CN113744831A - 一种线上医疗应用购买*** - Google Patents

一种线上医疗应用购买*** Download PDF

Info

Publication number
CN113744831A
CN113744831A CN202110962675.4A CN202110962675A CN113744831A CN 113744831 A CN113744831 A CN 113744831A CN 202110962675 A CN202110962675 A CN 202110962675A CN 113744831 A CN113744831 A CN 113744831A
Authority
CN
China
Prior art keywords
subunit
convolution
medical application
application software
input
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.)
Pending
Application number
CN202110962675.4A
Other languages
English (en)
Inventor
黄路非
李暄
袁静
欧军
向洋
陈勇
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.)
No 3 Peoples Hospital of Chengdu
China United Network Communications Corp Ltd Chengdu Branch
Original Assignee
No 3 Peoples Hospital of Chengdu
China United Network Communications Corp Ltd Chengdu Branch
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 No 3 Peoples Hospital of Chengdu, China United Network Communications Corp Ltd Chengdu Branch filed Critical No 3 Peoples Hospital of Chengdu
Priority to CN202110962675.4A priority Critical patent/CN113744831A/zh
Publication of CN113744831A publication Critical patent/CN113744831A/zh
Pending 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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/02—Feature extraction for speech recognition; Selection of recognition unit
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/08—Speech classification or search
    • G10L15/16—Speech classification or search using artificial neural networks
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/26—Speech to text systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Human Computer Interaction (AREA)
  • Acoustics & Sound (AREA)
  • General Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Multimedia (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Epidemiology (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明公开了一种线上医疗应用购买***，包括：用户登录模块、用户检索模块、医疗应用软件推荐模块、医疗应用软件数据库和显示模块；本发明设计了3种输入方式，语音、图片和文字满足各种情况的用户需求，同时通过关键词的匹配精确且快速查找出用户需要的应用软件，将匹配率高的放在前面，便于用户快速购买医疗应用软件。

