CN113688784A - 基于人脸识别的医保卡盗用风险识别方法及其相关设备 - Google Patents
基于人脸识别的医保卡盗用风险识别方法及其相关设备 Download PDFInfo
- Publication number
- CN113688784A CN113688784A CN202111059400.6A CN202111059400A CN113688784A CN 113688784 A CN113688784 A CN 113688784A CN 202111059400 A CN202111059400 A CN 202111059400A CN 113688784 A CN113688784 A CN 113688784A
- Authority
- CN
- China
- Prior art keywords
- face
- medical insurance
- insurance card
- risk
- data
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000012937 correction Methods 0.000 claims description 26
- 238000005259 measurement Methods 0.000 claims description 17
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 19
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 238000012545 processing Methods 0.000 description 14
- 238000012544 monitoring process Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000007689 inspection Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000006835 compression Effects 0.000 description 5
- 238000007906 compression Methods 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 5
- 239000003814 drug Substances 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 230000001815 facial effect Effects 0.000 description 3
- 206010061599 Lower limb fracture Diseases 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 210000004709 eyebrow Anatomy 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000012550 audit Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 210000002700 urine Anatomy 0.000 description 1
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
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/31—User authentication
- G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
-
- 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
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Security & Cryptography (AREA)
- Molecular Biology (AREA)
- Computer Hardware Design (AREA)
- Epidemiology (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Collating Specific Patterns (AREA)
Abstract
本申请实施例属于人工智能领域和数字医疗领域,应用于智慧医疗领域中,涉及一种基于人脸识别的医保卡盗用风险识别方法及其相关设备,方法包括实时获取经过设定区域的人脸图片;在设定时间内根据就诊数据所对应的医保卡中的人脸底片建立人脸库;将所述经过设定区域的人脸图片在所述人脸库中进行查找比对,并将比对结果计入设定的数据记录表中;根据数据记录表中的比对结果计算每个人脸图片在每个区域的比对成功率,根据所述比对成功率输出风险级别;根据所述风险级别执行预警操作。本申请还涉及区块链技术,人脸底片、人脸图片数据存储于区块链中。本申请极大提高了医保检查、治疗项目实名的准确率。
Description
技术领域
本申请涉及人工智能技术领域和数字医疗领域,尤其涉及一种基于人脸识别的医保卡盗用风险识别方法及其相关设备。
背景技术
社会基本医疗保险要求系统中就诊人与实际就诊人必须一致,然而在实际操作过程中,部分医院被报出为追求经济利益,在医院诊疗过程中存在违规代刷社保卡、虚增门诊人数、挂床住院、特殊病造假等违法违规行为。
传统的医保实名就诊、医疗检查治疗的实名主要依靠:医院就诊或检查医师人工核对,以及医保人工突击突抽查,然而,依靠医院医师核对,占有诊疗时间且无法保证工作的质量;而稽核一般都是依靠人力进行突击抽查,效果有限,同时大量违规的无法发现,无法投入到其他的整体医保管理工作。现有技术也有将人脸识别技术应用到医保实名监控中,但是现有技术只能在机器上进行刷卡,其可以实现就诊人与医保卡上的人保持一致,存在成本高、占地面积大等问题,而且也不能解决就诊人与实际就诊人不一致的问题。
现有技术所采用的人脸识别是基于人的脸部特征信息进行身份识别的一种生物识别技术,即是采用摄像机或摄像头采集含有人脸的图像或视频流,并自动在图像中检测和跟踪人脸,进而对检测到的人脸进行脸部识别的一系列相关技术。人脸识别技术已广泛用于政府、军队、银行、社会福利保障、电子商务、安全防务等领域。通过人脸识别技术可方便解决考勤、门禁安防、支付认证等多领域的身份认证问题,方便快速成本低。
为此,如何将人脸识别技术应用在医保实名监控中来解决就诊人与实际就诊人不一致的问题是亟待解决的技术难题。
同时现有技术还进一步存在以下问题:由于必须要求前去刷卡的人信息与医保卡一致,但是在实际操作过程中,部分患者(尤其是老年患者)行动不便,不能自行刷卡,而需要由家属代为刷卡,并且这种代刷卡行为正常现象,并不违反社会基本医疗保险中关于就诊人与实际就诊人一致的规定,如果采用现有技术中人脸识别技术在医保实名监控的技术方案,必然会存在将这种行为纳入违规现象。
发明内容
本申请实施例的目的在于提出一种基于人脸识别的医保卡盗用风险识别方法、装置、计算机设备及存储介质,以解决医保实名监控中就诊人与实际就诊人不一致以及不能识别代刷卡的问题。
为了解决上述技术问题,本申请实施例提供一种基于人脸识别的医保卡盗用风险识别方法,采用了如下所述的技术方案:
一种基于人脸识别的医保卡盗用风险识别方法,包括下述步骤:
实时获取经过设定区域的人脸图片;
在设定时间内根据就诊数据所对应的医保卡中的人脸底片建立人脸库;
将所述经过设定区域的人脸图片在所述人脸库中进行查找比对,并将比对结果计入设定的数据记录表中;
根据数据记录表中的比对结果计算每个人脸图片在每个区域的比对成功率,根据所述比对成功率输出风险级别,所述风险级别包括正常、盗用高风险、盗用低风险以及盗用;
根据所述风险级别执行预警操作。
进一步的,所述实时获取经过设定区域的人脸图片包括:
检测人脸是否出现在摄像头内,若是则抓拍得到人脸图片,并对所述人脸图片进行修正,否则继续检测;
将修正后的人脸图片输入到预设的神经网络,得到人脸图片的特征测量值;
所述将所述经过设定区域的人脸图片独立在所述人脸库中进行查找比对,并将比对结果计入设定的数据记录表中包括:
计算人脸图片的特征测量值的第一欧式距离,以及计算人脸库的人脸底片的第二欧氏距离;
比较第一欧式距离和第二欧氏距离的差值,若差值在预设阈值内则比对成功,否则比对失败;
将比对成功或比对失败的比对结果计入设定的数据记录表中。
进一步的,所述在设定时间内根据就诊数据所对应的医保卡中的人脸底片建立人脸库包括:
获取设定时间内的所有就诊数据形成就诊数据表,所述就诊数据表至少包括就诊人信息和医保卡信息;
根据就诊数据表中所记载的医保卡信息调取对应的人脸底片,并将所有人脸底片组合建立人脸库。
进一步的,所述在设定时间内根据就诊数据所对应的医保卡中的人脸底片建立人脸库还包括:在设定时间内统计出现与所述医保卡信息对应的就诊人信息的次数、时间及区域,并按照就诊人信息计入数据记录表中。
进一步的,所述获取设定时间内的所有就诊数据形成就诊数据表包括:
获取设定时间内的所有就诊数据;
对所述就诊数据按照设定匹配规则进行筛选处理以形成就诊数据表。
进一步的,所述将所有人脸底片组合建立人脸库后还包括:
将人脸库按照设定时间段进行拆分,以形成多个分段人脸库;
对每个分段人脸库进行压缩处理。
进一步的,所述根据所述成功率输出风险级别之后,还包括:
识别所述风险级别;
若所述风险级别为盗用高风险,则将该盗用高风险所处区域的比对结果输入至预设的校正模型进行校正,并输出校正结果;
根据所述校正结果再次判断风险级别。
为了解决上述技术问题,本申请实施例还提供一种医保实名监控装置,采用了如下所述的技术方案:
获取模块,用于实时获取经过设定区域的人脸图片;
建库模块,用于在设定时间内根据就诊数据所对应的人脸底片建立人脸库;
查找比对模块,用于将经过设定区域的人脸图片独立在人脸库中进行查找比对,并将比对结果计入设定的数据记录表中;
计算模块,用于根据数据记录表中的比对结果计算每个人脸图片在每个区域的比对成功率,根据所述比对成功率输出风险级别,所述风险级别包括正常、盗用高风险、盗用低风险以及盗用;
预警模块,用于根据所述风险级别执行预警操作;
所述获取模块、建库模块、查找比对模块、计算模块和预警模块依次连接。
进一步的,所述获取模块包括:
检测模块,用于检测人脸是否出现在摄像头内;
修正模块,用于在人脸出现在摄像头内抓拍人脸图片并对所述人脸图片进行修正。
特征测量模块,用于将修正后的人脸图片输入到预设的神经网络得到人脸图片的特征测量值。
为了解决上述技术问题,本申请实施例还提供一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序时实现上述所述的基于人脸识别的医保卡盗用风险识别方法的步骤。
为了解决上述技术问题,本申请实施例还提供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计算机程序,所述计算机程序被处理器执行时实现上述所述的基于人脸识别的医保卡盗用风险识别方法的步骤。
与现有技术相比,本申请实施例主要有以下有益效果:实时获取经过设定区域的人脸图片;在设定时间内根据就诊数据所对应的人脸底片建立人脸库;将经过设定区域的人脸图片独立在人脸库中进行查找比对,并将比对结果计入设定的数据记录表中;根据数据记录表中的比对结果计算每个人脸图片在每个区域的比对成功率,根据所述比对成功率输出风险级别;根据风险级别执行预警操作。即可自动匹配出空刷或者冒名就诊,极大提高了医保检查、治疗项目实名的准确率,有效的减少稽核的人力。
附图说明
为了更清楚地说明本申请中的方案,下面将对本申请实施例描述中所需要使用的附图作一个简单介绍,显而易见地,下面描述中的附图是本申请的一些实施例,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是本申请可以应用于其中的示例性系统架构图。
图2是根据本申请的基于人脸识别的医保卡盗用风险识别方法的一个实施例的流程图。
图3是图2中步骤S101的一种具体实施方式的流程图。
图4是图2中步骤S102的一种具体实施方式的流程图。
图5是图2中步骤S103的一种具体实施方式的流程图。
图6是根据本申请一个实施例中分段人脸库进行压缩处理的流程图。
图7是根据本申请的基于人脸识别的医保卡盗用风险识别装置的一个实施例的结构示意图。
图8是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同;本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案,下面将结合附图,对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving PictureExpertsGroup Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(MovingPictureExperts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是,本申请实施例所提供的基于人脸识别的医保卡盗用风险识别方法一般由服务器执行,相应地,基于人脸识别技术的医保实名监控装置一般设置于服务器中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,示出了根据本申请的基于人脸识别的医保卡盗用风险识别方法的一个实施例的流程图。所述的基于人脸识别的医保卡盗用风险识别方法,包括以下步骤:
步骤S101,实时获取经过设定区域的人脸图片。
在本实施例中,基于人脸识别的医保卡盗用风险识别方法运行于其上的电子设备(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式与终端进行通信。需要指出的是,上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
具体地,服务器实时获取经过设定区域的人脸图片。上述的设定区域可以为医院大型检查、治疗区域的必经入口,也可以为就诊医生办公室或取药、休息区等。也就是说:本实施例在医院大型检查、治疗区域的必经入口处安装有带有人脸识别功能的监控抓拍摄像头,只要有人员经过该区域摄像头即可抓拍人脸图片或视频流。
如图3所示,所述步骤S101具体包括以下步骤:
步骤S1011:检测人脸是否出现在摄像头内,若是则抓拍得到人脸图片,并对所述人脸图片进行修正,否则继续检测。
具体的,在实际使用时,检测人脸是否出现在摄像头内,具体是根据方向梯度直方图(Histogram of Oriented Gradients,HOG)能够检测物体轮廓的算法,将HOG应用在人脸识别抓拍摄像头中,可以识别出人脸是否出现在摄像头内。
在识别出人脸出现在摄像头内后执行抓拍操作,即将人脸图片拍摄下来或截取视频流,在视频流中抓取人脸图片,将这些人脸图片保存在数据库内,同时在数据库内执行:在人脸图片上识别人脸上普遍存在的特征点(一般为68个),计算出人脸的68个特征点并根据一般人脸正面图像的数据将拍摄的人脸图片调整人脸位置,使人脸对齐,得到修正后的人脸图片。
作为优选,68个特征点具体分布为:
下巴轮廓17个点[0-16];
左眉毛5个点[17-21];
右眉毛5个点[22-26];
鼻梁4个点[27-30];
鼻尖5个点[31-35];
左眼6个点[36-41];
右眼6个点[42-47];
外嘴唇12个点[48-59];
内嘴唇8个点[60-67]。
步骤S1012:将修正后的人脸图片输入到预设的神经网络,得到人脸图片的特征测量值。
具体的,将修正后的人脸图片放入到预设的神经网络,得到特征测量值(一般为128个),并保存这些特征测量值。
所述的神经网络为深度卷积神经网络,训练可以为脸部生成128个测量值:每次训练要观察三个不同的脸部图像,加载一张已知的人的面部训练图像,加载同一个人的另一张照片,加载另外一个人的照片,然后查看为这三个图片生成的测量值,最后,稍微调整神经网络,以确保第一张(一张已知的人的面部训练图)和第二张(同一个人的另一张照片)生成的测量值接近,而第二张(同一个人的另一张照片)和第三张(另外一个人的照片)生成的测量值略有不同。在实际使用时要不断的调整样本,重复以上步骤百万次,以确保训练完成能攻轻松的找出人脸。
步骤S102,在设定时间内根据就诊数据所对应的医保卡中的人脸底片建立人脸库。
具体地,根据实际需要,可以在每天(即每隔24小时)或其他设定时间范围内,根据就诊人的姓名、身份证号码、联系方式、使用的医保卡等就诊数据,调取对应的医保卡中的人脸底片数据,再将所有的人脸底片数据组成一个人脸库,如下表1所示:
表1人脸库
人脸库 |
人脸底片1 |
人脸底片2 |
人脸底片3 |
…… |
人脸底片n |
将人脸库保存在数据中心内,并对每组人脸库设定一个编号,按照时间顺序先后排序,当存储容量达到设定时间内数据中心的设定容量时可以自动删除最早保存的人脸库。
如图4所示,所述步骤S102具体包括以下步骤:
步骤S1021:获取设定时间内的所有就诊数据形成就诊数据表,所述就诊数据表至少包括就诊人信息和医保卡信息。
具体的,就诊数据保存在医院结算系统中,根据需要可以调取,由于就诊数据量庞大,包括就诊人信息和医保卡信息,就诊人信息包括姓名、身份证号码、联系方式、就诊科室、检查项目、检查结果等;由于在刷医保卡时医保卡中的参保人姓名和身份证号码必须与就诊人信息保持一致,否则会出现医保卡不能使用的情况。所以,医保卡信息包括医保卡卡号等。
可以根据需要每天(即24小时)从医院的结算系统中导入就诊数据。就诊数据以就诊数据表的形式进行保存。
进一步的,在获取设定时间内的所有就诊数据后还包括对所述就诊数据按照设定匹配规则进行筛选处理以形成就诊数据表。
由于就诊数据量庞大,如果将所有就诊数据全部录入就诊数据表内,势必会造成后续数据处理量大,影响处理效率。而且,就诊数据表只需要一些特定的项目,例如姓名、身份证号码、社保卡号以及联系方式,此时设定匹配规则可以是:匹配到预设的项目即保留,其他的均丢弃,这样即可使就诊数据表达到简便的要求,例如预设的项目包括项目、身份证号码、联系电话和医保卡号,只要匹配到这些项目即保留下来,而对于其他的例如就诊科室、检查项目、检查结果等直接丢弃,如下表2所示,其是按照就诊时间的先后顺序进行排列的。
表2就诊数据表
序号 | 姓名 | 身份证号 | 联系电话 | 医保卡号 |
1 | ||||
2 |
一般的,是直接发送筛选处理指令至医院结算系统,在医院结算系统中进行筛选处理,处理后形成就诊数据表,再调取就诊数据记录表,以避免调取大量数据而造成网络延迟或影响处理效率。
步骤S1022:根据就诊数据表中所记载的医保卡信息调取对应的人脸底片,并将所有人脸底片组合建立人脸库。
具体的,由于就诊数据表中记录有医保卡信息(包括医保卡号),通过该医保卡信息可直接联网链接到医保系统,直接调取医保系统中存储的对应人脸底片,将所有医保卡对应的人脸底片调取。
在步骤S1022后还包括:
首先、将人脸库按照设定时间段进行拆分,以形成多个分段人脸库,这是便于数据管理将人脸库进行分段管理。
然后、对每个分段人脸库进行压缩处理,压缩处理可以提高内存利用率,在使用之前可以通过激活所压缩的分段人脸库,例如可以采用“”字符代替激活指令,用“”字符带起压缩指令,其实质过程如图6所示。
步骤S1023:在设定时间内统计出现与所述医保卡信息对应的就诊人信息的次数、时间及区域,并按照就诊人信息计入数据记录表中。
具体的,可以每隔24小时统计就诊卡的刷卡信息(也就是就诊人信息),即就诊者所刷的与医保卡对应的就诊卡的次数、时间以及区域,在具体应用时比对人脸图片的特征测量值,将这些数据填充在数据记录表内,根据出现频次的次数来排列就诊人信息的位置,根据出现时间的先后顺序来排列每个就诊人的人脸图片出现在哪些区域,具体如下表3所示。
表3数据记录表
步骤S103,将经过设定区域的人脸图片在人脸库中进行查找比对,并将比对结果计入设定的数据记录表中。
具体地,根据前述,根据每个区域的人脸图片来比对人脸库中的数据,以得出比对成功或比对失败的结果,并将结果记录在数据记录表中,如表4。
表4数据记录表
如图5所示,比对是通过计算欧氏距离的方式进行的,具体步骤如下:
步骤S1031:计算人脸图片的特征测量值的第一欧式距离,以及计算人脸库的人脸底片的第二欧氏距离,其计算公式如下:
其中,d(x,y)代表欧氏距离值,xi代表第i个特征点的x坐标(横坐标),yi代表第i个特征点的y坐标(纵坐标)。
步骤S1032:比较第一欧式距离和第二欧氏距离的差值,若差值在内则比对成功,否则比对失败,其中预设阈值可以根据实际需要进行调整。
步骤S1033:将比对成功或比对失败的比对结果计入设定的数据记录表中,即表4中。
在实际应用时,可以根据需要选择性的对特定时间段所获取的人脸图片进行查找比对,也可以对全时间段所获取的人脸图片进行查找比对。
步骤S104,根据数据记录表中的比对结果计算每个人脸图片在每个区域的比对成功率,根据所述比对成功率输出风险级别,所述风险级别包括正常、盗用高风险、盗用低风险以及盗用。
具体的,可以统计出同一个就诊卡在不同区域的实际使用者所比对的所有结果,例如出现就诊卡1刷卡的区域有六个,包括挂号区、CT区、B超区、检查窗口区、取药区和就诊室,每个区域都可能由不同的人去,此时统计所有比对成功的次数n,将出现频次记为m,n/m即为成功率。
以此类推,通过每个就诊卡所对应的比对结果成功率。
统计成功率大于或等于设定的第一阈值,则输出风险级别为正常;统计成功率小于设定的第二阈值,则输出风险级别为盗用高风险;统计成功率大于或等于第二阈值且小于第一阈值,则输出风险级别为盗用低风险;统计成功率等于零,则输出风险级别为盗用;其中,第二阈值小于第一阈值。风险级别输出入下表5所示。
表5风险登记输出表
本实施例中,若输出风险级别为盗用高风险,则将该盗用高风险所处区域的比对结果输入至一预设的校正模型进行校正,并输出一校正结果。
具体的,在一些特定区域,较多的是由实际就诊者家属代刷,实际就诊者并未进入该区域,例如挂号区、一些特定检验窗口(如尿检)等,这类区域可以在校正模型中进行剔除,对于一些特定人群,比如年纪较长者(大于70周岁)或就诊特定就诊人和就诊科室(例如就诊人腿部骨折,此时如果没有出现在检验窗口区属于正常现象,可以由家属取样后送至检验窗口区)设定特定就诊区域可以不由本人去得地方,而校正模型是根据不同医院的实际统计情况进行设定的,可以根据不同医院在代刷区域的统计值来进行设定。
具体的,校正模型的设定方式如下:
根据不同医院的实际情况,统计在该医院正常代刷的区域,例如:挂号区、检验窗口区、取药区;
根据特殊人群设定可以不由本人去的区域,例如:70岁以上老人可以不去的区域为:挂号区、检验窗口区、取药区、就诊室;腿部骨折人可以不去的区域为:挂号区、检验窗口区、取药区、就诊室。
将上述情况按照表格进行组合,如下表6所示。
表6校正模型
在具体校正使用时,首先剔除正常代刷的区域,然后考虑是否有后面的(表6的第3、4列)特殊情况,再根据特殊情况个别剔除,进而实现校正。
在矫正后,矫正结果由两种,一是使比对成功率统大于或等于第二阈值且小于第一阈值,则提示处于盗用低风险,此时风险级别进行了调整;二是比对成功率虽然改变了,但是风险级别没有改变,还是处于盗用高风险。
步骤S105,根据所述风险级别执行预警操作。
由于风险级别包括正常、盗用高风险、盗用低风险以及盗用,若判断为存在盗用风险,则直接发出警报,并锁定该医保卡(例如纳入黑名单库),只有在进行解除黑名单后方可再次使用。
若判断存在盗用高风险,可以对医保卡进行高风险标记,若该医保卡在该医院二次使用时则对该实际就诊者进行重点排查,例如需要核查身份信息等。
若判断存在盗用低风险,可以对医保卡进行低风险标记,若该医保卡在该医院二次使用时则对该实际就诊者进行一般排查,例如检查是否在医院签订不冒用保证书,只要签订了不冒用保证书即不需要核查身份信息。
若判断为正常,可以将该医保卡纳入白名单库,若该医保卡在该医院二次使用时无需任何核查。
需要强调的是,为了进一步保证数据的私密性和安全性,人脸底片、人脸图片数据还可以存储于一区块链的节点中。
本申请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。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本实施例通过实时获取经过设定区域的人脸图片;在设定时间内根据就诊数据所对应的人脸底片建立人脸库;将经过设定区域的人脸图片独立在人脸库中进行查找比对,并将比对结果计入设定的数据记录表中;根据数据记录表中的比对结果计算每个人脸图片在每个区域的比对成功率,根据所述比对成功率输出风险级别;根据风险级别执行预警操作。即可自动匹配出空刷或者冒名就诊,极大提高了医保检查、治疗项目实名的准确率,有效的减少稽核的人力。
进一步参考图7,作为对上述图2所示方法的实现,本申请提供了一种基于人脸识别技术的医保实名监控的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图7所示,本实施例所述的基于人脸识别技术的医保实名监控装置300包括:获取模块101、建库模块102、查找比对模块103、计算模块104和预警模块105,其中:
获取模块101,用于实时获取经过设定区域的人脸图片。
建库模块102,用于在设定时间内根据就诊数据所对应的医保卡中的人脸底片建立人脸库。
查找比对模块103,用于将所述经过设定区域的人脸图片独立在所述人脸库中进行查找比对,并将比对结果计入设定的数据记录表中。
计算模块104,用于根据数据记录表中的比对结果计算每个人脸图片在每个区域比对结果的成功率,根据所述成功率输出风险级别,所述风险级别包括正常、盗用高风险、盗用低风险以及盗用。
预警模块105,用于根据所述风险级别执行预警操作。
其中,所述的获取模块101包括:
检测模块,用于检测人脸是否出现在摄像头内;
修正模块,用于在人脸出现在摄像头内抓拍人脸图片,并对所述人脸图片进行修正。
特征测量模块,用于将修正后的人脸图片输入到预设的神经网络,得到人脸图片的特征测量值。
所述的建库模块102包括:
就诊数据记录模块,用于获取设定时间内的所有就诊数据形成就诊数据表,所述就诊数据表至少包括就诊人信息和医保卡信息。
组合模块,用于根据就诊数据表中所记载的医保卡信息调取对应的人脸底片,并将所有人脸底片组合建立人脸库。
统计模块,用于在设定时间内统计出现与所述医保卡信息对应的就诊人信息的次数、时间及区域,并按照就诊人信息计入数据记录表中。
所述的就诊数据记录模块具体包括
就诊数据获取模块,用于获取设定时间内的所有就诊数据;
筛选模块,用于对所述就诊数据按照设定规则进行筛选处理以形成就诊数据表。
所述的组合模块中还连接有拆分模块和压缩模块。
其中,拆分模块,用于将人脸库按照设定时间段进行拆分,以形成多个分段人脸库;
压缩模块,用于对每个分段人脸库进行压缩处理。
所述的查找比对模块103包括:
欧式距离计算模块,用于计算人脸图片的特征测量值的第一欧式距离,以及计算人脸库的人脸底片的第二欧氏距离。
差值比较模块,用于比较第一欧式距离和第二欧氏距离的差值,若差值在预设阈值内则比对成功,否则比对失败。
统计模块,用于将比对成功或比对失败的比对结果计入设定的数据记录表中。
所述的计算模块104还连接有识别模块、校正模块和判断模块。
其中,识别模块,用于识别所述风险级别。
校正模块,用于若所述风险级别为盗用高风险,则将该盗用高风险所处区域的比对结果输入至预设的校正模型进行校正,并输出校正结果。
判断模块,用于根据所述校正结果再次判断风险级别。
为解决上述技术问题,本申请实施例还提供计算机设备。具体请参阅图8,图8为本实施例计算机设备基本结构框图。
所述计算机设备4包括通过系统总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是,图中仅示出了具有组件41-43的计算机设备4,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。其中,本技术领域技术人员可以理解,这里的计算机设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable GateArray,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器41至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,所述存储器41可以是所述计算机设备4的内部存储单元,例如该计算机设备4的硬盘或内存。在另一些实施例中,所述存储器41也可以是所述计算机设备4的外部存储设备,例如该计算机设备4上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(FlashCard)等。当然,所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中,所述存储器41通常用于存储安装于所述计算机设备4的操作系统和各类应用软件,例如基于人脸识别的医保卡盗用风险识别方法的计算机可读指令等。此外,所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器42在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42通常用于控制所述计算机设备4的总体操作。本实施例中,所述处理器42用于运行所述存储器41中存储的计算机可读指令或者处理数据,例如运行所述基于人脸识别的医保卡盗用风险识别方法的计算机可读指令。
所述网络接口43可包括无线网络接口或有线网络接口,该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。
本实施例中提供的计算机设备可以执行上述基于人脸识别的医保卡盗用风险识别方法的步骤。此处基于人脸识别的医保卡盗用风险识别方法的步骤可以是上述各个实施例的基于人脸识别的医保卡盗用风险识别方法中的步骤。
本申请还提供了另一种实施方式,即提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可读指令,所述计算机可读指令可被至少一个处理器执行,以使所述至少一个处理器执行如上述的基于人脸识别的医保卡盗用风险识别方法的步骤。
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上述实施例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,本申请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,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
显然,以上所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例,附图中给出了本申请的较佳实施例,但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现,相反地,提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式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效替换。凡是利用本申请说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本申请专利保护范围之内。
Claims (10)
1.基于人脸识别的医保卡盗用风险识别方法,其特征在于,包括下述步骤:
实时获取经过设定区域的人脸图片;
在设定时间内根据就诊数据所对应的医保卡中的人脸底片建立人脸库;
将所述经过设定区域的人脸图片在所述人脸库中进行查找比对,并将比对结果计入设定的数据记录表中;
根据数据记录表中的比对结果计算每个人脸图片在每个区域的比对成功率,根据所述比对成功率输出风险级别;
根据所述风险级别执行预警操作。
2.根据权利要求1所述的基于人脸识别的医保卡盗用风险识别方法,其特征在于,所述实时获取经过设定区域的人脸图片包括:
检测人脸是否出现在摄像头内,若是则抓拍得到人脸图片,并对所述人脸图片进行修正,否则继续检测;
将修正后的人脸图片输入到预设的神经网络,得到人脸图片的特征测量值;
所述将所述经过设定区域的人脸图片独立在所述人脸库中进行查找比对,并将比对结果计入设定的数据记录表中包括:
计算人脸图片的特征测量值的第一欧式距离,以及计算人脸库的人脸底片的第二欧氏距离;
比较第一欧式距离和第二欧氏距离的差值,若差值在预设阈值内则比对成功,否则比对失败;
将比对成功或比对失败的比对结果计入设定的数据记录表中。
3.根据权利要求1所述的基于人脸识别的医保卡盗用风险识别方法,其特征在于,所述在设定时间内根据就诊数据所对应的医保卡中的人脸底片建立人脸库包括:
获取设定时间内的所有就诊数据形成就诊数据表,所述就诊数据表至少包括就诊人信息和医保卡信息;
根据就诊数据表中所记载的医保卡信息调取对应的人脸底片,并将所有人脸底片组合建立人脸库。
4.根据权利要求3所述的基于人脸识别的医保卡盗用风险识别方法,其特征在于,所述在设定时间内根据就诊数据所对应的医保卡中的人脸底片建立人脸库还包括:在设定时间内统计出现与所述医保卡信息对应的就诊人信息的次数、时间及区域,并按照就诊人信息计入数据记录表中。
5.根据权利要求3所述的基于人脸识别的医保卡盗用风险识别方法,其特征在于,所述获取设定时间内的所有就诊数据形成就诊数据表包括:
获取设定时间内的所有就诊数据;
对所述就诊数据按照设定匹配规则进行筛选处理以形成就诊数据表。
6.根据权利要求1所述的基于人脸识别的医保卡盗用风险识别方法,其特征在于,所述根据所述成功率输出风险级别之后,还包括:
识别所述风险级别;
若所述风险级别为盗用高风险,则将该盗用高风险所处区域的比对结果输入至预设的校正模型进行校正,并输出校正结果;
根据所述校正结果再次判断风险级别。
7.基于人脸识别的医保卡盗用风险识别装置,其特征在于,包括:
获取模块,用于实时获取经过设定区域的人脸图片;
建库模块,用于在设定时间内根据就诊数据所对应的人脸底片建立人脸库;
查找比对模块,用于将经过设定区域的人脸图片独立在人脸库中进行查找比对,并将比对结果计入设定的数据记录表中;
计算模块,用于根据数据记录表中的比对结果计算每个人脸图片在每个区域的比对成功率,根据所述比对成功率输出风险级别,所述风险级别包括正常、盗用高风险、盗用低风险以及盗用;
预警模块,用于根据所述风险级别执行预警操作;
所述获取模块、建库模块、查找比对模块、计算模块和预警模块依次连接。
8.根据权利要求7所述的基于人脸识别的医保卡盗用风险识别装置,其特征在于,所述获取模块包括:
检测模块,用于检测人脸是否出现在摄像头内;
修正模块,用于在人脸出现在摄像头内抓拍人脸图片并对所述人脸图片进行修正;
特征测量模块,用于将修正后的人脸图片输入到预设的神经网络得到人脸图片的特征测量值。
9.一种计算机设备,包括存储器和处理器,其特征在于,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现如权利要求1至6中任一项所述的基于人脸识别的医保卡盗用风险识别方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机可读指令,所述计算机可读指令被处理器执行时实现如权利要求1至6中任一项所述的基于人脸识别的医保卡盗用风险识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111059400.6A CN113688784B (zh) | 2021-09-10 | 2021-09-10 | 基于人脸识别的医保卡盗用风险识别方法及其相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111059400.6A CN113688784B (zh) | 2021-09-10 | 2021-09-10 | 基于人脸识别的医保卡盗用风险识别方法及其相关设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113688784A true CN113688784A (zh) | 2021-11-23 |
CN113688784B CN113688784B (zh) | 2024-05-14 |
Family
ID=78585876
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111059400.6A Active CN113688784B (zh) | 2021-09-10 | 2021-09-10 | 基于人脸识别的医保卡盗用风险识别方法及其相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113688784B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109598203A (zh) * | 2018-11-06 | 2019-04-09 | 平安科技(深圳)有限公司 | 基于人脸识别的照片添加方法、装置、终端及存储介质 |
WO2019196308A1 (zh) * | 2018-04-09 | 2019-10-17 | 平安科技(深圳)有限公司 | 人脸识别模型的生成装置、方法及计算机可读存储介质 |
CN110599678A (zh) * | 2019-08-14 | 2019-12-20 | 平安科技(深圳)有限公司 | 安全支付方法、装置、计算机设备和存储介质 |
WO2020114221A1 (zh) * | 2018-12-04 | 2020-06-11 | 平安医疗健康管理股份有限公司 | 基于生物特征识别的定点医药机构的监管方法及相关设备 |
CN111710402A (zh) * | 2020-06-23 | 2020-09-25 | 平安医疗健康管理股份有限公司 | 基于人脸识别的查房处理方法、装置及计算机设备 |
