CN112820404A - 应用于大数据智慧医疗的信息处理方法及智慧医疗服务器 - Google Patents

应用于大数据智慧医疗的信息处理方法及智慧医疗服务器 Download PDF

Info

Publication number
CN112820404A
CN112820404A CN202110251573.1A CN202110251573A CN112820404A CN 112820404 A CN112820404 A CN 112820404A CN 202110251573 A CN202110251573 A CN 202110251573A CN 112820404 A CN112820404 A CN 112820404A
Authority
CN
China
Prior art keywords
information
online
diagnosis
time node
time
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.)
Withdrawn
Application number
CN202110251573.1A
Other languages
English (en)
Inventor
裴炳坤
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.)
Guangzhou zhiyunshang Big Data Technology Co.,Ltd.
Original Assignee
裴炳坤
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 裴炳坤 filed Critical 裴炳坤
Priority to CN202110251573.1A priority Critical patent/CN112820404A/zh
Publication of CN112820404A publication Critical patent/CN112820404A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • 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
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • 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
    • 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
    • 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
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • 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
    • G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Pathology (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明公开的应用于大数据智慧医疗的信息处理方法及智慧医疗服务器，由于远程操作画像信息的确定使用的是与远程操作存在高关联性的就诊交互记录进行的，可以准确完整地识别出不同的就诊场景中远程操作目标事项，从就诊交互记录中识别远程操作目标事项，结合就诊场景分析将远程操作目标事项中的远程操作画像信息确定出来。基于神经网络的就诊交互记录处理算法在保证就诊交互记录准确性和完整性的同时，实现了相比常规算法更快的处理速度。能够基于远程操作画像信息确定用户在进行就诊操作时的各类行为习惯信息，可以为用户定制个性化的操作交互界面，从而提高智慧医疗交互的智能化程度，减少用户由于不熟悉操作界面而产生的各类误操作行为。