Description

一种线上医疗应用购买***
技术领域
本发明涉及医疗应用购买***领域，具体涉及一种线上医疗应用购买***。
背景技术
医院对医疗应用软件的购买需求量大，但是现有医疗应用购买***需要购买者花费大量时间和精力来筛选，且存在输入法单一，检索时间长的问题，使得用户购买的时间成本高，且无法准确筛选出用户所需软件。
发明内容
针对现有技术中的上述不足，本发明提供的一种线上医疗应用购买***解决了现有医疗购买***存在输入法单一、检索时间长和检索不精确的问题。
为了达到上述发明目的，本发明采用的技术方案为：一种线上医疗应用购买***，包括：用户登录模块、用户检索模块、医疗应用软件推荐模块、医疗应用软件数据库和显示模块；
所述用户登录模块用于用户登录；所述医疗应用软件推荐模块收集用户购买的医疗应用软件的应用软件名称，进而分析用户的需求，得到推荐医疗应用软件，对用户进行推荐；所述用户检索模块用于在登录用户对医疗应用软件推荐模块推荐的医疗应用软件进行查看后，根据用户的输入对医疗应用软件数据库中的医疗应用软件的应用软件名称进行匹配，得到满足用户输入的所有医疗应用软件；所述显示模块依次呈现满足用户输入的所有医疗应用软件。
进一步地，用户的输入包括：语音输入、图像输入和文字输入；所述用户检索模块包括：语音转文字模型、图像转文字模型、关键词提取模型和匹配模型；
所述语音转文字模型用于将用户输入的语音转换为文字；所述图像转文字模型用于将用户输入的图像转为文字；所述关键词提取模型用于将用户输入的文字或语音转文字模型转换的文字或图像转文字模型转换的文字进行关键词提取，得到关键词集合；所述匹配模型用于将关键词集合中各个名词与医疗应用软件数据库中的医疗应用软件的应用软件名称进行匹配，得到满足用户输入的所有医疗应用软件。
进一步地，语音转文字模型包括：语音切分单元、语音特征提取单元、语音特征转换单元和文本转换单元；
所述语音切分单元用于将语音进行切分，得到多帧声音片段，所述多帧声音片段在相邻帧间有重叠；所述语音特征提取单元用于将每帧声音片段转换为多维向量，得到声音特征；所述语音特征转换单元用于将声音特征转换为生母和韵母组成的音素集合；所述文本转换单元用于将音素集合转换为文字。
进一步地，语音特征转换单元包括依次连接的第一LSTM子单元、第二LSTM子单元、第一全连接子单元、softmax分类子单元和CTC损失函数子单元；
所述CTC损失函数子单元的损失函数L为：
Figure BDA0003222653720000021
其中，N为声音片段的帧数，M为生母和韵母的类别数，yij为类别j是否属于输入第i帧声音片段的真实类别，pij为第i帧声音片段属于类别j的概率。
进一步地，图像转文字模型包括：行扫描特征提取单元、列扫描特征提取单元和BP神经网络映射单元；所述行扫描特征提取单元用于对图像的行像素进行特征提取，得到行特征；所述列扫描特征提取单元用于对图像的列像素进行特征提取，得到列特征；所述BP神经网络映射单元用于分析行特征和列特征，得到对应文字。
上述进一步方案的有益效果为：本发明设计的图像转文字模型分别从图像的行像素和列像素出发，进而提取到两方面的特征，使得图像的特征提取更全面。
进一步地，行扫描特征提取单元和列扫描特征提取单元均包括：输入子单元、第一卷积子单元、第二卷积子单元、第三卷积子单元、第四卷积子单元、第五卷积子单元、第六卷积子单元和第二全连接子单元；
所述输入子单元的输出端分别与第一卷积子单元的输入端、第一卷积子单元的输出端、第二卷积子单元的输入端、第二卷积子单元的输出端、第三卷积子单元的输入端、第三卷积子单元的输出端、第四卷积子单元的输入端、第四卷积子单元的输出端、第五卷积子单元的输入端、第五卷积子单元的输出端和第六卷积子单元的输入端连接；所述第六卷积子单元的输出端与第二全连接子单元的输入端连接；所述输入子单元的输入端作为行扫描特征提取单元或列扫描特征提取单元的输入端；所述第二全连接子单元的输出端作为行扫描特征提取单元或列扫描特征提取单元的输出端；
所述第一卷积子单元、第二卷积子单元、第三卷积子单元、第四卷积子单元、第五卷积子单元和第六卷积子单元的结构均相同，均包括：卷积层、降采样层、投影层、激活层、第一池化层、第二池化层和加法层；
所述卷积层的输入端作为第一卷积子单元、第二卷积子单元、第三卷积子单元、第四卷积子单元、第五卷积子单元或第六卷积子单元的输入端，其输出端与降采样层的输入端连接；所述降采样层的输出端与投影层的输入端连接；所述投影层的输出端与激活层的输入端连接；所述激活层的输出端分别与第一池化层的输入端和第二池化层的输入端连接；所述第一池化层的输出端与加法层的第一输入端连接；所述第二池化层的输出端与加法层的第二输入端连接；所述加法层的输出端作为第一卷积子单元、第二卷积子单元、第三卷积子单元、第四卷积子单元、第五卷积子单元或第六卷积子单元的输出端。
上述进一步方案的有益效果为：通过将输入子单元输出的图像数据加入到每一个卷积子单元中进行处理，输入子单元输出的图像数据包含的信息最丰富，防止在降采样和池化过程中，将关键信息遗落。
进一步地，卷积层用于对图像数据进行卷积处理，得到特征图数据；所述降采样层用于对特征图数据降采样处理，得到缩略特征图数据；所述投影层用于将缩略特征图数据投影到高维空间，得到高维的投影图；所述激活层用于对高维的投影图进行非线性处理，得到中间特征图；所述第一池化层用于对中间特征图进行加权平均运算，得到第一中间特征向量；所述第二池化层用于对中间特征图进行全局显著性聚合加权，得到由中间特征图中最显著特征组合加权而成的第二中间特征向量；所述加法层用于将第一中间特征向量和第二中间特征向量进行拼接，得到输出特征向量。
上述进一步方案的有益效果为：第一池化层和第二池化层对于中间特征图的处理方式并不相同，第一池化层是对中间特征图进行加权平均处理，减少参数量，第二池化层是对中间特征图进行全局显著性聚合加权，保留最显著特征，通过这两种池化方式的结合，避免池化过程将显著特征去掉，最大范围的保留特征。
进一步地，关键词提取模型用于将文字中的连接词去掉，得到多个名词；所述多个名词组合成关键词集合；所述匹配模型用于将关键词集合中的多个名词分别与医疗应用软件数据库中的医疗应用软件的每种应用软件名称进行匹配，得到匹配率；所述显示模块按照匹配率的高低依次呈现满足用户输入的所有医疗应用软件。
上述进一步方案的有益效果为：关键词提取模型用于将文字中的连接词去掉，例如：一种用于打印的连接小软件，去掉连接词“一种用于、的、小软件”等无用词，仅提取名词“打印”和“连接”，避免无用词的干扰，同时，将“打印”和“连接”与应用软件名称进行匹配，若两个词都能匹配上，则匹配率高，若仅能匹配一个词则匹配率低，若均不能匹配，则医疗应用软件数据库中没有相关的用词，即也没有相关的应用软件；通过这种方式快速筛选出用户最需要的应用软件。
综上，本发明的有益效果为：本发明设计了3种输入方式，语音、图片和文字满足各种情况的用户需求，同时通过关键词的匹配精确且快速查找出用户需要的应用软件，将匹配率高的放在前面，便于用户快速购买医疗应用软件。
附图说明
图1为一种线上医疗应用购买***的***框图；
图2为语音特征转换单元的结构示意图；
图3为行扫描特征提取单元和列扫描特征提取单元的结构示意图；
图4为卷积子单元的结构示意图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图1所示，一种线上医疗应用购买***，包括：用户登录模块、用户检索模块、医疗应用软件推荐模块、医疗应用软件数据库和显示模块；
所述用户登录模块用于用户登录；所述医疗应用软件推荐模块收集用户购买的医疗应用软件的应用软件名称，进而分析用户的需求，得到推荐医疗应用软件，对用户进行推荐；所述用户检索模块用于在登录用户对医疗应用软件推荐模块推荐的医疗应用软件进行查看后，根据用户的输入对医疗应用软件数据库中的医疗应用软件的应用软件名称进行匹配，得到满足用户输入的所有医疗应用软件；所述显示模块依次呈现满足用户输入的所有医疗应用软件。
用户的输入包括：语音输入、图像输入和文字输入；所述用户检索模块包括：语音转文字模型、图像转文字模型、关键词提取模型和匹配模型；
所述语音转文字模型用于将用户输入的语音转换为文字；所述图像转文字模型用于将用户输入的图像转为文字；所述关键词提取模型用于将用户输入的文字或语音转文字模型转换的文字或图像转文字模型转换的文字进行关键词提取，得到关键词集合；所述匹配模型用于将关键词集合中各个名词与医疗应用软件数据库中的医疗应用软件的应用软件名称进行匹配，得到满足用户输入的所有医疗应用软件。
语音转文字模型包括：语音切分单元、语音特征提取单元、语音特征转换单元和文本转换单元；
所述语音切分单元用于将语音进行切分，得到多帧声音片段，所述多帧声音片段在相邻帧间有重叠；所述语音特征提取单元用于将每帧声音片段转换为多维向量，得到声音特征；所述语音特征转换单元用于将声音特征转换为生母和韵母组成的音素集合；所述文本转换单元用于将音素集合转换为文字。
如图2所示，语音特征转换单元包括依次连接的第一LSTM子单元、第二LSTM子单元、第一全连接子单元、softmax分类子单元和CTC损失函数子单元；
所述CTC损失函数子单元的损失函数L为：
Figure BDA0003222653720000071
其中，N为声音片段的帧数，M为生母和韵母的类别数，yij为类别j是否属于输入第i帧声音片段的真实类别，pij为第i帧声音片段属于类别j的概率。
图像转文字模型包括：行扫描特征提取单元、列扫描特征提取单元和BP神经网络映射单元；所述行扫描特征提取单元用于对图像的行像素进行特征提取，得到行特征；所述列扫描特征提取单元用于对图像的列像素进行特征提取，得到列特征；所述BP神经网络映射单元用于分析行特征和列特征，得到对应文字。
本发明设计的图像转文字模型分别从图像的行像素和列像素出发，进而提取到两方面的特征，使得图像的特征提取更全面。
如图3所示，行扫描特征提取单元和列扫描特征提取单元均包括：输入子单元、第一卷积子单元、第二卷积子单元、第三卷积子单元、第四卷积子单元、第五卷积子单元、第六卷积子单元和第二全连接子单元；
所述输入子单元的输出端分别与第一卷积子单元的输入端、第一卷积子单元的输出端、第二卷积子单元的输入端、第二卷积子单元的输出端、第三卷积子单元的输入端、第三卷积子单元的输出端、第四卷积子单元的输入端、第四卷积子单元的输出端、第五卷积子单元的输入端、第五卷积子单元的输出端和第六卷积子单元的输入端连接；所述第六卷积子单元的输出端与第二全连接子单元的输入端连接；所述输入子单元的输入端作为行扫描特征提取单元或列扫描特征提取单元的输入端；所述第二全连接子单元的输出端作为行扫描特征提取单元或列扫描特征提取单元的输出端；
如图4所示，所述第一卷积子单元、第二卷积子单元、第三卷积子单元、第四卷积子单元、第五卷积子单元和第六卷积子单元的结构均相同，均包括：卷积层、降采样层、投影层、激活层、第一池化层、第二池化层和加法层；
所述卷积层的输入端作为第一卷积子单元、第二卷积子单元、第三卷积子单元、第四卷积子单元、第五卷积子单元或第六卷积子单元的输入端，其输出端与降采样层的输入端连接；所述降采样层的输出端与投影层的输入端连接；所述投影层的输出端与激活层的输入端连接；所述激活层的输出端分别与第一池化层的输入端和第二池化层的输入端连接；所述第一池化层的输出端与加法层的第一输入端连接；所述第二池化层的输出端与加法层的第二输入端连接；所述加法层的输出端作为第一卷积子单元、第二卷积子单元、第三卷积子单元、第四卷积子单元、第五卷积子单元或第六卷积子单元的输出端。
通过将输入子单元输出的图像数据加入到每一个卷积子单元中进行处理，输入子单元输出的图像数据包含的信息最丰富，防止在降采样和池化过程中，将关键信息遗落。
卷积层用于对图像数据进行卷积处理，得到特征图数据；所述降采样层用于对特征图数据降采样处理，得到缩略特征图数据；所述投影层用于将缩略特征图数据投影到高维空间，得到高维的投影图；所述激活层用于对高维的投影图进行非线性处理，得到中间特征图；所述第一池化层用于对中间特征图进行加权平均运算，得到第一中间特征向量；所述第二池化层用于对中间特征图进行全局显著性聚合加权，得到由中间特征图中最显著特征组合加权而成的第二中间特征向量；所述加法层用于将第一中间特征向量和第二中间特征向量进行拼接，得到输出特征向量。
第一池化层和第二池化层对于中间特征图的处理方式并不相同，第一池化层是对中间特征图进行加权平均处理，减少参数量，第二池化层是对中间特征图进行全局显著性聚合加权，保留最显著特征，通过这两种池化方式的结合，避免池化过程将显著特征去掉，最大范围的保留特征。
关键词提取模型用于将文字中的连接词去掉，得到多个名词；所述多个名词组合成关键词集合；所述匹配模型用于将关键词集合中的多个名词分别与医疗应用软件数据库中的医疗应用软件的每种应用软件名称进行匹配，得到匹配率；所述显示模块按照匹配率的高低依次呈现满足用户输入的所有医疗应用软件。
关键词提取模型用于将文字中的连接词去掉，例如：一种用于打印的连接小软件，去掉连接词“一种用于、的、小软件”等无用词，仅提取名词“打印”和“连接”，避免无用词的干扰，同时，将“打印”和“连接”与应用软件名称进行匹配，若两个词都能匹配上，则匹配率高，若仅能匹配一个词则匹配率低，若均不能匹配，则医疗应用软件数据库中没有相关的用词，即也没有相关的应用软件；通过这种方式快速筛选出用户最需要的应用软件。

Claims (8)

1.一种线上医疗应用购买***，其特征在于，包括：用户登录模块、用户检索模块、医疗应用软件推荐模块、医疗应用软件数据库和显示模块；
所述用户登录模块用于用户登录；所述医疗应用软件推荐模块收集用户购买的医疗应用软件的应用软件名称，进而分析用户的需求，得到推荐医疗应用软件，对用户进行推荐；所述用户检索模块用于在登录用户对医疗应用软件推荐模块推荐的医疗应用软件进行查看后，根据用户的输入对医疗应用软件数据库中的医疗应用软件的应用软件名称进行匹配，得到满足用户输入的所有医疗应用软件；所述显示模块依次呈现满足用户输入的所有医疗应用软件。
2.根据权利要求1所述的线上医疗应用购买***，其特征在于，所述用户的输入包括：语音输入、图像输入和文字输入；所述用户检索模块包括：语音转文字模型、图像转文字模型、关键词提取模型和匹配模型；
所述语音转文字模型用于将用户输入的语音转换为文字；所述图像转文字模型用于将用户输入的图像转为文字；所述关键词提取模型用于将用户输入的文字或语音转文字模型转换的文字或图像转文字模型转换的文字进行关键词提取，得到关键词集合；所述匹配模型用于将关键词集合中各个名词与医疗应用软件数据库中的医疗应用软件的应用软件名称进行匹配，得到满足用户输入的所有医疗应用软件。
3.根据权利要求2所述的线上医疗应用购买***，其特征在于，所述语音转文字模型包括：语音切分单元、语音特征提取单元、语音特征转换单元和文本转换单元；
所述语音切分单元用于将语音进行切分，得到多帧声音片段，所述多帧声音片段在相邻帧间有重叠；所述语音特征提取单元用于将每帧声音片段转换为多维向量，得到声音特征；所述语音特征转换单元用于将声音特征转换为生母和韵母组成的音素集合；所述文本转换单元用于将音素集合转换为文字。
4.根据权利要求3所述的线上医疗应用购买***，其特征在于，所述语音特征转换单元包括依次连接的第一LSTM子单元、第二LSTM子单元、第一全连接子单元、softmax分类子单元和CTC损失函数子单元；
所述CTC损失函数子单元的损失函数L为：
Figure FDA0003222653710000021
其中，N为声音片段的帧数，M为生母和韵母的类别数，yij为类别j是否属于输入第i帧声音片段的真实类别，pij为第i帧声音片段属于类别j的概率。
5.根据权利要求2所述的线上医疗应用购买***，其特征在于，所述图像转文字模型包括：行扫描特征提取单元、列扫描特征提取单元和BP神经网络映射单元；所述行扫描特征提取单元用于对图像的行像素进行特征提取，得到行特征；所述列扫描特征提取单元用于对图像的列像素进行特征提取，得到列特征；所述BP神经网络映射单元用于分析行特征和列特征，得到对应文字。
6.根据权利要求5所述的线上医疗应用购买***，其特征在于，所述行扫描特征提取单元和列扫描特征提取单元均包括：输入子单元、第一卷积子单元、第二卷积子单元、第三卷积子单元、第四卷积子单元、第五卷积子单元、第六卷积子单元和第二全连接子单元；
所述输入子单元的输出端分别与第一卷积子单元的输入端、第一卷积子单元的输出端、第二卷积子单元的输入端、第二卷积子单元的输出端、第三卷积子单元的输入端、第三卷积子单元的输出端、第四卷积子单元的输入端、第四卷积子单元的输出端、第五卷积子单元的输入端、第五卷积子单元的输出端和第六卷积子单元的输入端连接；所述第六卷积子单元的输出端与第二全连接子单元的输入端连接；所述输入子单元的输入端作为行扫描特征提取单元或列扫描特征提取单元的输入端；所述第二全连接子单元的输出端作为行扫描特征提取单元或列扫描特征提取单元的输出端；
所述第一卷积子单元、第二卷积子单元、第三卷积子单元、第四卷积子单元、第五卷积子单元和第六卷积子单元的结构均相同，均包括：卷积层、降采样层、投影层、激活层、第一池化层、第二池化层和加法层；
所述卷积层的输入端作为第一卷积子单元、第二卷积子单元、第三卷积子单元、第四卷积子单元、第五卷积子单元或第六卷积子单元的输入端，其输出端与降采样层的输入端连接；所述降采样层的输出端与投影层的输入端连接；所述投影层的输出端与激活层的输入端连接；所述激活层的输出端分别与第一池化层的输入端和第二池化层的输入端连接；所述第一池化层的输出端与加法层的第一输入端连接；所述第二池化层的输出端与加法层的第二输入端连接；所述加法层的输出端作为第一卷积子单元、第二卷积子单元、第三卷积子单元、第四卷积子单元、第五卷积子单元或第六卷积子单元的输出端。
7.根据权利要求6所述的线上医疗应用购买***，其特征在于，所述卷积层用于对图像数据进行卷积处理，得到特征图数据；所述降采样层用于对特征图数据降采样处理，得到缩略特征图数据；所述投影层用于将缩略特征图数据投影到高维空间，得到高维的投影图；所述激活层用于对高维的投影图进行非线性处理，得到中间特征图；所述第一池化层用于对中间特征图进行加权平均运算，得到第一中间特征向量；所述第二池化层用于对中间特征图进行全局显著性聚合加权，得到由中间特征图中最显著特征组合加权而成的第二中间特征向量；所述加法层用于将第一中间特征向量和第二中间特征向量进行拼接，得到输出特征向量。
8.根据权利要求2所述的线上医疗应用购买***，其特征在于，所述关键词提取模型用于将文字中的连接词去掉，得到多个名词；所述多个名词组合成关键词集合；所述匹配模型用于将关键词集合中的多个名词分别与医疗应用软件数据库中的医疗应用软件的每种应用软件名称进行匹配，得到匹配率；所述显示模块按照匹配率的高低依次呈现满足用户输入的所有医疗应用软件。
CN202110962675.4A 2021-08-20 2021-08-20 一种线上医疗应用购买*** Pending CN113744831A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110962675.4A CN113744831A (zh) 2021-08-20 2021-08-20 一种线上医疗应用购买***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110962675.4A CN113744831A (zh) 2021-08-20 2021-08-20 一种线上医疗应用购买***

