病症自助诊断方法、装置、计算机设备

技术领域

本发明涉及病症诊断技术领域，尤其涉及一种病症自助诊断方法、装置、计算机设备。

背景技术

现有的病症诊断方案，一般都是患者到医院经过医生诊断后才确定治疗方式，但是患者到医院需要经过排队挂号和排队等候医生诊断，需要消耗较多的时间，导致患者病症诊断的效率一般。

发明内容

有鉴于此，本发明的目的在于提出一种病症自助诊断方法、装置、计算机设备，能够实现提高患者病症诊断的效率。

根据本发明的一个方面，提供一种病症自助诊断方法，包括：采集至少一个患者的语音数据和个人病症史；对所述采集的个人病症史的共性特征和对应所述共性特征的语音数据进行标记；构建基于所述标记后的共性特征和对应所述共性特征的所述标记后的语音数据的二分类模型；基于所述二分类模型，根据患者当前输入的病症语音，对患者的病症进行诊断。

其中，所述对所述采集的个人病症史的共性特征和对应所述共性特征的语音数据进行标记，包括：采用二维数组的形式，对所述采集的个人病症史的共性特征和对应所述共性特征的语音数据进行标记；其中，所述二维数组中的其中一个数组用于表示共性特征，其中另一个数组用于表示对应所述共性特征的语音数据。

其中，所述构建基于所述标记后的共性特征和对应所述共性特征的所述标记后的语音数据的二分类模型，包括：采用分别提取所述标记后的共性特征和对应所述共性特征的所述标记后的语音数据的线性预测分析特征，和将所述分别提取的线性预测分析特征作为卷积神经网络的训练输入的方式，构建基于所述标记后的共性特征和对应所述共性特征的所述标记后的语音数据的二分类模型。

其中，所述基于所述二分类模型，根据患者当前输入的病症语音，对患者的病症进行诊断，包括：基于所述二分类模型，根据患者当前输入的病症语音，从所述标记后的共性特征中提取与所述病症语音匹配的病症特征，并根据所述病症特征，对患者的病症进行诊断。

其中，在所述基于所述二分类模型，根据患者当前输入的病症语音，对患者的病症进行诊断之后，还包括：基于所述对患者的病症进行的诊断，为患者配置对应的医院和对应所述医院的诊疗科室。

根据本发明的一个方面，提供一种病症自助诊断装置，包括：采集模块、标记模块、构建模块和诊断模块；所述采集模块，用于采集至少一个患者的语音数据和个人病症史；所述标记模块，用于对所述采集的个人病症史的共性特征和对应所述共性特征的语音数据进行标记；所述构建模块，用于构建基于所述标记后的共性特征和对应所述共性特征的所述标记后的语音数据的二分类模型；所述诊断模块，用于基于所述二分类模型，根据患者当前输入的病症语音，对患者的病症进行诊断。

其中，所述标记模块，具体用于：采用二维数组的形式，对所述采集的个人病症史的共性特征和对应所述共性特征的语音数据进行标记；其中，所述二维数组中的其中一个数组用于表示共性特征，其中另一个数组用于表示对应所述共性特征的语音数据。

其中，所述构建模块，具体用于：采用分别提取所述标记后的共性特征和对应所述共性特征的所述标记后的语音数据的线性预测分析特征，和将所述分别提取的线性预测分析特征作为卷积神经网络的训练输入的方式，构建基于所述标记后的共性特征和对应所述共性特征的所述标记后的语音数据的二分类模型。

其中，所述诊断模块，具体用于：基于所述二分类模型，根据患者当前输入的病症语音，从所述标记后的共性特征中提取与所述病症语音匹配的病症特征，并根据所述病症特征，对患者的病症进行诊断。

其中，所述病症自助诊断装置，还包括：配置模块；所述配置模块，用于基于所述对患者的病症进行的诊断，为患者配置对应的医院和对应所述医院的诊疗科室。

根据本发明的又一个方面，提供一种计算机设备，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上述任一项所述的病症自助诊断方法。

根据本发明的再一个方面，提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一项所述的病症自助诊断方法。

可以发现，以上方案，可以采集至少一个患者的语音数据和个人病症史，和可以对该采集的个人病症史的共性特征和对应该共性特征的语音数据进行标记，和可以构建基于该标记后的共性特征和对应该共性特征的该标记后的语音数据的二分类模型，以及可以基于该二分类模型，根据患者当前输入的病症语音，对患者的病症进行诊断，能够实现提高患者病症诊断的效率。

