解密处理模块310，用于获取经过接口预约的预约医生数据对应的加密医生问诊数据，对加密医生问诊数据进行高级加密标准的解密处理，得到解密医生问诊数据；
聚类分析模块311，用于对解密医生问诊数据进行聚类分析，得到推荐信息；
统计分析模块312，用于对解密医生问诊数据、历史就诊数据和推荐信息进行统计分析，得到统计分析信息，并生成统计分析信息的可视化图表。
上述基于用户体检数据的预约装置中各模块和各单元的功能实现与上述基于用户体检数据的预约方法实施例中各步骤相对应，其功能和实现过程在此处不再一一赘述。
本发明实施例中，通过预置的目标检测模型和预置的图表锚框，对用户体检图表数据进行目标框检测、目标框划分和目标框特征提取，根据体检特征数据遍历预置的医学数据结构树，得到对应的医疗数据，通过预置的基于注意力机制融合多模态的卷积神经网络模型，对问诊预约信息、位置信息、历史就诊数据和医疗数据依次进行特征提取和特征融合，通过预置的预约接口对目标医生数据对应的接口进行预约，丰富了目标医生数据的接口预约的基础检索数据，提高了目标医生数据获取的准确性，提高了目标医生数据的接口预约效率，从而提高了对于问诊医生的预约效率和预约准确性。本方案可应用于智慧医疗领域中，从而推动智慧城市的建设。
上面图3和图4从模块化功能实体的角度对本发明实施例中的基于用户体检数据的预约装置进行详细描述，下面从硬件处理的角度对本发明实施例中基于用户体检数据的预约设备进行详细描述。
图5是本发明实施例提供的一种基于用户体检数据的预约设备的结构示意图，该基于用户体检数据的预约设备500可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，CPU)510(例如，一个或一个以上处理器)和存储器520，一个或一个以上存储应用程序533或数据532的存储介质530(例如一个或一个以上海量存储设备)。其中，存储器520和存储介质530可以是短暂存储或持久存储。存储在存储介质530的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对基于用户体检数据的预约设备500中的一系列指令操作。更进一步地，处理器510可以设置为与存储介质530通信，在基于用户体检数据的预约设备500上执行存储介质530中的一系列指令操作。
基于用户体检数据的预约设备500还可以包括一个或一个以上电源540，一个或一个以上有线或无线网络接口550，一个或一个以上输入输出接口560，和/或，一个或一个以上操作系统531，例如Windows Serve，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图5示出的基于用户体检数据的预约设备结构并不构成对基于用户体检数据的预约设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，计算机可读存储介质中存储有指令，当指令在计算机上运行时，使得计算机执行基于用户体检数据的预约方法的步骤。
进一步地，计算机可读存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
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。
集成的单元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全部或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(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上，以上实施例仅用以说明本发明的技术方案，而非对其限制；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：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种基于用户体检数据的预约方法，其特征在于，所述基于用户体检数据的预约方法包括：
获取用户体检图表数据，通过预置的目标检测模型和预置的图表锚框，对所述用户体检图表数据进行目标框检测、目标框划分和目标框特征提取，得到体检特征数据；
根据所述体检特征数据遍历预置的医学数据结构树，得到对应的医疗数据，所述医疗数据包括所述体检特征数据对应的通用名称和相关的病例数据；
获取用户的问诊预约信息、位置信息和历史就诊数据，通过预置的基于注意力机制融合多模态的卷积神经网络模型，对所述问诊预约信息、所述位置信息、所述历史就诊数据和所述医疗数据依次进行特征提取和特征融合，得到目标特征；
生成所述目标特征的哈希值，根据所述哈希值对预置的医生散列表进行检索，得到目标医生数据，所述目标医生数据包括医生的基本信息、医学擅长领域和就诊经验；
判断在预设时段的结束时刻是否接收到修订指令，若在预设时段的结束时刻未接收到修订指令，则通过预置的预约接口对所述目标医生数据对应的接口进行预约。
2.根据权利要求1所述的基于用户体检数据的预约方法，其特征在于，所述获取用户体检图表数据，通过预置的目标检测模型和预置的图表锚框，对所述用户体检图表数据进行目标框检测、目标框划分和目标框特征提取，得到体检特征数据，包括：
接收预置的目标身体检测机构端发送的用户体检图表数据，对所述用户体检图表数据进行数据类型识别，得到识别体检数据；
根据所述识别体检数据调用预置的图表锚框，通过预置的目标检测模型和所述图表锚框，对所述识别体检数据进行候选框标注和目标框确定，得到目标框，所述图表锚框为图锚框和/或表锚框；
根据所述目标框，对所述识别体检数据进行目标框划分和目标框特征提取，得到体检特征数据。
3.根据权利要求2所述的基于用户体检数据的预约方法，其特征在于，所述接收预置的目标身体检测机构端发送的用户体检图表数据，包括：