CN111986794A (zh) * | 2020-09-03 | 2020-11-24 | 平安国际智慧城市科技股份有限公司 | 基于人脸识别的防冒挂号方法、装置、计算机设备及介质 |
CN112330331A (zh) * | 2020-11-19 | 2021-02-05 | 平安普惠企业管理有限公司 | 基于人脸识别的身份验证方法、装置、设备及存储介质 |
-
2021
- 2021-09-10 CN CN202111059400.6A patent/CN113688784B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019196308A1 (zh) * | 2018-04-09 | 2019-10-17 | 平安科技(深圳)有限公司 | 人脸识别模型的生成装置、方法及计算机可读存储介质 |
CN109598203A (zh) * | 2018-11-06 | 2019-04-09 | 平安科技(深圳)有限公司 | 基于人脸识别的照片添加方法、装置、终端及存储介质 |
WO2020114221A1 (zh) * | 2018-12-04 | 2020-06-11 | 平安医疗健康管理股份有限公司 | 基于生物特征识别的定点医药机构的监管方法及相关设备 |
CN110599678A (zh) * | 2019-08-14 | 2019-12-20 | 平安科技(深圳)有限公司 | 安全支付方法、装置、计算机设备和存储介质 |
CN111710402A (zh) * | 2020-06-23 | 2020-09-25 | 平安医疗健康管理股份有限公司 | 基于人脸识别的查房处理方法、装置及计算机设备 |
CN111986794A (zh) * | 2020-09-03 | 2020-11-24 | 平安国际智慧城市科技股份有限公司 | 基于人脸识别的防冒挂号方法、装置、计算机设备及介质 |
CN112330331A (zh) * | 2020-11-19 | 2021-02-05 | 平安普惠企业管理有限公司 | 基于人脸识别的身份验证方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113688784B (zh) | 2024-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mason et al. | An investigation of biometric authentication in the healthcare environment | |
CN111899878B (zh) | 老年人健康检测系统、方法、计算机设备及可读存储介质 | |
WO2021139146A1 (zh) | 信息推荐方法、设备、计算机可读存储介质及装置 | |
CN112863683B (zh) | 基于人工智能的病历质控方法、装置、计算机设备及存储介质 | |
WO2022105118A1 (zh) | 基于图像的健康状态识别方法、装置、设备及存储介质 | |
CN110309930A (zh) | 基于人脸识别的预约就诊方法、装置、设备及存储介质 | |
CN111785371A (zh) | 医疗服务方法、装置、计算机设备及存储介质 | |
CN117238458B (zh) | 基于云计算的重症护理跨机构协同平台系统 | |
CN110752027B (zh) | 电子病历数据推送方法、装置、计算机设备和存储介质 | |
CN110827159B (zh) | 基于关系图的金融医疗保险诈骗预警方法、装置及终端 | |
CN111863178A (zh) | 发放医疗报告的方法、装置、介质及电子设备 | |
CN109346137A (zh) | 受试者在线招募方法及装置、计算机设备及存储介质 | |
CN111916193A (zh) | 智能就医方法、装置、计算机设备及存储介质 | |
CN116681045A (zh) | 报表生成方法、装置、计算机设备及存储介质 | |
CN113688784B (zh) | 基于人脸识别的医保卡盗用风险识别方法及其相关设备 | |
CN113470775B (zh) | 信息采集方法、装置、设备及存储介质 | |
CN116453125A (zh) | 基于人工智能的数据录入方法、装置、设备及存储介质 | |
CN114360732B (zh) | 医疗数据分析方法、装置、电子设备及存储介质 | |
CN116311313A (zh) | 基于人工智能的病历报告单检测方法、装置、设备及介质 | |
CN115691793A (zh) | 一种舌象数据处理方法、装置及相关设备 | |
CN110175522A (zh) | 考勤方法、系统及相关产品 | |
CN113990514A (zh) | 医师诊疗行为的异常检测装置、计算机设备及存储介质 | |
CN113838579A (zh) | 一种医疗数据的异常检测方法、装置、设备及存储介质 | |
CN111933241B (zh) | 医疗数据解析方法、装置、电子设备及存储介质 | |
CN113780855A (zh) | 医疗机构监管方法、装置、计算机设备及存储介质 |
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 |