进一步的，以上方案，可以采用二维数组的形式，对该采集的个人病症史的共性特征和对应该共性特征的语音数据进行标记；其中，该二维数组中的其中一个数组用于表示共性特征，其中另一个数组用于表示对应该共性特征的语音数据，这样的好处是由于该二维数组不会出现重复，具有唯一性，能够实现方便的对该采集的个人病症史的共性特征和对应该共性特征的语音数据进行标记。

进一步的，以上方案，可以采用分别提取该标记后的共性特征和对应该共性特征的该标记后的语音数据的线性预测分析特征，和将该分别提取的线性预测分析特征作为卷积神经网络的训练输入的方式，构建基于该标记后的共性特征和对应该共性特征的该标记后的语音数据的二分类模型，这样的好处是因为该卷积神经网络能够保留语音数据上下文的信息，进而能够便于识别对应该共性特征的该标记后的语音数据。

进一步的，以上方案，可以基于该二分类模型，根据患者当前输入的病症语音，从该标记后的共性特征中提取与该病症语音匹配的病症特征，并根据该病症特征，对患者的病症进行诊断，这样的好处是能够实现患者能够自助进行病症诊断，提高了患者病症诊断的效率。

进一步的，以上方案，可以基于该对患者的病症进行的诊断，为患者配置对应的医院和对应该医院的诊疗科室，这样的好处是能够实现提高患者与对应的医院和对应该医院的诊疗科室的准确率，提高了患者的体验。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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是本发明病症自助诊断方法一实施例的流程示意图；

图2是本发明病症自助诊断方法另一实施例的流程示意图；

图3是本发明病症自助诊断装置一实施例的结构示意图；

图4是本发明病症自助诊断装置另一实施例的结构示意图；

图5是本发明计算机设备一实施例的结构示意图。

具体实施方式

下面结合附图和实施例，对本发明作进一步的详细描述。特别指出的是，以下实施例仅用于说明本发明，但不对本发明的范围进行限定。同样的，以下实施例仅为本发明的部分实施例而非全部实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

本发明提供一种病症自助诊断方法，能够实现提高患者病症诊断的效率。

请参见图1，图1是本发明病症自助诊断方法一实施例的流程示意图。需注意的是，若有实质上相同的结果，本发明的方法并不以图1所示的流程顺序为限。如图1所示，该方法包括如下步骤：

S101：采集至少一个患者的语音数据和个人病症史。

在本实施例中，可以一次性采集至少一个患者的语音数据和个人病症史，也可以分多次采集至少一个患者的语音数据和个人病症史，还可以逐一逐个患者的采集患者的语音数据和个人病症史等，本发明不加以限定。

在本实施例中，可以是采集同一患者的多个语音数据，也可以是采集同一患者的单个语音数据，还可以是采集多个患者的多个语音数据等，本发明不加以限定。

在本实施例中，可以是采集同一患者的多个个人病症史，也可以是采集同一患者的单个个人病症史，还可以是采集多个患者的多个个人病症史等，本发明不加以限定。

S102：对该采集的个人病症史的共性特征和对应该共性特征的语音数据进行标记。

其中，该对该采集的个人病症史的共性特征和对应该共性特征的语音数据进行标记，可以包括：

采用二维数组的形式，对该采集的个人病症史的共性特征和对应该共性特征的语音数据进行标记；其中，该二维数组中的其中一个数组用于表示共性特征，其中另一个数组用于表示对应该共性特征的语音数据，这样的好处是由于该二维数组不会出现重复，具有唯一性，能够实现方便的对该采集的个人病症史的共性特征和对应该共性特征的语音数据进行标记。

S103：构建基于该标记后的共性特征和对应该共性特征的该标记后的语音数据的二分类模型。

其中，该构建基于该标记后的共性特征和对应该共性特征的该标记后的语音数据的二分类模型，可以包括：

采用分别提取该标记后的共性特征和对应该共性特征的该标记后的语音数据的LPC(Linear Predictive Coding，线性预测分析)特征，和将该分别提取的线性预测分析特征作为CNN(Convolutional NeuralNetworks，卷积神经网络)的训练输入的方式，构建基于该标记后的共性特征和对应该共性特征的该标记后的语音数据的二分类模型，这样的好处是因为该卷积神经网络能够保留语音数据上下文的信息，进而能够便于识别对应该共性特征的该标记后的语音数据。