接收用户端输入的体检预约信息，并通过预置的定位系统对所述用户端进行定位，得到用户端位置信息；
根据所述体检预约信息、所述用户端位置信息和预置的索引，对预置数据库中的身体检测机构信息进行检索和分析，得到目标身体检测机构端；
通过预置的预约接口，对所述目标身体检测机构端进行预约，并通过预置的超文本传输协议接口，接收预约后的目标身体检测机构端发送的用户体检图表数据。
4.根据权利要求1所述的基于用户体检数据的预约方法，其特征在于，所述获取用户体检图表数据，通过预置的目标检测模型和预置的图表锚框，对所述用户体检图表数据进行目标框检测、目标框划分和目标框特征提取，得到体检特征数据之前，还包括：
获取医学数据，对所述医学数据进行关键词提取和关键词分类，得到目标关键词和候选关键词；
创建所述目标关键词和所述候选关键词的第一对应关系，以及所述目标关键词和所述候选关键词分别与各自对应的医学数据的第二对应关系；
获取结构树配置信息，将所述目标关键词作为父节点，将所述候选关键词作为子节点，所述结构树配置信息包括数据结构树的算法、度数和阶数；
根据所述医学数据、所述结构树配置信息、所述第一对应关系和所述第二对应关系，对所述父节点和所述子节点进行节点插入分裂和医学数据关联处理，得到医学数据结构树。
5.根据权利要求1所述的基于用户体检数据的预约方法，其特征在于，所述通过预置的基于注意力机制融合多模态的卷积神经网络模型，对所述问诊预约信息、所述位置信息、所述历史就诊数据和所述医疗数据依次进行特征提取和特征融合，得到目标特征，包括：
通过预置的基于注意力机制融合多模态的卷积神经网络模型，分别对所述问诊预约信息、所述位置信息、所述历史就诊数据和所述医疗数据进行多层级的特征提取，得到预约多层级特征、位置多层级特征、就诊多层级特征和医疗多层级特征；
计算所述预约多层级特征、所述位置多层级特征、所述就诊多层级特征和所述医疗多层级特征的注意力值；
通过所述注意力值，将所述预约多层级特征、所述位置多层级特征、所述就诊多层级特征和所述医疗多层级特征进行特征融合，得到目标特征。
6.根据权利要求5所述的基于用户体检数据的预约方法，其特征在于，所述生成所述目标特征的哈希值，根据所述哈希值对预置的医生散列表进行检索，得到目标医生数据，包括：
生成所述目标特征的哈希值，根据所述哈希值对预置的医生散列表进行检索，得到多个初始医生数据；
计算所述多个初始医生数据分别与所述目标特征的相似度，得到多个相似度值；
按照所述多个相似度值从大到小的顺序，对所述多个初始医生数据进行排序，得到目标医生数据。
7.根据权利要求1-6中任一项所述的基于用户体检数据的预约方法，其特征在于，所述判断在预设时段的结束时刻是否接收到修订指令，若在预设时段的结束时刻未接收到修订指令，则通过预置的预约接口对所述目标医生数据对应的接口进行预约之后，还包括：
获取经过接口预约的预约医生数据对应的加密医生问诊数据，对所述加密医生问诊数据进行高级加密标准的解密处理，得到解密医生问诊数据；
对所述解密医生问诊数据进行聚类分析，得到推荐信息；
对所述解密医生问诊数据、所述历史就诊数据和所述推荐信息进行统计分析，得到统计分析信息，并生成所述统计分析信息的可视化图表。
8.一种基于用户体检数据的预约装置，其特征在于，所述基于用户体检数据的预约装置包括：
第一特征处理模块，用于获取用户体检图表数据，通过预置的目标检测模型和预置的图表锚框，对所述用户体检图表数据进行目标框检测、目标框划分和目标框特征提取，得到体检特征数据；
遍历模块，用于根据所述体检特征数据遍历预置的医学数据结构树，得到对应的医疗数据，所述医疗数据包括所述体检特征数据对应的通用名称和相关的病例数据；
第二特征处理模块，用于获取用户的问诊预约信息、位置信息和历史就诊数据，通过预置的基于注意力机制融合多模态的卷积神经网络模型，对所述问诊预约信息、所述位置信息、所述历史就诊数据和所述医疗数据依次进行特征提取和特征融合，得到目标特征；
检索模块，用于生成所述目标特征的哈希值，根据所述哈希值对预置的医生散列表进行检索，得到目标医生数据，所述目标医生数据包括医生的基本信息、医学擅长领域和就诊经验；
预约模块，用于判断在预设时段的结束时刻是否接收到修订指令，若在预设时段的结束时刻未接收到修订指令，则通过预置的预约接口对所述目标医生数据对应的接口进行预约。
9.一种基于用户体检数据的预约设备，其特征在于，所述基于用户体检数据的预约设备包括：存储器和至少一个处理器，所述存储器中存储有指令；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述基于用户体检数据的预约设备执行如权利要求1-7中任意一项所述的基于用户体检数据的预约方法。
10.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1-7中任一项所述基于用户体检数据的预约方法。
CN202010884347.2A 2020-08-28 2020-08-28 基于用户体检数据的预约方法、装置、设备及存储介质 Active CN112035741B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010884347.2A CN112035741B (zh) 2020-08-28 2020-08-28 基于用户体检数据的预约方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010884347.2A CN112035741B (zh) 2020-08-28 2020-08-28 基于用户体检数据的预约方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN112035741A true CN112035741A (zh) 2020-12-04
CN112035741B CN112035741B (zh) 2022-08-30