Description

应用于大数据智慧医疗的信息处理方法及智慧医疗服务器
技术领域
本公开涉及智慧医疗和信息处理技术领域，特别涉及应用于大数据智慧医疗的信息处理方法及智慧医疗服务器。
背景技术
智慧医疗是最近兴起的热门医疗名词，通过打造健康档案区域医疗信息平台，利用先进的物联网技术，实现患者与医务人员、医疗机构、医疗设备之间的互动，逐步达到智能信息一体化。
由于相关公共医疗管理系统的不完善，医疗成本高、渠道少、覆盖面低等问题困扰着大众民生。尤其以“效率较低的医疗体系、质量欠佳的医疗服务、看病难且贵的就医现状”为代表的医疗问题为社会关注的主要焦点。大医院人满为患，社区医院无人问津，病人就诊手续繁琐等等问题都是由于医疗信息不畅，医疗资源两极化，医疗监督机制不全等原因导致，这些问题已经成为影响社会和谐发展的重要因素。因此，需要建立一套智慧的医疗信息网络平台体系，使患者用较短的等疗时间、支付基本的医疗费用，就可以享受安全、便利、优质的诊疗服务。
长期以来，医疗资源分布不均，看病难、看病贵等问题一直困扰着人民群众。伴随着医改进程的推动，移动医疗市场营运而生，得益于知识付费理念的普及和医药电商政策放开，移动医疗产业市场规模快速增长。然而相关的线上就诊技术的智能化程度较低。
发明内容
为改善相关技术中存在的技术问题，本公开提供了应用于大数据智慧医疗的信息处理方法及智慧医疗服务器。
本发明提供了一种应用于大数据智慧医疗的信息处理方法，应用于智慧医疗服务器，包括：
获取由智慧医疗设备在连续两个时间节点采集得到的一组在线就诊信息；
将所述一组在线就诊信息输入到信息识别网络模型，得到所述信息识别网络模型输出的第一时间节点对应的用户在线就诊信息的就诊交互记录；
根据所述第一时间节点对应的用户在线就诊信息的就诊交互记录确定所述第一时间节点对应的用户在线就诊信息中的远程操作画像信息。
进一步地，连续两个时间节点包括第一时间节点和第二时间节点，所述智慧医疗设备包括实时交互医疗设备和延时交互医疗设备，所述实时交互医疗设备在第一时间节点采集得到的在线就诊信息为第一时间节点对应的实时交互在线就诊信息，所述延时交互医疗设备在第一时间节点采集得到的在线就诊信息为第一时间节点对应的延时交互在线就诊信息，所述实时交互医疗设备在第二时间节点采集得到的在线就诊信息为第二时间节点对应的实时交互在线就诊信息，所述延时交互医疗设备在第二时间节点采集得到的在线就诊信息为第二时间节点对应的延时交互在线就诊信息；
所述第一时间节点对应的用户在线就诊信息为所述第一时间节点对应的实时交互在线就诊信息或所述第一时间节点对应的延时交互在线就诊信息，所述信息识别网络模型是使用多组第一训练样本通过深度学习训练得到的，所述多组第一训练样本中的每组第一训练样本包括：所述智慧医疗设备在连续两个时间节点采集得到的在线就诊信息以及就诊交互记录标签。
进一步地，根据所述第一时间节点对应的用户在线就诊信息的就诊交互记录确定所述第一时间节点对应的用户在线就诊信息中的远程操作画像信息，包括：
通过记录分析算法对所述就诊交互记录进行分析，得到所述第一时间节点对应的用户在线就诊信息中的远程操作事项；
使用第一场景解析模型对所述第一时间节点对应的用户在线就诊信息中的场景画像信息进行解析得到第一场景画像信息，其中，所述第一场景解析模型是使用多组第二训练样本通过深度学习训练得到的，所述多组第二训练样本中的每组第二训练样本包括：在线就诊信息以及第一解析标签；
将所述远程操作事项与所述第一场景画像信息进行匹配得到所述远程操作画像信息。
进一步地，所述信息识别网络模型中包括就诊信息处理模型、第一特征提取网络模型和第二场景解析模型，其中，将所述一组在线就诊信息输入到信息识别网络模型，得到所述信息识别网络模型输出的第一时间节点对应的用户在线就诊信息的就诊交互记录，包括：
将所述第一时间节点对应的实时交互在线就诊信息和所述第一时间节点对应的延时交互在线就诊信息输入到所述就诊信息处理模型，得到所述就诊信息处理模型输出的第一就诊信息比较结果，以及将所述第二时间节点对应的实时交互在线就诊信息和所述第二时间节点对应的延时交互在线就诊信息输入到所述就诊信息处理模型，得到所述就诊信息处理模型输出的第二就诊信息比较结果，其中，所述就诊信息处理模型是使用多组第三训练样本通过深度学习训练得到的，所述多组第三训练样本中的每组第三训练样本包括：所述智慧医疗设备在同一时间节点采集得到的两组在线就诊信息和就诊信息比较标签；
将所述第一时间节点对应的实时交互在线就诊信息和所述第二时间节点对应的实时交互在线就诊信息输入到所述第一特征提取网络模型，得到所述第一特征提取网络模型输出的在线就诊关键特征，其中，所述第一特征提取网络模型是使用多组第四训练样本通过深度学习训练得到的，所述多组第四训练样本中的每组第四训练样本包括：所述智慧医疗设备中的实时交互医疗设备在连续两个时间节点采集得到的在线就诊信息和交互特征标签；
使用第二场景解析模型对所述第一时间节点对应的实时交互在线就诊信息中的场景画像信息进行解析得到第二场景画像信息，其中，所述第二场景解析模型是使用多组第五训练样本通过深度学习训练得到的，所述多组第五训练样本中的每组第五训练样本包括：在线就诊信息和第二画像信息解析标签；
根据所述第一就诊信息比较结果、所述第二就诊信息比较结果、所述在线就诊关键特征和所述第二场景画像信息确定所述第一时间节点对应的实时交互在线就诊信息的就诊交互记录。
进一步地，根据所述第一就诊信息比较结果、所述第二就诊信息比较结果、所述在线就诊关键特征和所述第二场景画像信息确定所述第一时间节点对应的实时交互在线就诊信息的就诊交互记录，包括：
按照所述在线就诊关键特征对所述第二就诊信息比较结果进行远程操作轨迹识别，得到将所述第二就诊信息比较结果映射到所述第一时间节点的第一就诊信息映射结果；
使用所述第一时间节点对应的实时交互在线就诊信息和所述第二场景画像信息对所述第一就诊信息映射结果进行调整，得到第一就诊信息调整结果；
通过所述第一就诊信息调整结果、所述第一就诊信息比较结果和所述在线就诊关键特征得到所述第一时间节点对应的实时交互在线就诊信息的就诊交互记录。
进一步地，所述信息识别网络模型输出的所述第一时间节点对应的实时交互在线就诊信息的就诊交互记录与预定的所述第一时间节点对应的实时交互在线就诊信息的历史就诊交互记录之间的第一交互记录测评结果满足第一目标测评条件，所述第一目标测评条件用于表示所述第一交互记录测评结果的测评值在第一预定范围之内。
进一步地，所述信息识别网络模型中包括就诊信息处理模型、第二特征提取网络模型和第二场景解析模型，其中，将所述一组在线就诊信息输入到信息识别网络模型，得到所述信息识别网络模型输出的第一时间节点对应的用户在线就诊信息的就诊交互记录，包括：
将所述第一时间节点对应的实时交互在线就诊信息和所述第一时间节点对应的延时交互在线就诊信息输入到所述就诊信息处理模型，得到所述就诊信息处理模型输出的第一就诊信息比较结果，以及将所述第二时间节点对应的实时交互在线就诊信息和所述第二时间节点对应的延时交互在线就诊信息输入到所述就诊信息处理模型，得到所述就诊信息处理模型输出的第二就诊信息比较结果，其中，所述就诊信息处理模型是使用多组第三训练样本通过深度学习训练得到的，所述多组第三训练样本中的每组第三训练样本包括：所述智慧医疗设备在同一时间节点采集得到的两组在线就诊信息和就诊信息比较标签；
将所述第一时间节点对应的延时交互在线就诊信息和所述第二时间节点对应的延时交互在线就诊信息输入到所述第二特征提取网络模型，得到所述第二特征提取网络模型输出的延时交互特征，其中，所述第二特征提取网络模型是使用多组第六训练样本通过深度学习训练得到的，所述多组第六训练样本中的每组第六训练样本包括：所述智慧医疗设备中的延时交互医疗设备在连续两个时间节点采集得到的在线就诊信息和交互特征标签；
使用所述第二场景解析模型对所述第一时间节点对应的延时交互在线就诊信息中的场景画像信息进行解析得到第三场景画像信息，其中，所述第二场景解析模型是使用多组第五训练样本通过深度学习训练得到的，所述多组第五训练样本中的每组第五训练样本包括：在线就诊信息和第二画像信息解析标签；
根据所述第一就诊信息比较结果、所述第二就诊信息比较结果、所述延时交互特征和所述第三场景画像信息确定所述第一时间节点对应的延时交互在线就诊信息的就诊交互记录。
进一步地，根据所述第一就诊信息比较结果、所述第二就诊信息比较结果、所述延时交互特征和所述第三场景画像信息确定所述第一时间节点对应的延时交互在线就诊信息的就诊交互记录，包括：
按照所述延时交互特征对所述第二就诊信息比较结果进行远程操作轨迹识别，得到将所述第二就诊信息比较结果映射到所述第一时间节点的第二就诊信息映射结果；
使用所述第一时间节点对应的延时交互在线就诊信息和所述第三场景画像信息对所述第二就诊信息映射结果进行调整，得到第二就诊信息调整结果；
通过所述第二就诊信息调整结果、所述第一就诊信息比较结果和所述延时交互特征得到所述第一时间节点对应的延时交互在线就诊信息的就诊交互记录。
进一步地，所述信息识别网络模型输出的所述第一时间节点对应的延时交互在线就诊信息的就诊交互记录与预定的所述第一时间节点对应的延时交互在线就诊信息的历史就诊交互记录之间的第二交互记录测评结果满足第二目标测评条件，所述第二目标测评条件用于表示所述第二交互记录测评结果的测评值在第二预定范围之内。
本发明还提供了一种智慧医疗服务器，包括处理器和存储器；所述处理器和所述存储器通信连接，所述处理器用于从所述存储器中读取计算机程序并执行，以实现上述的方法。
本公开的实施例提供的技术方案可以包括以下有益效果。
通过本发明，获取由智慧医疗设备在连续两个时间节点采集得到的一组在线就诊信息，将一组在线就诊信息输入到信息识别网络模型，得到信息识别网络模型输出的第一时间节点对应的用户在线就诊信息的就诊交互记录，根据第一时间节点对应的用户在线就诊信息的就诊交互记录确定第一时间节点对应的用户在线就诊信息中的远程操作画像信息。由于远程操作画像信息的确定使用的是与远程操作存在高关联性的就诊交互记录进行的，可以准确完整地识别出不同的就诊场景中远程操作目标事项，从就诊交互记录中识别远程操作目标事项，结合就诊场景分析将远程操作目标事项中的远程操作画像信息确定出来。本申请使用基于神经网络的就诊交互记录处理算法在保证就诊交互记录准确性和完整性的同时，实现了相比常规算法更快的处理速度。如此设计，能够基于远程操作画像信息确定用户在进行就诊操作时的各类行为习惯信息，可以为用户定制个性化的操作交互界面，从而提高智慧医疗交互的智能化程度，减少用户由于不熟悉操作界面而产生的各类误操作行为。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并于说明书一起用于解释本发明的原理。
图1是本发明实施例提供的一种智慧医疗服务器的硬件结构示意图。
图2是本发明实施例提供的一种应用于大数据智慧医疗的信息处理方法的流程图。
图3是本发明实施例提供的一种应用于大数据智慧医疗的信息处理装置的结构框图。
图4是本发明实施例提供的一种应用于大数据智慧医疗的信息处理系统的通信架构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
需要说明的是，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”等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。
本申请实施例一所提供的方法实施例可以在智慧医疗服务器、计算机终端或者类似的运算装置中执行。以运行在智慧医疗服务器上为例，图1是本发明实施例的一种应用于大数据智慧医疗的信息处理方法的智慧医疗服务器的硬件结构框图。如图1所示，智慧医疗服务器100可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104，可选地，上述智慧医疗服务器还可以包括用于通信功能的传输设备106。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述智慧医疗服务器100的结构造成限定。例如，智慧医疗服务器100还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的应用于大数据智慧医疗的信息处理方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至智慧医疗服务器100。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括智慧医疗服务器100的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器(Network Interface Controller，简称为NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频(RadioFrequency，简称为RF)模块，其用于通过无线方式与互联网进行通讯。
在本实施例中提供了一种运行于上述智慧医疗服务器的应用于大数据智慧医疗的信息处理方法，图2是根据本发明实施例的应用于大数据智慧医疗的信息处理方法的流程图，如图2所示，该流程包括如下步骤：
S202，获取由智慧医疗设备在连续两个时间节点采集得到的一组在线就诊信息，其中，连续两个时间节点包括第一时间节点和第二时间节点，所述智慧医疗设备包括实时交互医疗设备和延时交互医疗设备，所述实时交互医疗设备在第一时间节点采集得到的在线就诊信息为第一时间节点对应的实时交互在线就诊信息，所述延时交互医疗设备在第一时间节点采集得到的在线就诊信息为第一时间节点对应的延时交互在线就诊信息，所述实时交互医疗设备在第二时间节点采集得到的在线就诊信息为第二时间节点对应的实时交互在线就诊信息，所述延时交互医疗设备在第二时间节点采集得到的在线就诊信息为第二时间节点对应的延时交互在线就诊信息；
S204，将所述一组在线就诊信息输入到信息识别网络模型，得到所述信息识别网络模型输出的第一时间节点对应的用户在线就诊信息的就诊交互记录，其中，所述第一时间节点对应的用户在线就诊信息为所述第一时间节点对应的实时交互在线就诊信息或所述第一时间节点对应的延时交互在线就诊信息，所述信息识别网络模型是使用多组第一训练样本通过深度学习训练得到的，所述多组第一训练样本中的每组第一训练样本包括：所述智慧医疗设备在连续两个时间节点采集得到的在线就诊信息以及就诊交互记录标签；
S206，根据所述第一时间节点对应的用户在线就诊信息的就诊交互记录确定所述第一时间节点对应的用户在线就诊信息中的远程操作画像信息。
在一个可选的实施方式中，对于智慧医疗设备在前后两个连续的时间节点，第一时间节点T和第二时间节点T+1，有实时和延时两个医疗设备分别采集得到的一组在线就诊信息包括第一时间节点对应的实时交互在线就诊信息actual time_online interaction_T0，第一时间节点对应的延时交互在线就诊信息delayed_online interaction_T0，第二时间节点对应的实时交互在线就诊信息actual time_online interaction_T1，第二时间节点对应的延时交互在线就诊信息delayed_online interaction_T1四组在线就诊信息。在本实施例中可以将实时交互在线就诊信息作为基准在线就诊信息，也可以将延时交互在线就诊信息作为基准在线就诊信息。在将实时交互在线就诊信息作为基准在线就诊信息的情况下，第一时间节点对应的用户在线就诊信息为第一时间节点对应的实时交互在线就诊信息actual time_online interaction_T0。在将延时交互在线就诊信息作为基准在线就诊信息作为基准在线就诊信息的情况下，第一时间节点对应的用户在线就诊信息为第一时间节点对应的延时交互在线就诊信息delayed_online interaction_T0。
作为一个可选的实施方式，信息识别网络模型是使用多组训练样本通过深度学习训练得到的，将一组在线就诊信息输入至该信息识别网络模型可以得到第一时间节点对应的实时交互在线就诊信息actual time_online interaction_T0的就诊交互记录，也可以得到延时交互在线就诊信息delayed_online interaction_T0的就诊交互记录。通过该就诊交互记录可以确定出在第一时间节点对应的实时交互在线就诊信息actual time_online interaction_T0中远程操作的画像信息，也可以确定出在第一时间节点对应的延时交互在线就诊信息delayed_online interaction_T0中远程操作的画像信息。
通过上述步骤，获取由智慧医疗设备在连续两个时间节点采集得到的一组在线就诊信息，将一组在线就诊信息输入到信息识别网络模型，得到信息识别网络模型输出的第一时间节点对应的用户在线就诊信息的就诊交互记录，根据第一时间节点对应的用户在线就诊信息的就诊交互记录确定第一时间节点对应的用户在线就诊信息中的远程操作画像信息。由于远程操作画像信息的确定使用的是与远程操作存在高关联性的就诊交互记录进行的，可以准确完整地识别出不同的就诊场景中远程操作目标事项，从就诊交互记录中识别远程操作目标事项，结合就诊场景分析将远程操作目标事项中的远程操作画像信息确定出来。本申请使用基于神经网络的就诊交互记录处理算法在保证就诊交互记录准确性和完整性的同时，实现了相比常规算法更快的处理速度。如此设计，能够基于远程操作画像信息确定用户在进行就诊操作时的各类行为习惯信息，可以为用户定制个性化的操作交互界面，从而提高智慧医疗交互的智能化程度，减少用户由于不熟悉操作界面而产生的各类误操作行为。
另外，上述步骤的执行主体可以为终端等，但不限于此。
可选地，根据所述第一时间节点对应的用户在线就诊信息的就诊交互记录确定所述第一时间节点对应的用户在线就诊信息中的远程操作画像信息，包括：通过记录分析算法对所述就诊交互记录进行分析，得到所述第一时间节点对应的用户在线就诊信息中的远程操作事项；使用第一场景解析模型对所述第一时间节点对应的用户在线就诊信息中的场景画像信息进行解析得到第一场景画像信息，其中，所述第一场景解析模型是使用多组第二训练样本通过深度学习训练得到的，所述多组第二训练样本中的每组第二训练样本包括：在线就诊信息以及第一解析标签；将所述远程操作事项与所述第一场景画像信息进行匹配得到所述远程操作画像信息。
作为一个可选的实施方式，可以采用记录分析方法解析第一时间节点对应的实时交互在线就诊信息actual time_online interaction_T0或第一时间节点对应的延时交互在线就诊信息delayed_online interaction_T0中的远程操作目标事项，下面为解析远程操作目标事项的相关内容，其中主要包括以下3个步骤：（1）使用预设分类器提取就诊交互记录；（2）使用基于多维特征聚类的记录分析算法对就诊交互记录进行记录分析；（3）解析远程操作事项和操作反馈事项，提取出远程操作目标事项。
远程操作目标事项解析得到的结果可能包含多个远程操作目标，通过基于用户在线就诊信息的场景解析方法将远程操作目标事项的每个目标场景确定出来。本实施例中第一场景解析模型可以是基于深度学习的神经网络，使用基于深度学习的神经网络对实时交互在线就诊关键信息actual time_online interaction_T0或延时交互在线就诊信息delayed_online interaction_T0进行场景解析，得到每个就诊场景的场景特征。然后通过场景特征进行场景解析并进行远程操作事项解析，能够得到远程操作目标事项。通过就诊交互记录远程操作目标事项对应的事项解析和场景解析来进行远程操作画像信息的确定，既可以利用就诊交互记录与目标远程操作的高关联性的特性，也可以利用场景解析的时效性的的优点，这样可以快速、准确地得到远程操作画像信息。
可选地，所述信息识别网络模型中包括就诊信息处理模型、第一特征提取网络模型和第二场景解析模型，其中，将所述一组在线就诊信息输入到信息识别网络模型，得到所述信息识别网络模型输出的第一时间节点对应的用户在线就诊信息的就诊交互记录，包括：将所述第一时间节点对应的实时交互在线就诊信息和所述第一时间节点对应的延时交互在线就诊信息输入到所述就诊信息处理模型，得到所述就诊信息处理模型输出的第一就诊信息比较结果，以及将所述第二时间节点对应的实时交互在线就诊信息和所述第二时间节点对应的延时交互在线就诊信息输入到所述就诊信息处理模型，得到所述就诊信息处理模型输出的第二就诊信息比较结果，其中，所述就诊信息处理模型是使用多组第三训练样本通过深度学习训练得到的，所述多组第三训练样本中的每组第三训练样本包括：所述智慧医疗设备在同一时间节点采集得到的两组在线就诊信息和就诊信息比较标签；将所述第一时间节点对应的实时交互在线就诊信息和所述第二时间节点对应的实时交互在线就诊信息输入到所述第一特征提取网络模型，得到所述第一特征提取网络模型输出的在线就诊关键特征，其中，所述第一特征提取网络模型是使用多组第四训练样本通过深度学习训练得到的，所述多组第四训练样本中的每组第四训练样本包括：所述智慧医疗设备中的实时交互医疗设备在连续两个时间节点采集得到的在线就诊信息和交互特征标签；使用第二场景解析模型对所述第一时间节点对应的实时交互在线就诊信息中的场景画像信息进行解析得到第二场景画像信息，其中，所述第二场景解析模型是使用多组第五训练样本通过深度学习训练得到的，所述多组第五训练样本中的每组第五训练样本包括：在线就诊信息和第二画像信息解析标签；根据所述第一就诊信息比较结果、所述第二就诊信息比较结果、所述在线就诊关键特征和所述第二场景画像信息确定所述第一时间节点对应的实时交互在线就诊信息的就诊交互记录。
在一个可选的实施方式中，在相关实施例中将实时交互在线就诊关键信息actualtime_online interaction_T0作为基准在线就诊信息，例如，对于信息识别网络模型而言，该信息识别网络模型中可以包括就诊信息处理模型、第一特征提取网络模型和第二场景解析模型，将actual time_online interaction_T0，delayed_online interaction_T0输入就诊信息处理模型计算出第一就诊信息比较结果result_T0，其中，就诊信息处理模型可以是卷积神经网络，将actual time_online interaction_T1，delayed_onlineinteraction_T1输入就诊信息处理模型计算出第二就诊信息比较结果result_T1，将actual time_online interaction_T0和actual time_online interaction_T1输入至特征提取网络模型计算出在线就诊关键特征characteristic，其中，特征提取网络模型可以是前向反馈神经网络。
可选地，根据所述第一就诊信息比较结果、所述第二就诊信息比较结果、所述在线就诊关键特征和所述第二场景画像信息确定所述第一时间节点对应的实时交互在线就诊信息的就诊交互记录，包括：按照所述在线就诊关键特征对所述第二就诊信息比较结果进行远程操作轨迹识别，得到将所述第二就诊信息比较结果映射到所述第一时间节点的第一就诊信息映射结果；使用所述第一时间节点对应的实时交互在线就诊信息和所述第二场景画像信息对所述第一就诊信息映射结果进行调整，得到第一就诊信息调整结果；通过所述第一就诊信息调整结果、所述第一就诊信息比较结果和所述在线就诊关键特征得到所述第一时间节点对应的实时交互在线就诊信息的就诊交互记录。
在一个可选的实施方式中，利用在线就诊关键特征的结果将result_T1按远程操作轨迹识别，使得每个特征的特征属性值变为T0时间节点的属性值，进而得到后续的就诊交互记录。本实施例中针对就诊交互记录的确定使用了基于深度学习的方法，可以快速、准确地确定就诊交互记录。
可选地，所述信息识别网络模型输出的所述第一时间节点对应的实时交互在线就诊信息的就诊交互记录与预定的所述第一时间节点对应的实时交互在线就诊信息的历史就诊交互记录之间的第一交互记录测评结果满足第一目标测评条件，所述第一目标测评条件用于表示所述第一交互记录测评结果的测评值在第一预定范围之内。
在一个可选的实施方式中，就诊交互记录网络可以预先配置两个交互记录测评结果对就诊交互过程进行指导。第一个交互记录测评结果为Assess1，由第一就诊信息比较结果result_T0和经过在线就诊关键特征characteristic将第二就诊信息比较结果result_T1映射后的就诊信息映射结果result_X确定得到。第二个交互记录测评结果Assess2，由就诊交互记录和样本标签确定得到。
可选地，所述信息识别网络模型中包括就诊信息处理模型、第二特征提取网络模型和第二场景解析模型，其中，将所述一组在线就诊信息输入到信息识别网络模型，得到所述信息识别网络模型输出的第一时间节点对应的用户在线就诊信息的就诊交互记录，包括：将所述第一时间节点对应的实时交互在线就诊信息和所述第一时间节点对应的延时交互在线就诊信息输入到所述就诊信息处理模型，得到所述就诊信息处理模型输出的第一就诊信息比较结果，以及将所述第二时间节点对应的实时交互在线就诊信息和所述第二时间节点对应的延时交互在线就诊信息输入到所述就诊信息处理模型，得到所述就诊信息处理模型输出的第二就诊信息比较结果，其中，所述就诊信息处理模型是使用多组第三训练样本通过深度学习训练得到的，所述多组第三训练样本中的每组第三训练样本包括：所述智慧医疗设备在同一时间节点采集得到的两组在线就诊信息和就诊信息比较标签；将所述第一时间节点对应的延时交互在线就诊信息和所述第二时间节点对应的延时交互在线就诊信息输入到所述第二特征提取网络模型，得到所述第二特征提取网络模型输出的延时交互特征，其中，所述第二特征提取网络模型是使用多组第六训练样本通过深度学习训练得到的，所述多组第六训练样本中的每组第六训练样本包括：所述智慧医疗设备中的延时交互医疗设备在连续两个时间节点采集得到的在线就诊信息和交互特征标签；使用所述第二场景解析模型对所述第一时间节点对应的延时交互在线就诊信息中的场景画像信息进行解析得到第三场景画像信息，其中，所述第二场景解析模型是使用多组第五训练样本通过深度学习训练得到的，所述多组第五训练样本中的每组第五训练样本包括：在线就诊信息和第二画像信息解析标签；根据所述第一就诊信息比较结果、所述第二就诊信息比较结果、所述延时交互特征和所述第三场景画像信息确定所述第一时间节点对应的延时交互在线就诊信息的就诊交互记录。
作为一个可选的实施方式，在本实施例中将延时交互在线就诊关键信息delayed_online interaction_T0作为基准在线就诊信息，该信息识别网络模型中包括就诊信息处理模型、第二特征提取网络模型和第二场景解析模型，将actual time_onlineinteraction_T0，delayed_online interaction_T0输入就诊信息处理模型计算出第一就诊信息比较结果result_T0，其中，就诊信息处理模型可以是卷积神经网络，将actualtime_online interaction_T1，delayed_online interaction_T1输入就诊信息处理模型计算出第二就诊信息比较结果result_T1，将delayed_online interaction_T0和delayed_online interaction_T1输入至特征提取网络模型计算出延时交互特征characteristic，其中，特征提取网络模型可以是前向反馈神经网络。
可选地，根据所述第一就诊信息比较结果、所述第二就诊信息比较结果、所述延时交互特征和所述第三场景画像信息确定所述第一时间节点对应的延时交互在线就诊信息的就诊交互记录，包括：按照所述延时交互特征对所述第二就诊信息比较结果进行远程操作轨迹识别，得到将所述第二就诊信息比较结果映射到所述第一时间节点的第二就诊信息映射结果；使用所述第一时间节点对应的延时交互在线就诊信息和所述第三场景画像信息对所述第二就诊信息映射结果进行调整，得到第二就诊信息调整结果；通过所述第二就诊信息调整结果、所述第一就诊信息比较结果和所述延时交互特征得到所述第一时间节点对应的延时交互在线就诊信息的就诊交互记录。
在一个可选的实施方式中，利用延时交互特征的结果将result_T1按远程操作轨迹识别，使得每个操作行为事件的特征属性值变为T0时间节点的属性值，得到就诊信息映射结果result_X。
可选地，所述信息识别网络模型输出的所述第一时间节点对应的延时交互在线就诊信息的就诊交互记录与预定的所述第一时间节点对应的延时交互在线就诊信息的历史就诊交互记录之间的第二交互记录测评结果满足第二目标测评条件，所述第二目标测评条件用于表示所述第二交互记录测评结果的测评值在第二预定范围之内。
作为一个可选的实施方式，可以为就诊交互记录网络预先设置两个交互记录测评结果以对就诊交互过程进行指导。第一个交互记录测评结果为Assess1，由第一就诊信息比较结果result_T0和经过在线就诊关键特征characteristic将第二就诊信息比较结果result_T1映射后的就诊信息映射结果result_X确定得到。第二个交互记录测评结果Assess2，由就诊交互记录和样本标签确定得到。
在上述内容的基础上，在确定出用户在线就诊信息中的远程操作画像信息之后，还可以包括针对远程操作画像信息进行个性化操作画面配置的技术方案，基于此，在上述S202-S206的基础上，还可以包括以下内容：根据所述远程操作画像信息确定操作行为习惯信息，通过所述操作行为习惯信息确定与所述远程操作画像信息对应的操作交互界面的可视化输出策略。
在相关的实施例中，上述步骤“根据所述远程操作画像信息确定操作行为习惯信息，通过所述操作行为习惯信息确定与所述远程操作画像信息对应的操作交互界面的可视化输出策略”，可以通过以下步骤S302-S308所描述的内容实现。
S302，基于所述远程操作画像信息对应的画像知识图谱确定目标就诊用户的操作行为习惯信息。
在本实施例中，画像知识图谱可以是基于远程操作画像信息整理得到的知识图谱，目标就诊用户可以是进行在线就诊的用户，操作行为习惯信息用于表征目标就诊用户进行在线就诊时的操作行为习惯信息比如点击操作习惯或者滑动操作习惯等。
S304，对所述目标就诊用户的第一操作行为特征进行识别，得到所述第一操作行为特征的操作行为特征信息。
在本实施例中，第一操作行为特征表征目标就诊用户在进行在线就诊时的行为特征，操作行为特征信息表征对目标就诊用户的第一操作行为特征进行识别所得到的行为特征信息，操作行为特征信息可以是文本信息也可以是图数据信息，在此不作限定。其中，对所述目标就诊用户的第一操作行为特征进行识别，得到所述第一操作行为特征的操作行为特征信息，具体还可以包括：对所述目标就诊用户的第一操作行为特征进行识别，得到所述第一操作行为特征的交互界面需求信息以及所述第一操作行为特征的交互界面需求信息的第一交互需求描述信息。
S306，判断所述目标就诊用户的用户标签类型是否为目标用户标签类型；如果所述目标就诊用户的用户标签类型为所述目标用户标签类型，判断所述操作行为习惯信息中是否包括所述目标就诊用户的可视化操作习惯特征；如果所述操作行为习惯信息中包括所述目标就诊用户的可视化操作习惯特征，对所述目标就诊用户的第二操作行为特征进行识别，得到所述第二操作行为特征的操作行为特征信息。在本实施例中，用户标签类型表征目标就诊用户的身份标签信息，目标用户标签类型可以表征为进行在线就诊时对应的就诊行为标签，可视化操作习惯特征可以是用户面对可视化界面时的相关操作习惯对应的特征信息，第二操作行为特征可以是与第一操作行为特征不相同的操作行为特征。其中，所述如果所述操作行为习惯信息中包括所述目标就诊用户的可视化操作习惯特征，对所述目标就诊用户的第二操作行为特征进行识别，得到所述第二操作行为特征的操作行为特征信息，具体还可以包括：对所述目标就诊用户的第二操作行为特征进行识别，得到所述第二操作行为特征的交互界面需求信息以及所述第二操作行为特征的交互界面需求信息的第二交互需求描述信息。
S308，基于所述第一操作行为特征的操作行为特征信息与所述第二操作行为特征的操作行为特征信息确定所述目标就诊用户的交互界面需求信息；通过所述交互界面需求信息生成对应的可视化输出策略。
在本实施例中，交互界面需求信息表征根据目标就诊用户的自身需求所确定得到的需求信息。进一步地，可视化输出策略可以用于指示对哪些交互图像单元进行排布从而迎合用户的操作习惯，这样可以提高在线就诊的交互智能化程度。基于此，基于所述第一操作行为特征的操作行为特征信息与所述第二操作行为特征的操作行为特征信息确定所述目标就诊用户的交互界面需求信息，具体还可以包括：基于所述第一交互界面需求信息和所述第二交互界面需求信息或/和所述第一交互需求描述信息和所述第二交互需求描述信息确定所述目标就诊用户的交互界面需求信息。在一个可选的实施方式中，所述第一交互需求描述信息包括所述第一交互界面需求信息中的每个需求片段的交互需求描述信息；所述第二交互需求描述信息包括所述第二交互界面需求信息中的每个需求片段的交互需求描述信息，其中，基于所述第一交互界面需求信息和所述第二交互界面需求信息或/和所述第一交互需求描述信息和所述第二交互需求描述信息确定所述目标就诊用户的交互界面需求信息，具体还可以包括：逐一比较所述第一交互界面需求信息中的每个需求片段与其交互策略对应的所述第二交互界面需求信息的需求片段是否相同；如果相同，根据所述需求片段确定所述目标就诊用户的交互界面需求信息对应交互策略的交互界面需求特征；如果不相同，比较所述第一交互界面需求信息的需求片段的交互需求描述信息与所述第二交互界面需求信息对应交互策略的需求片段的交互需求描述信息对应的描述值的大小；根据交互需求描述信息对应的描述值大的需求片段确定所述目标就诊用户的交互界面需求信息对应交互策略的交互界面需求特征。
在一个可选的实施方式中，第一交互需求描述信息还包括所述第一操作行为特征的交互需求描述信息，所述第二交互需求描述信息还包括所述第二操作行为特征的交互需求描述信息，基于此，所述方法还包括：如果所述第一交互界面需求信息的需求片段的交互需求描述信息与所述第二交互界面需求信息对应交互策略对应的的需求片段的交互需求描述信息相关联，比较所述第一操作行为特征的交互需求描述信息的描述值以及所述第二操作行为特征的交互需求描述信息的描述值之间的大小；根据交互需求描述信息的描述值大的交互界面需求信息的对应交互策略的需求片段确定所述交互界面需求特征。
可以理解，基于上述步骤S302-S308，首先确定出目标就诊用户的操作行为习惯信息，其次对目标就诊用户的第一操作行为特征进行识别，得到第一操作行为特征的操作行为特征信息，这样能够准确地识别出目标就诊用户在进行在线就诊时的各类行为习惯信息，此外，为了对目标就诊用户定制个性化的操作交互界面，进一步对操作行为习惯信息中的可视化操作习惯特征进行判断，并根据判断结果对目标就诊用户的第二操作行为特征进行识别，以得到与第一操作行为特征不相同的第二操作行为特征信息，最后根据操作行为特征信息确定目标就诊用户的交互界面需求信息，这样能够根据交互界面需求信息实时生成对应的可视化输出策略，从而提高智慧医疗交互的智能化程度，减少用户由于不熟悉操作界面而产生的各类误操作行为。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，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的方法。
在本实施例中还提供了一种应用于大数据智慧医疗的信息处理方法装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图3是根据本发明实施例的应用于大数据智慧医疗的信息处理装置的结构框图，如图3所示，该装置包括：获取模块310，用于获取由智慧医疗设备在连续两个时间节点采集得到的一组在线就诊信息，其中，连续两个时间节点包括第一时间节点和第二时间节点，所述智慧医疗设备包括实时交互医疗设备和延时交互医疗设备，所述实时交互医疗设备在第一时间节点采集得到的在线就诊信息为第一时间节点对应的实时交互在线就诊信息，所述延时交互医疗设备在第一时间节点采集得到的在线就诊信息为第一时间节点对应的延时交互在线就诊信息，所述实时交互医疗设备在第二时间节点采集得到的在线就诊信息为第二时间节点对应的实时交互在线就诊信息，所述延时交互医疗设备在第二时间节点采集得到的在线就诊信息为第二时间节点对应的延时交互在线就诊信息；输出模块320，用于将所述一组在线就诊信息输入到信息识别网络模型，得到所述信息识别网络模型输出的第一时间节点对应的用户在线就诊信息的就诊交互记录，其中，所述第一时间节点对应的用户在线就诊信息为所述第一时间节点对应的实时交互在线就诊信息或所述第一时间节点对应的延时交互在线就诊信息，所述信息识别网络模型是使用多组第一训练样本通过深度学习训练得到的，所述多组第一训练样本中的每组第一训练样本包括：所述智慧医疗设备在连续两个时间节点采集得到的在线就诊信息以及就诊交互记录标签；确定模块330，用于根据所述第一时间节点对应的用户在线就诊信息的就诊交互记录确定所述第一时间节点对应的用户在线就诊信息中的远程操作画像信息。
可选地，上述装置通过如下方式实现所述根据所述第一时间节点对应的用户在线就诊信息的就诊交互记录确定所述第一时间节点对应的用户在线就诊信息中的远程操作画像信息：通过记录分析算法对所述就诊交互记录进行分析，得到所述第一时间节点对应的用户在线就诊信息中的远程操作事项；使用第一场景解析模型对所述第一时间节点对应的用户在线就诊信息中的场景画像信息进行解析得到第一场景画像信息，其中，所述第一场景解析模型是使用多组第二训练样本通过深度学习训练得到的，所述多组第二训练样本中的每组第二训练样本包括：在线就诊信息以及第一解析标签；将所述远程操作事项与所述第一场景画像信息进行匹配得到所述远程操作画像信息。
可选地，上述装置通过如下方式实现所述信息识别网络模型中包括就诊信息处理模型、第一特征提取网络模型和第二场景解析模型，其中，将所述一组在线就诊信息输入到信息识别网络模型，得到所述信息识别网络模型输出的第一时间节点对应的用户在线就诊信息的就诊交互记录：将所述第一时间节点对应的实时交互在线就诊信息和所述第一时间节点对应的延时交互在线就诊信息输入到所述就诊信息处理模型，得到所述就诊信息处理模型输出的第一就诊信息比较结果，以及将所述第二时间节点对应的实时交互在线就诊信息和所述第二时间节点对应的延时交互在线就诊信息输入到所述就诊信息处理模型，得到所述就诊信息处理模型输出的第二就诊信息比较结果，其中，所述就诊信息处理模型是使用多组第三训练样本通过深度学习训练得到的，所述多组第三训练样本中的每组第三训练样本包括：所述智慧医疗设备在同一时间节点采集得到的两组在线就诊信息和就诊信息比较标签；将所述第一时间节点对应的实时交互在线就诊信息和所述第二时间节点对应的实时交互在线就诊信息输入到所述第一特征提取网络模型，得到所述第一特征提取网络模型输出的在线就诊关键特征，其中，所述第一特征提取网络模型是使用多组第四训练样本通过深度学习训练得到的，所述多组第四训练样本中的每组第四训练样本包括：所述智慧医疗设备中的实时交互医疗设备在连续两个时间节点采集得到的在线就诊信息和交互特征标签；使用第二场景解析模型对所述第一时间节点对应的实时交互在线就诊信息中的场景画像信息进行解析得到第二场景画像信息，其中，所述第二场景解析模型是使用多组第五训练样本通过深度学习训练得到的，所述多组第五训练样本中的每组第五训练样本包括：在线就诊信息和第二画像信息解析标签；根据所述第一就诊信息比较结果、所述第二就诊信息比较结果、所述在线就诊关键特征和所述第二场景画像信息确定所述第一时间节点对应的实时交互在线就诊信息的就诊交互记录。
可选地，上述装置用于通过如下方式实现所述根据所述第一就诊信息比较结果、所述第二就诊信息比较结果、所述在线就诊关键特征和所述第二场景画像信息确定所述第一时间节点对应的实时交互在线就诊信息的就诊交互记录：按照所述在线就诊关键特征对所述第二就诊信息比较结果进行远程操作轨迹识别，得到将所述第二就诊信息比较结果映射到所述第一时间节点的第一就诊信息映射结果；使用所述第一时间节点对应的实时交互在线就诊信息和所述第二场景画像信息对所述第一就诊信息映射结果进行调整，得到第一就诊信息调整结果；通过所述第一就诊信息调整结果、所述第一就诊信息比较结果和所述在线就诊关键特征得到所述第一时间节点对应的实时交互在线就诊信息的就诊交互记录。
可选地，所述信息识别网络模型输出的所述第一时间节点对应的实时交互在线就诊信息的就诊交互记录与预定的所述第一时间节点对应的实时交互在线就诊信息的历史就诊交互记录之间的第一交互记录测评结果满足第一目标测评条件，所述第一目标测评条件用于表示所述第一交互记录测评结果的测评值在第一预定范围之内。
可选地，所述信息识别网络模型中包括就诊信息处理模型、第二特征提取网络模型和第二场景解析模型，上述装置用于通过如下方式实现所述将所述一组在线就诊信息输入到信息识别网络模型，得到所述信息识别网络模型输出的第一时间节点对应的用户在线就诊信息的就诊交互记录：将所述第一时间节点对应的实时交互在线就诊信息和所述第一时间节点对应的延时交互在线就诊信息输入到所述就诊信息处理模型，得到所述就诊信息处理模型输出的第一就诊信息比较结果，以及将所述第二时间节点对应的实时交互在线就诊信息和所述第二时间节点对应的延时交互在线就诊信息输入到所述就诊信息处理模型，得到所述就诊信息处理模型输出的第二就诊信息比较结果，其中，所述就诊信息处理模型是使用多组第三训练样本通过深度学习训练得到的，所述多组第三训练样本中的每组第三训练样本包括：所述智慧医疗设备在同一时间节点采集得到的两组在线就诊信息和就诊信息比较标签；将所述第一时间节点对应的延时交互在线就诊信息和所述第二时间节点对应的延时交互在线就诊信息输入到所述第二特征提取网络模型，得到所述第二特征提取网络模型输出的延时交互特征，其中，所述第二特征提取网络模型是使用多组第六训练样本通过深度学习训练得到的，所述多组第六训练样本中的每组第六训练样本包括：所述智慧医疗设备中的延时交互医疗设备在连续两个时间节点采集得到的在线就诊信息和交互特征标签；使用所述第二场景解析模型对所述第一时间节点对应的延时交互在线就诊信息中的场景画像信息进行解析得到第三场景画像信息，其中，所述第二场景解析模型是使用多组第五训练样本通过深度学习训练得到的，所述多组第五训练样本中的每组第五训练样本包括：在线就诊信息和第二画像信息解析标签；根据所述第一就诊信息比较结果、所述第二就诊信息比较结果、所述延时交互特征和所述第三场景画像信息确定所述第一时间节点对应的延时交互在线就诊信息的就诊交互记录。
可选地，上述装置还用于通过如下方式实现所述根据所述第一就诊信息比较结果、所述第二就诊信息比较结果、所述延时交互特征和所述第三场景画像信息确定所述第一时间节点对应的延时交互在线就诊信息的就诊交互记录：按照所述延时交互特征对所述第二就诊信息比较结果进行远程操作轨迹识别，得到将所述第二就诊信息比较结果映射到所述第一时间节点的第二就诊信息映射结果；使用所述第一时间节点对应的延时交互在线就诊信息和所述第三场景画像信息对所述第二就诊信息映射结果进行调整，得到第二就诊信息调整结果；通过所述第二就诊信息调整结果、所述第一就诊信息比较结果和所述延时交互特征得到所述第一时间节点对应的延时交互在线就诊信息的就诊交互记录。
可选地，所述信息识别网络模型输出的所述第一时间节点对应的延时交互在线就诊信息的就诊交互记录与预定的所述第一时间节点对应的延时交互在线就诊信息的历史就诊交互记录之间的第二交互记录测评结果满足第二目标测评条件，所述第二目标测评条件用于表示所述第二交互记录测评结果的测评值在第二预定范围之内。
需要说明的是，上述各个模块是可以通过软件或硬件来实现的，对于后者，可以通过以下方式实现，但不限于此：上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。
本发明的实施例还提供了一种存储介质，该存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
可选地，在本实施例中，上述存储介质可以包括但不限于：U盘、只读存储器(Read-Only Memory，简称为ROM)、随机存取存储器(Random Access Memory，简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
在上述基础上，请结合图4，基于上述同样的发明构思，本发明还提供了一种应用于大数据智慧医疗的信息处理系统400，所述系统包括相互通信的智慧医疗服务器100及智慧医疗设备200，其中，智慧医疗服务器100获取由智慧医疗设备200在连续两个时间节点采集得到的一组在线就诊信息；将所述一组在线就诊信息输入到信息识别网络模型，得到所述信息识别网络模型输出的第一时间节点对应的用户在线就诊信息的就诊交互记录；根据所述第一时间节点对应的用户在线就诊信息的就诊交互记录确定所述第一时间节点对应的用户在线就诊信息中的远程操作画像信息。
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围执行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

Claims (10)

1.一种应用于大数据智慧医疗的信息处理方法，其特征在于，应用于智慧医疗服务器，包括：
获取由智慧医疗设备在连续两个时间节点采集得到的一组在线就诊信息；
将所述一组在线就诊信息输入到信息识别网络模型，得到所述信息识别网络模型输出的第一时间节点对应的用户在线就诊信息的就诊交互记录；
根据所述第一时间节点对应的用户在线就诊信息的就诊交互记录确定所述第一时间节点对应的用户在线就诊信息中的远程操作画像信息。
2.根据权利要求1所述的方法，其特征在于，连续两个时间节点包括第一时间节点和第二时间节点，所述智慧医疗设备包括实时交互医疗设备和延时交互医疗设备，所述实时交互医疗设备在第一时间节点采集得到的在线就诊信息为第一时间节点对应的实时交互在线就诊信息，所述延时交互医疗设备在第一时间节点采集得到的在线就诊信息为第一时间节点对应的延时交互在线就诊信息，所述实时交互医疗设备在第二时间节点采集得到的在线就诊信息为第二时间节点对应的实时交互在线就诊信息，所述延时交互医疗设备在第二时间节点采集得到的在线就诊信息为第二时间节点对应的延时交互在线就诊信息；
所述第一时间节点对应的用户在线就诊信息为所述第一时间节点对应的实时交互在线就诊信息或所述第一时间节点对应的延时交互在线就诊信息，所述信息识别网络模型是使用多组第一训练样本通过深度学习训练得到的，所述多组第一训练样本中的每组第一训练样本包括：所述智慧医疗设备在连续两个时间节点采集得到的在线就诊信息以及就诊交互记录标签。
3.根据权利要求2所述的方法，其特征在于，根据所述第一时间节点对应的用户在线就诊信息的就诊交互记录确定所述第一时间节点对应的用户在线就诊信息中的远程操作画像信息，包括：
通过记录分析算法对所述就诊交互记录进行分析，得到所述第一时间节点对应的用户在线就诊信息中的远程操作事项；
使用第一场景解析模型对所述第一时间节点对应的用户在线就诊信息中的场景画像信息进行解析得到第一场景画像信息，其中，所述第一场景解析模型是使用多组第二训练样本通过深度学习训练得到的，所述多组第二训练样本中的每组第二训练样本包括：在线就诊信息以及第一解析标签；
将所述远程操作事项与所述第一场景画像信息进行匹配得到所述远程操作画像信息。
4.根据权利要求2所述的方法，其特征在于，所述信息识别网络模型中包括就诊信息处理模型、第一特征提取网络模型和第二场景解析模型，其中，将所述一组在线就诊信息输入到信息识别网络模型，得到所述信息识别网络模型输出的第一时间节点对应的用户在线就诊信息的就诊交互记录，包括：
将所述第一时间节点对应的实时交互在线就诊信息和所述第一时间节点对应的延时交互在线就诊信息输入到所述就诊信息处理模型，得到所述就诊信息处理模型输出的第一就诊信息比较结果，以及将所述第二时间节点对应的实时交互在线就诊信息和所述第二时间节点对应的延时交互在线就诊信息输入到所述就诊信息处理模型，得到所述就诊信息处理模型输出的第二就诊信息比较结果，其中，所述就诊信息处理模型是使用多组第三训练样本通过深度学习训练得到的，所述多组第三训练样本中的每组第三训练样本包括：所述智慧医疗设备在同一时间节点采集得到的两组在线就诊信息和就诊信息比较标签；
将所述第一时间节点对应的实时交互在线就诊信息和所述第二时间节点对应的实时交互在线就诊信息输入到所述第一特征提取网络模型，得到所述第一特征提取网络模型输出的在线就诊关键特征，其中，所述第一特征提取网络模型是使用多组第四训练样本通过深度学习训练得到的，所述多组第四训练样本中的每组第四训练样本包括：所述智慧医疗设备中的实时交互医疗设备在连续两个时间节点采集得到的在线就诊信息和交互特征标签；
使用第二场景解析模型对所述第一时间节点对应的实时交互在线就诊信息中的场景画像信息进行解析得到第二场景画像信息，其中，所述第二场景解析模型是使用多组第五训练样本通过深度学习训练得到的，所述多组第五训练样本中的每组第五训练样本包括：在线就诊信息和第二画像信息解析标签；
根据所述第一就诊信息比较结果、所述第二就诊信息比较结果、所述在线就诊关键特征和所述第二场景画像信息确定所述第一时间节点对应的实时交互在线就诊信息的就诊交互记录。
5.根据权利要求4所述的方法，其特征在于，根据所述第一就诊信息比较结果、所述第二就诊信息比较结果、所述在线就诊关键特征和所述第二场景画像信息确定所述第一时间节点对应的实时交互在线就诊信息的就诊交互记录，包括：
按照所述在线就诊关键特征对所述第二就诊信息比较结果进行远程操作轨迹识别，得到将所述第二就诊信息比较结果映射到所述第一时间节点的第一就诊信息映射结果；
使用所述第一时间节点对应的实时交互在线就诊信息和所述第二场景画像信息对所述第一就诊信息映射结果进行调整，得到第一就诊信息调整结果；
通过所述第一就诊信息调整结果、所述第一就诊信息比较结果和所述在线就诊关键特征得到所述第一时间节点对应的实时交互在线就诊信息的就诊交互记录。
6.根据权利要求4或5所述的方法，其特征在于，所述信息识别网络模型输出的所述第一时间节点对应的实时交互在线就诊信息的就诊交互记录与预定的所述第一时间节点对应的实时交互在线就诊信息的历史就诊交互记录之间的第一交互记录测评结果满足第一目标测评条件，所述第一目标测评条件用于表示所述第一交互记录测评结果的测评值在第一预定范围之内。
7.根据权利要求2所述的方法，其特征在于，所述信息识别网络模型中包括就诊信息处理模型、第二特征提取网络模型和第二场景解析模型，其中，将所述一组在线就诊信息输入到信息识别网络模型，得到所述信息识别网络模型输出的第一时间节点对应的用户在线就诊信息的就诊交互记录，包括：
将所述第一时间节点对应的实时交互在线就诊信息和所述第一时间节点对应的延时交互在线就诊信息输入到所述就诊信息处理模型，得到所述就诊信息处理模型输出的第一就诊信息比较结果，以及将所述第二时间节点对应的实时交互在线就诊信息和所述第二时间节点对应的延时交互在线就诊信息输入到所述就诊信息处理模型，得到所述就诊信息处理模型输出的第二就诊信息比较结果，其中，所述就诊信息处理模型是使用多组第三训练样本通过深度学习训练得到的，所述多组第三训练样本中的每组第三训练样本包括：所述智慧医疗设备在同一时间节点采集得到的两组在线就诊信息和就诊信息比较标签；
将所述第一时间节点对应的延时交互在线就诊信息和所述第二时间节点对应的延时交互在线就诊信息输入到所述第二特征提取网络模型，得到所述第二特征提取网络模型输出的延时交互特征，其中，所述第二特征提取网络模型是使用多组第六训练样本通过深度学习训练得到的，所述多组第六训练样本中的每组第六训练样本包括：所述智慧医疗设备中的延时交互医疗设备在连续两个时间节点采集得到的在线就诊信息和交互特征标签；
使用所述第二场景解析模型对所述第一时间节点对应的延时交互在线就诊信息中的场景画像信息进行解析得到第三场景画像信息，其中，所述第二场景解析模型是使用多组第五训练样本通过深度学习训练得到的，所述多组第五训练样本中的每组第五训练样本包括：在线就诊信息和第二画像信息解析标签；
根据所述第一就诊信息比较结果、所述第二就诊信息比较结果、所述延时交互特征和所述第三场景画像信息确定所述第一时间节点对应的延时交互在线就诊信息的就诊交互记录。
8.根据权利要求7所述的方法，其特征在于，根据所述第一就诊信息比较结果、所述第二就诊信息比较结果、所述延时交互特征和所述第三场景画像信息确定所述第一时间节点对应的延时交互在线就诊信息的就诊交互记录，包括：
按照所述延时交互特征对所述第二就诊信息比较结果进行远程操作轨迹识别，得到将所述第二就诊信息比较结果映射到所述第一时间节点的第二就诊信息映射结果；
使用所述第一时间节点对应的延时交互在线就诊信息和所述第三场景画像信息对所述第二就诊信息映射结果进行调整，得到第二就诊信息调整结果；
通过所述第二就诊信息调整结果、所述第一就诊信息比较结果和所述延时交互特征得到所述第一时间节点对应的延时交互在线就诊信息的就诊交互记录。
9.根据权利要求7或8所述的方法，其特征在于，所述信息识别网络模型输出的所述第一时间节点对应的延时交互在线就诊信息的就诊交互记录与预定的所述第一时间节点对应的延时交互在线就诊信息的历史就诊交互记录之间的第二交互记录测评结果满足第二目标测评条件，所述第二目标测评条件用于表示所述第二交互记录测评结果的测评值在第二预定范围之内。
10.一种智慧医疗服务器，其特征在于，包括处理器和存储器；所述处理器和所述存储器通信连接，所述处理器用于从所述存储器中读取计算机程序并执行，以实现上述权利要求1-9任一项所述的方法。
CN202110251573.1A 2021-03-08 2021-03-08 应用于大数据智慧医疗的信息处理方法及智慧医疗服务器 Withdrawn CN112820404A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110251573.1A CN112820404A (zh) 2021-03-08 2021-03-08 应用于大数据智慧医疗的信息处理方法及智慧医疗服务器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110251573.1A CN112820404A (zh) 2021-03-08 2021-03-08 应用于大数据智慧医疗的信息处理方法及智慧医疗服务器