S104：基于该二分类模型，根据患者当前输入的病症语音，对患者的病症进行诊断。

其中，该基于该二分类模型，根据患者当前输入的病症语音，对患者的病症进行诊断，可以包括：

基于该二分类模型，根据患者当前输入的病症语音，从该标记后的共性特征中提取与该病症语音匹配的病症特征，并根据该病症特征，对患者的病症进行诊断，这样的好处是能够实现患者能够自助进行病症诊断，提高了患者病症诊断的效率。

其中，在该基于该二分类模型，根据患者当前输入的病症语音，对患者的病症进行诊断之后，还可以包括：

基于该对患者的病症进行的诊断，为患者配置对应的医院和对应该医院的诊疗科室，这样的好处是能够实现提高患者与对应的医院和对应该医院的诊疗科室的准确率，提高了患者的体验。

可以发现，在本实施例中，可以采集至少一个患者的语音数据和个人病症史，和可以对该采集的个人病症史的共性特征和对应该共性特征的语音数据进行标记，和可以构建基于该标记后的共性特征和对应该共性特征的该标记后的语音数据的二分类模型，以及可以基于该二分类模型，根据患者当前输入的病症语音，对患者的病症进行诊断，能够实现提高患者病症诊断的效率。

进一步的，在本实施例中，可以采用二维数组的形式，对该采集的个人病症史的共性特征和对应该共性特征的语音数据进行标记；其中，该二维数组中的其中一个数组用于表示共性特征，其中另一个数组用于表示对应该共性特征的语音数据，这样的好处是由于该二维数组不会出现重复，具有唯一性，能够实现方便的对该采集的个人病症史的共性特征和对应该共性特征的语音数据进行标记。

进一步的，在本实施例中，可以采用分别提取该标记后的共性特征和对应该共性特征的该标记后的语音数据的线性预测分析特征，和将该分别提取的线性预测分析特征作为卷积神经网络的训练输入的方式，构建基于该标记后的共性特征和对应该共性特征的该标记后的语音数据的二分类模型，这样的好处是因为该卷积神经网络能够保留语音数据上下文的信息，进而能够便于识别对应该共性特征的该标记后的语音数据。

进一步的，在本实施例中，可以基于该二分类模型，根据患者当前输入的病症语音，从该标记后的共性特征中提取与该病症语音匹配的病症特征，并根据该病症特征，对患者的病症进行诊断，这样的好处是能够实现患者能够自助进行病症诊断，提高了患者病症诊断的效率。

请参见图2，图2是本发明病症自助诊断方法另一实施例的流程示意图。本实施例中，该方法包括以下步骤：

S201：采集至少一个患者的语音数据和个人病症史。

可如上S101所述，在此不作赘述。

S202：对该采集的个人病症史的共性特征和对应该共性特征的语音数据进行标记。

可如上S102所述，在此不作赘述。

S203：构建基于该标记后的共性特征和对应该共性特征的该标记后的语音数据的二分类模型。

可如上S103所述，在此不作赘述。

S204：基于该二分类模型，根据患者当前输入的病症语音，对患者的病症进行诊断。

可如上S104所述，在此不作赘述。

S205：基于该对患者的病症进行的诊断，为患者配置对应的医院和对应该医院的诊疗科室。

可以发现，在本实施例中，可以基于该对患者的病症进行的诊断，为患者配置对应的医院和对应该医院的诊疗科室，这样的好处是能够实现提高患者与对应的医院和对应该医院的诊疗科室的准确率，提高了患者的体验。

本发明还提供一种病症自助诊断装置，能够实现提高患者病症诊断的效率。

请参见图3，图3是本发明病症自助诊断装置一实施例的结构示意图。本实施例中，该病症自助诊断装置30包括采集模块31、标记模块32、构建模块33和诊断模块34。

该采集模块31，用于采集至少一个患者的语音数据和个人病症史。

该标记模块32，用于对该采集的个人病症史的共性特征和对应该共性特征的语音数据进行标记。

该构建模块33，用于构建基于该标记后的共性特征和对应该共性特征的该标记后的语音数据的二分类模型。

该诊断模块34，用于基于该二分类模型，根据患者当前输入的病症语音，对患者的病症进行诊断。

可选地，该标记模块32，可以具体用于：

采用二维数组的形式，对该采集的个人病症史的共性特征和对应该共性特征的语音数据进行标记；其中，该二维数组中的其中一个数组用于表示共性特征，其中另一个数组用于表示对应该共性特征的语音数据。