Family

ID=73586578

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010884347.2A Active CN112035741B (zh) 2020-08-28 2020-08-28 基于用户体检数据的预约方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN112035741B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112530585A (zh) * 2020-12-16 2021-03-19 平安国际智慧城市科技股份有限公司 基于医疗机构的数据处理方法、装置、计算机设备及介质
CN112765492A (zh) * 2020-12-31 2021-05-07 浙江省方大标准信息有限公司 一种检验检测机构排序方法
CN112927788A (zh) * 2021-03-30 2021-06-08 善诊(上海)信息技术有限公司 一种体检项目推荐方法、装置、设备及存储介质
CN114496169A (zh) * 2022-02-08 2022-05-13 北京北大医疗脑健康科技有限公司 一种儿童心理健康发展的辅助管理方法、装置和设备
CN115345337A (zh) * 2022-10-19 2022-11-15 北京国安广传网络科技有限公司 一种基于物联网的公共卫生数字体检系统
CN115376668A (zh) * 2022-08-30 2022-11-22 温州城市智慧健康有限公司 一种应用于智慧医疗的大数据业务分析方法及系统
CN115497229A (zh) * 2022-09-15 2022-12-20 江苏至真健康科技有限公司 无人自助的便携式免散瞳眼底照相机的使用方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9996666B1 (en) * 2013-09-10 2018-06-12 MD Insider, Inc. Physician scheduling systems for matching medical providers and patients
CN109299804A (zh) * 2018-11-19 2019-02-01 安徽师范大学 具有医生搜索功能的医疗预约挂号系统
CN109411082A (zh) * 2018-11-08 2019-03-01 西华大学 一种医疗质量评价及就诊推荐方法
CN110232971A (zh) * 2019-05-24 2019-09-13 深圳市翩翩科技有限公司 一种医生推荐方法及装置
CN110993081A (zh) * 2019-12-03 2020-04-10 济南大学 一种医生在线推荐方法及系统
CN111291266A (zh) * 2020-02-13 2020-06-16 腾讯科技（北京）有限公司 基于人工智能的推荐方法、装置、电子设备及存储介质
CN111475713A (zh) * 2020-03-13 2020-07-31 京东方科技集团股份有限公司 医生信息推荐方法、装置、电子设备、系统及存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9996666B1 (en) * 2013-09-10 2018-06-12 MD Insider, Inc. Physician scheduling systems for matching medical providers and patients
CN109411082A (zh) * 2018-11-08 2019-03-01 西华大学 一种医疗质量评价及就诊推荐方法
CN109299804A (zh) * 2018-11-19 2019-02-01 安徽师范大学 具有医生搜索功能的医疗预约挂号系统
CN110232971A (zh) * 2019-05-24 2019-09-13 深圳市翩翩科技有限公司 一种医生推荐方法及装置
CN110993081A (zh) * 2019-12-03 2020-04-10 济南大学 一种医生在线推荐方法及系统
CN111291266A (zh) * 2020-02-13 2020-06-16 腾讯科技（北京）有限公司 基于人工智能的推荐方法、装置、电子设备及存储介质
CN111475713A (zh) * 2020-03-13 2020-07-31 京东方科技集团股份有限公司 医生信息推荐方法、装置、电子设备、系统及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
黄庚长: "基于改进SVD的医生推荐算法研究与实现", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112530585A (zh) * 2020-12-16 2021-03-19 平安国际智慧城市科技股份有限公司 基于医疗机构的数据处理方法、装置、计算机设备及介质
CN112765492A (zh) * 2020-12-31 2021-05-07 浙江省方大标准信息有限公司 一种检验检测机构排序方法
CN112765492B (zh) * 2020-12-31 2021-08-10 浙江省方大标准信息有限公司 一种检验检测机构排序方法
CN112927788A (zh) * 2021-03-30 2021-06-08 善诊(上海)信息技术有限公司 一种体检项目推荐方法、装置、设备及存储介质
CN112927788B (zh) * 2021-03-30 2024-02-27 善诊(上海)信息技术有限公司 一种体检项目推荐方法、装置、设备及存储介质
CN114496169A (zh) * 2022-02-08 2022-05-13 北京北大医疗脑健康科技有限公司 一种儿童心理健康发展的辅助管理方法、装置和设备
CN115376668A (zh) * 2022-08-30 2022-11-22 温州城市智慧健康有限公司 一种应用于智慧医疗的大数据业务分析方法及系统
CN115376668B (zh) * 2022-08-30 2024-03-08 温州城市智慧健康有限公司 一种应用于智慧医疗的大数据业务分析方法及系统
CN115497229A (zh) * 2022-09-15 2022-12-20 江苏至真健康科技有限公司 无人自助的便携式免散瞳眼底照相机的使用方法及系统
CN115497229B (zh) * 2022-09-15 2023-09-12 江苏至真健康科技有限公司 无人自助的便携式免散瞳眼底照相机的使用方法及系统
CN115345337A (zh) * 2022-10-19 2022-11-15 北京国安广传网络科技有限公司 一种基于物联网的公共卫生数字体检系统
CN115345337B (zh) * 2022-10-19 2023-01-10 北京国安广传网络科技有限公司 一种基于物联网的公共卫生数字体检系统