Publications (1)

Publication Number Publication Date
CN112820404A true CN112820404A (zh) 2021-05-18

Family

ID=75862999

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110251573.1A Withdrawn CN112820404A (zh) 2021-03-08 2021-03-08 应用于大数据智慧医疗的信息处理方法及智慧医疗服务器

Country Status (1)

Country Link
CN (1) CN112820404A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114203285A (zh) * 2021-11-12 2022-03-18 姜德秋 应用于智慧医疗的大数据分析方法及智慧医疗服务器
CN114840286A (zh) * 2021-06-16 2022-08-02 杨永飞 基于大数据的业务处理方法及服务器

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114840286A (zh) * 2021-06-16 2022-08-02 杨永飞 基于大数据的业务处理方法及服务器
CN114203285A (zh) * 2021-11-12 2022-03-18 姜德秋 应用于智慧医疗的大数据分析方法及智慧医疗服务器

Similar Documents

Publication Publication Date Title
CN109783632B (zh) 客服信息推送方法、装置、计算机设备及存储介质
CN109034069B (zh) 用于生成信息的方法和装置
WO2022252363A1 (zh) 数据处理方法、计算机设备以及可读存储介质
CN109784381A (zh) 标注信息处理方法、装置及电子设备
CN108319723A (zh) 一种图片分享方法和装置、终端、存储介质
CN109582875A (zh) 一种在线医疗教育资源的个性化推荐方法及系统
CN113610239A (zh) 针对机器学习的特征处理方法及特征处理系统
CN112820404A (zh) 应用于大数据智慧医疗的信息处理方法及智慧医疗服务器
WO2022247955A1 (zh) 非正常账号识别方法、装置、设备和存储介质
CN104486649A (zh) 视频内容评级方法及装置
CN111209931A (zh) 数据处理方法、平台、终端设备及存储介质
CN113763348A (zh) 图像质量确定方法、装置、电子设备及存储介质
CN108319888A (zh) 视频类型的识别方法及装置、计算机终端
CN110929806A (zh) 基于人工智能的图片处理方法、装置及电子设备
CN115730605B (zh) 基于多维信息的数据分析方法
CN109978619A (zh) 机票定价策略筛选的方法、系统、设备以及介质
CN114330499A (zh) 分类模型的训练方法、装置、设备、存储介质及程序产品
CN113254696B (zh) 一种封面图像获取方法及装置
CN114372532A (zh) 标签标注质量的确定方法、装置、设备、介质及产品
CN111368552A (zh) 一种面向特定领域的网络用户群组划分方法及装置
CN111159370A (zh) 一种短会话新问题生成方法、存储介质和人机交互装置
CN113780457B (zh) 中医资源消耗的异常检测方法、装置、设备及介质
CN111582404B (zh) 内容分类方法、装置及可读存储介质
CN111651626B (zh) 图像分类方法、装置及可读存储介质
CN114332599A (zh) 图像识别方法、装置、计算机设备、存储介质和产品

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20210624

Address after: Room 706-3, 7th floor, 68 fengle Middle Road, Huangpu District, Guangzhou, Guangdong 510000

Applicant after: Guangzhou zhiyunshang Big Data Technology Co.,Ltd.

Address before: No.301, Computer Research Institute, Dongguan Institute of technology, No.1, Songshanhu University Road, Dalang Town, Dongguan City, Guangdong Province, 523000

Applicant before: Pei Bingkun

WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20210518