可选地，该构建模块33，可以具体用于：

采用分别提取该标记后的共性特征和对应该共性特征的该标记后的语音数据的线性预测分析特征，和将该分别提取的线性预测分析特征作为卷积神经网络的训练输入的方式，构建基于该标记后的共性特征和对应该共性特征的该标记后的语音数据的二分类模型。

可选地，该诊断模块34，可以具体用于：

基于该二分类模型，根据患者当前输入的病症语音，从该标记后的共性特征中提取与该病症语音匹配的病症特征，并根据该病症特征，对患者的病症进行诊断。

请参见图4，图4是本发明病症自助诊断装置另一实施例的结构示意图。区别于上一实施例，本实施例所述病症自助诊断装置40还包括配置模块41。

该配置模块41，用于基于该对患者的病症进行的诊断，为患者配置对应的医院和对应该医院的诊疗科室。

该病症自助诊断装置30/40的各个单元模块可分别执行上述方法实施例中对应步骤，故在此不对各单元模块进行赘述，详细请参见以上对应步骤的说明。

本发明又提供一种计算机设备，如图5所示，包括：至少一个处理器51；以及，与至少一个处理器51通信连接的存储器52；其中，存储器52存储有可被至少一个处理器51执行的指令，指令被至少一个处理器51执行，以使至少一个处理器51能够执行上述的病症自助诊断方法。

其中，存储器52和处理器51采用总线方式连接，总线可以包括任意数量的互联的总线和桥，总线将一个或多个处理器51和存储器52的各种电路连接在一起。总线还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路连接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口在总线和收发机之间提供接口。收发机可以是一个元件，也可以是多个元件，比如多个接收器和发送器，提供用于在传输介质上与各种其他装置通信的单元。经处理器51处理的数据通过天线在无线介质上进行传输，进一步，天线还接收数据并将数据传送给处理器51。

处理器51负责管理总线和通常的处理，还可以提供各种功能，包括定时，外围接口，电压调节、电源管理以及其他控制功能。而存储器52可以被用于存储处理器51在执行操作时所使用的数据。

本发明再提供一种计算机可读存储介质，存储有计算机程序。计算机程序被处理器执行时实现上述方法实施例。

可以发现，以上方案，可以采集至少一个患者的语音数据和个人病症史，和可以对该采集的个人病症史的共性特征和对应该共性特征的语音数据进行标记，和可以构建基于该标记后的共性特征和对应该共性特征的该标记后的语音数据的二分类模型，以及可以基于该二分类模型，根据患者当前输入的病症语音，对患者的病症进行诊断，能够实现提高患者病症诊断的效率。

进一步的，以上方案，可以采用二维数组的形式，对该采集的个人病症史的共性特征和对应该共性特征的语音数据进行标记；其中，该二维数组中的其中一个数组用于表示共性特征，其中另一个数组用于表示对应该共性特征的语音数据，这样的好处是由于该二维数组不会出现重复，具有唯一性，能够实现方便的对该采集的个人病症史的共性特征和对应该共性特征的语音数据进行标记。

进一步的，以上方案，可以采用分别提取该标记后的共性特征和对应该共性特征的该标记后的语音数据的线性预测分析特征，和将该分别提取的线性预测分析特征作为卷积神经网络的训练输入的方式，构建基于该标记后的共性特征和对应该共性特征的该标记后的语音数据的二分类模型，这样的好处是因为该卷积神经网络能够保留语音数据上下文的信息，进而能够便于识别对应该共性特征的该标记后的语音数据。

进一步的，以上方案，可以基于该二分类模型，根据患者当前输入的病症语音，从该标记后的共性特征中提取与该病症语音匹配的病症特征，并根据该病症特征，对患者的病症进行诊断，这样的好处是能够实现患者能够自助进行病症诊断，提高了患者病症诊断的效率。

进一步的，以上方案，可以基于该对患者的病症进行的诊断，为患者配置对应的医院和对应该医院的诊疗科室，这样的好处是能够实现提高患者与对应的医院和对应该医院的诊疗科室的准确率，提高了患者的体验。

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

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

另外，在本发明各个实施方式中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

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)或处理器(processor)执行本发明各个实施方式方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅为本发明的部分实施例，并非因此限制本发明的保护范围，凡是利用本发明说明书及附图内容所作的等效装置或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

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

另外，在本发明各个实施方式中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

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)或处理器(processor)执行本发明各个实施方式方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅为本发明的部分实施例，并非因此限制本发明的保护范围，凡是利用本发明说明书及附图内容所作的等效装置或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。