Also Published As

Publication number Publication date
CN112035741B (zh) 2022-08-30

Similar Documents

Publication Publication Date Title
CN112035741B (zh) 基于用户体检数据的预约方法、装置、设备及存储介质
CN111191020B (zh) 基于机器学习和知识图谱的处方推荐方法和系统
CN112037880B (zh) 用药推荐方法、装置、设备及存储介质
CN106663038B (zh) 用于机器学习的特征处理配方
CN106575246B (zh) 机器学习服务
CN111708949B (zh) 医疗资源的推荐方法及装置、电子设备、存储介质
US10296837B2 (en) Comment-comment and comment-document analysis of documents
US20030013951A1 (en) Database organization and searching
JP2019511065A5 (zh)
JP2019511065A (ja) 情報検索方法及び装置
CN112365941A (zh) 受试者招募的方法及系统
CN114817746A (zh) 保险产品推荐方法、装置、设备及存储介质
CN113658712A (zh) 医患匹配方法、装置、设备及存储介质
CN114611735A (zh) 就医的互联网挂号方法、装置、设备及存储介质
CN111696656B (zh) 一种互联网医疗平台的医生评价方法、装置
CN113705698A (zh) 基于点击行为预测的信息推送方法及装置
CN111403011B (zh) 挂号科室推送方法、装置、系统、电子设备及存储介质
CN110473636B (zh) 基于深度学习的智能医嘱推荐方法及系统
WO2021009375A1 (en) A method for extracting information from semi-structured documents, a related system and a processing device
CN116741396A (zh) 文章归类方法和装置、电子设备和存储介质
CN115147020B (zh) 装修数据处理方法、装置、设备及存储介质
CN114882985B (zh) 基于数据库和ai算法识别的医药多媒体管理系统及方法
US20150339602A1 (en) System and method for modeling health care costs
CN111190931A (zh) 一种处方笺数据的处理方法及装置、电子设备、存储介质
CN113806638B (zh) 基于用户画像的个性化推荐方法及相关设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant