具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。

应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

本申请的实施例提供了一种智能问诊方法、装置、设备及存储介质。本申请实施例提供的智能问诊方法，首先通过获取用户的人脸信息和声音信息，基于所述人脸信息确定所述用户的身份标识信息，并根据所述用户的身份标识信息获取所述用户的历史诊断信息；然后根据所述历史诊断信息生成用于指示用户输入身体症状提示信息；最后接收用户根据所述提示信息输入的身体症状信息，将所述身体症状信息和所述声音信息输入预设的AI疾病诊断模型进行分析，得到所述用户的身体诊断结果和就医指导信息并显示。能够在减少用户就医流程的同时，综合对用户身体状况进行诊断并给出合理的就医指导信息。

下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。

请参阅图1所示，图1是本申请实施例提供的智能问诊方法的应用场景示意图。在本实施例中，智能问诊方法应用于机器人102。具体地，假设用户101想通过机器人102了解自身的身体健康状况，并希望得到有效的就医指导信息，则机器人102首先需要获取该用户101的人脸信息和声音信息，然后根据获取的人脸信息判别该用户101的身份标识信息，进而根据所述身份标识信息获取该用户101的历史诊断信息，进一步根据获取的历史诊断信息生成用于指示用户输入身体症状的提示信息，再根据预设的AI疾病诊断模型对用户输入的身体症状信息和获取的声音信息进行分析，得到该用户101的身体诊断结果和就医指导信息并显示。

其中，机器人102是指能够自主工作的智能机器，其具有感知、决策、执行等基本特征，可以辅助甚至替代人类完成一些复杂、繁重的工作，主要通过可编程动作来执行各种任务，且具有编程能力的多功能操作机。在本实施例中，机器人102在结构上包括头部和支架，且在其头部设置有摄像装置和语音采集装置(摄像装置和语音采集装置在图中均未示出)，所述摄像装置用于获取用户的人脸信息，所述语音采集装置用于采集声音信息；在机器人102内部设置有具有编程能力的处理器，用于对基于所述人脸信息确定用户的身份标识信息，并根据身份标识信息获取用户的历史诊断信息。需要说明的是，本申请对机器人102的结构并不做任何限定，本实施例仅是示例性表示。

此外，本实施例对摄像装置和语音采集装置也不做具体的限定。可选地，用户的历史诊断信息可以与用户的身份标识信息预先关联存储在机器人102内，具体地，可以在机器人102内设置有存储空间，也可以将用户的历史诊断信息与用户的身份标识信息预先关联存储在云端，机器人102可以从云端获取用户的历史诊断信息。

另外，机器人102上还设置有显示屏1021，例如在机器人102的头部设置有显示屏1021，用于显示根据历史诊断信息生成的提示信息；与所述显示屏1021对应的，还设置有输入窗口1022，用于供用户输入身体症状，其中显示屏1021与输入窗口1022的相对位置在此不做限定。可选地，输入窗口1022还可以设置下拉菜单或者选择项，用于供用户选择身体症状信息。

具体地，机器人102的工作过程可以参考下面关于智能问诊方法各实施例的描述。

请参阅图2，图2是本申请一实施例提供的智能问诊方法的示意流程图。该智能问诊方法可以由智能问诊设备执行，所述智能问诊设备可以是服务器或者终端实现，所述服务器可以是单个服务器或者服务器集群。所述终端可以是手持终端、笔记本电脑、可穿戴设备或者机器人等。

如图2所示，图2是本申请一实施例提供的智能问诊方法的实现流程图。

具体包括：步骤S201至步骤S204。详述如下：

S201，获取用户的人脸信息和声音信息。

在本申请的实施例中，用户的人脸信息包括通过摄像设备获取的用户人脸图像，声音信息包括通过声音采集设备采集的用户在预设时长内发出的音频信号。具体地，摄像设备和声音采集设备均设置在智能问诊设备上，本申请实施例对摄像设备和声音采集设备不做任何限定，可以是现有的任何摄像设备和声音采集设备。

S202，基于所述人脸信息确定所述用户的身份标识信息，根据所述身份标识信息获取所述用户的历史诊断信息。

可选地，根据预设的人脸识别模型对所述人脸信息进行识别，得到与所述人脸信息相匹配的目标对象，获取所述目标对象的身份标识信息，该目标对象的身份标识信息即为所述用户的身份标识信息。其中，对预设的人脸识别模型在本实施例中不做具体限定，其可以是深度学习网络模型、神经网络模型等现有的人脸识别模型。

此外，在本申请的实施例中，还可以采用基于几何特征对比算法或者基于模板对比算法对人脸信息进行分析，确定所述用户的身份标识信息。

其中，用户的身份标识信息包括姓名、电话号码、身份证号码或者驾驶证号码等能够唯一标识用户身份的信息。

示例性地，所述根据所述身份标识信息获取所述用户的历史诊断信息，包括：以所述身份标识信息为关联字段，确定与所述身份标识信息关联存储的历史诊断信息，其中，与所述身份标识信息关联存储的历史诊断信息为所述用户的历史诊断信息。

需要说明的是，在本申请的实施例中，用户的身份标识信息与历史诊断信息可以关联存储在智能问诊设备中，也可以关联存储在云端。

S203，根据所述历史诊断信息生成提示信息，所述提示信息用于指示用户输入身体症状。

其中，历史诊断信息可以包括：用户在特定时间段内的就医记录、诊断结果信息、诊断参考数据和用户画像信息。具体地，用户画像信息为根据用户历次就医时登记的信息判别出的用户特征信息，如，年龄、性别、身高、体型和职业等，在本实施例中，用户画像信息存储在预设数据库中。

示例性地，如图3所示，图3是图2中S203的具体实现流程图。由图3可知，在本实施例中，S203包括S2031至S2033。详述如下：

S2031，对所述历史诊断信息进行预处理，得到特征变量。

具体地，所述特征变量由与用户身体状态数据相关联的特征构成的变量。例如用户身体状态数据为血糖数据高于正常指标值，与血糖数据高于正常指标值相关联的特征为糖尿病，又如用户身体状态数据为体重高于正常指标值，与体重高于正常指标值相关联的特征为肥胖；示例性地，在本实施例中，所述对所述历史诊断信息进行预处理，得到特征变量，包括：从所述历史诊断信息中提取出现频率大于预设频率的目标诊断信息，获取与所述目标诊断信息相关联的用户身体状态数据；确定与获取的用户身体状态数据相关联的特征，构成所述特征变量。

S2032，利用预设的判断规则对所述特征变量进行计算，得到计算结果。

其中，所述利用预设的判断规则对所述特征变量进行计算，得到计算结果，包括：利用预先训练完成的决策树模型，对所述特征变量进行判断，得到与用户身体状态数据相关联的各个预设疾病的概率大小；其中，所述与用户身体状态数据相关联的各个预设疾病的概率大小为所述计算结果。

具体地，预先训练完成的决策树模型包括策略层、决策层及结果，且策略层、决策层和结果构成树形图，用于对特征变量进行序列决策，以特征变量的最大期望作为决策准则，得到与用户身体状态数据相关联的各个预设疾病的概率大小。

S2033，根据所述计算结果得到提示信息，其中，所述提示信息用于指示用户输入身体症状。

具体地，根据与用户身体状态数据相关联的各个预设疾病的概率大小，获取最大概率值对应的疾病类别，在确定了最大概率值对应的基本类别后，确定与该疾病类别相关联的用户身体症状，生成所述提示信息。例如，根据与用户身体状态数据相关联的各个预设疾病的概率大小，确定最大概率值对应的疾病类型为胃病，则确定与胃病相关联的用户身体症状，包括：饭量、吃饭频率、食物类别、各食物类别对应引起的身体症状等。

S204，接收所述用户根据所述提示信息输入的身体症状信息，将所述身体症状信息和所述声音信息输入预设的AI疾病诊断模型进行分析，得到所述用户的身体诊断结果和就医指导信息并显示。

其中，所述预设的AI疾病诊断模型为AI中医诊断模型，所述AI中医诊断模型包括数据处理网络层、神经网络层、训练网络层和检测网络层。

示例性地，如图4所示，图4是图2中S204的具体实现流程图。由图4可知，在本实施例中，S204包括S2041至S2044，详述如下：

S2041，将所述身体症状信息和所述声音信息输入所述AI中医诊断模型，通过所述数据处理网络层对所述身体症状信息进行数据扩充处理，并将扩充后的数据随机分为训练样本集和测试样本集。

具体地，所述数据处理网络层对所述身体症状信息进行扩充，得到与所述身体症状信息相近的身体症状信息；具体地，所述身体症状信息包括舌头信息(如舌苔、厚度和颜色等)、血压数据、体温数据、日常饮食习惯数据、心率数据、体重值等中的至少一种。例如，所述身体症状信息包括体重值为50KG，则所述数据网络层获取在所述体重值周围上下浮动的多个体重值，得到扩充之后的多个体重值。

S2042，基于所述训练样本集和所述神经网络层搭建所述AI中医诊断模型，并通过所述训练网络层对所述AI中医诊断模型基于所述训练样本集和所述声音信息进行训练。

其中，所述AI中医诊断模型的输入数据包括所述身体症状数据和所述声音信息，在本实施中，将用户的声音信息加入训练样本中，有利于AI中医诊断模型根据用户的声音信息对与声音相关的基本进行诊断，并能提高诊断的准确性。

具体地，声音的变化可能引起的疾病包括喉肿瘤、喉炎、肺部疾病、声带疾病等，这些与声音的变化相关的疾病通常由普通身体症状数据很难准确确诊。

示例性地，通过所述训练网络层对所述AI中医诊断模型基于所述训练样本集和所述声音信息进行训练，包括：基于所述训练样本集对所述AI中医诊断模型的主网络进行训练，获取第一分类输出函数(也称为预期失效函数)的第一预测结果，确定第一分类输出函数的第一预测结果与预设疾病是否相同；若所述第一预测结果与预设疾病相同，则基于所述声音数据对所述AI中医诊断模型的主网络进行再训练，监测第二分类输出函数(也称为预期充分函数)的第二预测结果，直至所述第二预测结果与预设疾病相同。

其中，AI中医诊断模型的主网络为贝叶斯网络，其可以模拟数百种疾病、风险因素和症状之间的关系。此外，与贝叶斯网络相连的有两个分类输出函数，分别为第一分类输出函数和第二分类输出函数。其中，第一分类输出函数为反事实的诊断措施，称为预期失效函数，第二分类输出函数为事实诊断措施，称为预期充分函数。贝叶斯网络将疾病、症状和风险因素之间的预测结果表示为二元节点，要么为开(代表真)，要么关(代表假)，分别通过第一分类输出函数和第二分类输出函数输出预测结果。

具体地，第一分类输出函数可以表示为：

第二分类输出函数可以表示为：

其中，在第一分类函数和第二分类函数中，E_dis(D，ε)：代表第一分类输出函数的第一预测结果，E_suff(D，ε)：代表第二分类输出函数的第二预测结果，ε为事实证据，S+为证据确凿的事实状态，S'+为证据不确凿的事实状态，D代表预测疾病，F代表预设疾病，S'为反事实症状证据状态。

S2043，通过所述检测网络层对训练之后的所述AI中医诊断模型基于测试样本集和所述声音信息进行验证，在验证通过后，得到训练完成的所述AI中医诊断模型。

具体地，将所述测试样本集和所述声音信息输入训练之后的AI中医诊断模型，在训练之后的所述AI中医诊断模型中对所述测试样本集和所述声音信息进行分析，若所述第一分类函数输出的第一预测结果和所述第二分类函数输出的第二预测结果与预设疾病相同的概率值均大于预设概率值，则确定验证通过，否则，则验证不通过。可以理解地，在验证不通过时，需要继续对所述AI中医诊断模型基于训练样本集和所述声音信息进行训练，直至验证通过。

S2044，利用训练完成的所述AI中医诊断模型对所述身体症状信息和所述声音信息进行分析，得到所述用户的身体诊断结果和就医指导信息并显示。

具体地，利用训练完成的所述AI中医诊断模型对所述身体症状信息和所述声音信息进行分析，得到所述用户得预设疾病的概率值，根据用户得预设疾病的概率值，生成用户的身体诊断结果和就医指导信息。

可选地，在智能问诊设备上为每一种疾病对应设置一个AIDE菜单按键，所述提示信息为所述AIDE按键对应的疾病诊断所需信息。具体地，所述AIDE菜单按键设置在智能问诊设备的显示器上。

可选地，可以将所述提示信息发送至语音播报端，以使所述语音播报端根据所述提示信息发出语音提示。

示例性地，在利用预设的判断规则对所述特征变量进行计算，得到计算结果；根据所述计算结果得到提示信息之后，还可以包括：

获取用户基于AIDE菜单输入的疾病诊断所需信息；根据所述疾病诊断所需信息和预先建立的疾病诊断预判断模型确定服务提示信息；将所述服务提示信息发送至用户画像信息展示端进行展示，以提示用户已进入相应的服务队列。

也就是说，用户在根据IVR菜单，选择输入疾病诊断所需信息后，机器人根据客户输入的疾病诊断所需信息和预先建立疾病诊断预判模型(例如，预先建立的疾病诊断预判模型为概率信息矩阵模型)确定用户本次进行诊断的疾病类型或者所需要用到的诊断通道类型，得到服务提示信息，将该服务提示信息显示在用户画像信息展示端，以方便坐席客服和用户看到显示的服务提示信息后，能及时知道该用户的疾病诊断进展。

通过上述分析可知，本实施例提供的智能问诊方法，首先通过获取用户的人脸信息和声音信息，基于所述人脸信息确定所述用户的身份标识信息，并根据所述用户的身份标识信息获取所述用户的历史诊断信息；然后根据所述历史诊断信息生成用于指示用户输入身体症状提示信息；最后接收用户根据所述提示信息输入的身体症状信息，将所述身体症状信息和所述声音信息输入预设的AI疾病诊断模型进行分析，得到所述用户的身体诊断结果和就医指导信息并显示。能够在减少用户就医流程的同时，综合对用户身体状况进行诊断并给出合理的就医指导信息。

请参阅图5所示，图5是本申请实施例提供的智能问诊装置的结构示意图。该智能问诊装置500用于执行图2实施例所示的智能问诊方法的步骤。该智能问诊装置500可以是单个服务器或服务器集群，或者该智能问诊装置500可以是终端，该终端可以是手持终端、笔记本电脑、可穿戴设备或者机器人等。

如图5所示，智能问诊装置500包括：

第一获取模块501，用于获取用户的人脸信息和声音信息；

第二获取模块502，用于基于所述人脸信息确定所述用户的身份标识信息，根据所述身份标识信息获取所述用户的历史诊断信息；

生成模块503，用于根据所述历史诊断信息生成提示信息，所述提示信息用于指示用户输入身体症状；

得到模块504，用于接收所述用户根据所述提示信息输入的身体症状信息，将所述身体症状信息和所述声音信息输入预设的AI疾病诊断模型进行分析，得到所述用户的身体诊断结果和就医指导信息并显示。

在一实施例中，第二获取模块502，具体用于：

以所述身份标识信息为关联字段，确定与所述身份标识信息关联存储的历史诊断信息。

在一实施例中，所述生成模块503，包括：

第一得到单元，用于对所述历史诊断信息进行预处理，得到特征变量；

第二得到单元，用于利用预设的判断规则对所述特征变量进行计算，得到计算结果；

第三得到单元，用于根据所述计算结果得到提示信息，其中，所述提示信息用于指示用户输入身体症状。

在一实施例中，第一得到单元，包括：

获取子单元，用于从所述历史诊断信息中提取出现频率大于预设频率的目标诊断信息，获取与目标诊断信息相关联的用户身体状态数据；

构成子单元，用于确定与获取的用户身体状态数据相关联的特征，构成所述特征变量。

在一实施例中，第二得到单元，具体用于：

利用预先训练完成的决策树模型，对所述特征变量进行判断，得到与用户身体状态数据相关联的各个预设疾病的概率大小；其中，所述与用户身体状态数据相关联的各个预设疾病的概率大小为所述计算结果。

在一实施例中，所述预设的AI疾病诊断模型为AI中医诊断模型，所述AI中医诊断模型包括数据处理网络层、神经网络层、训练网络层和检测网络层；

得到模块504，包括：

处理单元，用于将所述身体症状信息和所述声音信息输入所述AI中医诊断模型，通过所述数据处理网络层对所述身体症状信息和所述声音信息分别进行数据扩充处理，并将扩充后的数据随机分为训练样本集和测试样本集；

训练单元，用于基于所述训练样本集和所述神经网络层搭建所述AI中医诊断模型，并通过所述训练网络层对所述AI中医诊断模型基于所述训练样本集进行训练；

验证单元，用于通过所述检测网络层对训练之后的所述AI中医诊断模型基于测试样本集进行验证，在验证通过后，得到训练完成的所述AI中医诊断模型；

第四得到单元，用于利用训练完成的所述AI中医诊断模型对所述身体症状信息和所述声音信息进行分析，得到所述用户的身体诊断结果和就医指导信息并显示。

在一实施例中，训练单元，包括：

获取子单元，用于基于所述训练样本集对所述AI中医诊断模型的主网络进行训练，获取第一分类输出函数第一的预测结果，确定第一分类输出函数的第一预测结果与预设疾病是否相同；

检测子单元，用于在若所述第一预测结果与预设疾病相同，则基于所述声音数据对所述AI中医诊断模型的主网络进行再训练，监测第二分类输出函数的第二预测结果，直至所述第二预测结果与预设疾病相同。

需要说明的是，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的智能问诊装置和各模块的具体工作过程，可以参考图2实施例所述的智能问诊方法实施例中的对应过程，在此不再赘述。

上述的智能问诊方法可以实现为一种计算机程序的形式，该计算机程序可以在如图5所示的装置上运行。

请参阅图6，图6是本申请实施例提供的智能问诊设备的结构示意性框图。该智能问诊设备600包括通过系统总线连接的处理器、存储器和网络接口，其中，存储器可以包括非易失性存储介质和内存储器。

非易失性存储介质可存储操作系统和计算机程序。该计算机程序包括程序指令，该程序指令被执行时，可使得处理器执行任意一种智能问诊方法。

处理器用于提供计算和控制能力，支撑整个计算机设备的运行。

内存储器为非易失性存储介质中的计算机程序的运行提供环境，该计算机程序被处理器执行时，可使得处理器执行任意一种智能问诊方法。

该网络接口用于进行网络通信，如发送分配的任务等。本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的终端的限定，具体的智能问诊设备600可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

应当理解的是，处理器可以是中央处理单元(Central Processing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

其中，在一个实施例中，所述处理器用于运行存储在存储器中的计算机程序，以实现如下步骤：

获取用户的人脸信息和声音信息；

基于所述人脸信息确定所述用户的身份标识信息，根据所述身份标识信息获取所述用户的历史诊断信息；

根据所述历史诊断信息生成提示信息，所述提示信息用于指示用户输入身体症状；

接收所述用户根据所述提示信息输入的身体症状信息，将所述身体症状信息和所述声音信息输入预设的AI疾病诊断模型进行分析，得到所述用户的身体诊断结果和就医指导信息并显示。

在一实施例中，所述根据所述身份标识信息获取所述用户的历史诊断信息，包括：

以所述身份标识信息为关联字段，确定与所述身份标识信息关联存储的历史诊断信息。

在一实施例中，所述根据所述历史诊断信息生成提示信息，包括：

对所述历史诊断信息进行预处理，得到特征变量；

利用预设的判断规则对所述特征变量进行计算，得到计算结果；

根据所述计算结果得到提示信息，其中，所述提示信息用于指示用户输入身体症状。

在一实施例中，所述特征变量由与用户身体状态数据相关联的特征构成的变量，所述对所述历史诊断信息进行预处理，得到特征变量，包括：

从所述历史诊断信息中提取出现频率大于预设频率的目标诊断信息，获取与目标诊断信息相关联的用户身体状态数据；

确定与获取的用户身体状态数据相关联的特征，构成所述特征变量。

在一实施例中，所述利用预设的判断规则对所述特征变量进行计算，得到计算结果，包括：

利用预先训练完成的决策树模型，对所述特征变量进行判断，得到与用户身体状态数据相关联的各个预设疾病的概率大小；其中，所述与用户身体状态数据相关联的各个预设疾病的概率大小为所述计算结果。

在一实施例中，所述预设的AI疾病诊断模型为AI中医诊断模型，所述AI中医诊断模型包括数据处理网络层、神经网络层、训练网络层和检测网络层；

所述将所述身体症状信息和所述声音信息输入预设的AI疾病诊断模型进行分析，得到所述用户的身体诊断结果和就医指导信息并显示，包括：

将所述身体症状信息和所述声音信息输入所述AI中医诊断模型，通过所述数据处理网络层对所述身体症状信息和所述声音信息分别进行数据扩充处理，并将扩充后的数据随机分为训练样本集和测试样本集；

基于所述训练样本集和所述神经网络层搭建所述AI中医诊断模型，并通过所述训练网络层对所述AI中医诊断模型基于所述训练样本集进行训练；

通过所述检测网络层对训练之后的所述AI中医诊断模型基于测试样本集进行验证，在验证通过后，得到训练完成的所述AI中医诊断模型；

利用训练完成的所述AI中医诊断模型对所述身体症状信息和所述声音信息进行分析，得到所述用户的身体诊断结果和就医指导信息并显示。

在一实施例中，所述基于所述训练样本集和所述神经网络层搭建所述AI中医诊断模型，并通过所述训练网络层对所述AI中医诊断模型基于所述训练样本集进行训练，包括：

基于所述训练样本集对所述AI中医诊断模型的主网络进行训练，获取第一分类输出函数第一的预测结果，确定第一分类输出函数的第一预测结果与预设疾病是否相同；

若所述第一预测结果与预设疾病相同，则基于所述声音数据对所述AI中医诊断模型的主网络进行再训练，监测第二分类输出函数的第二预测结果，直至所述第二预测结果与预设疾病相同。

本申请的实施例中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存储有计算机程序，所述计算机程序中包括程序指令，所述处理器执行所述程序指令，实现本申请图1实施例提供的智能问诊方法的步骤。

其中，所述计算机可读存储介质可以是前述实施例所述的计算机设备的内部存储单元，例如所述计算机设备的硬盘或内存。所述计算机可读存储介质也可以是所述计算机设备的外部存储设备，例如所述计算机设备上配备的插接式硬盘，智能存储卡(SmartMedia Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。