Publications (1)

Publication Number Publication Date
CN113744831A true CN113744831A (zh) 2021-12-03

Family

ID=78732036

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110962675.4A Pending CN113744831A (zh) 2021-08-20 2021-08-20 一种线上医疗应用购买***

Country Status (1)

Country Link
CN (1) CN113744831A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101281534A (zh) * 2008-05-28 2008-10-08 叶睿智 一种基于音频内容检索的多媒体资源检索方法
JP2015114710A (ja) * 2013-12-09 2015-06-22 株式会社東芝 医療情報システム及び推奨アプリケーションの検索方法
CN107066477A (zh) * 2016-12-13 2017-08-18 合网络技术（北京）有限公司 一种智能推荐视频的方法及装置
CN109977258A (zh) * 2019-02-21 2019-07-05 中国科学院西安光学精密机械研究所 图像和语音的跨模态检索分类器模型、检索***和检索方法
CN110110116A (zh) * 2019-04-02 2019-08-09 浙江工业大学 一种整合深度卷积网络和语义分析的商标图像检索方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101281534A (zh) * 2008-05-28 2008-10-08 叶睿智 一种基于音频内容检索的多媒体资源检索方法
JP2015114710A (ja) * 2013-12-09 2015-06-22 株式会社東芝 医療情報システム及び推奨アプリケーションの検索方法
CN107066477A (zh) * 2016-12-13 2017-08-18 合网络技术（北京）有限公司 一种智能推荐视频的方法及装置
CN109977258A (zh) * 2019-02-21 2019-07-05 中国科学院西安光学精密机械研究所 图像和语音的跨模态检索分类器模型、检索***和检索方法
CN110110116A (zh) * 2019-04-02 2019-08-09 浙江工业大学 一种整合深度卷积网络和语义分析的商标图像检索方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
姚舜才等: "《TensorFlow深度学习从入门到进阶》", 31 March 2020, 西安电子科技大学出版社, pages: 108 - 281 *
杨博雄等: "《深度学习理论与实践》", 30 September 2020, 北京邮电大学出版社, pages: 71 *

Similar Documents

Publication Publication Date Title
CN112818861B (zh) 一种基于多模态上下文语义特征的情感分类方法及***
CN111046133A (zh) 基于图谱化知识库的问答方法、设备、存储介质及装置
US10755048B2 (en) Artificial intelligence based method and apparatus for segmenting sentence
CN111700608B (zh) 一种心电信号多分类方法及装置
CN113641820A (zh) 基于图卷积神经网络的视角级文本情感分类方法及***
CN111738169B (zh) 一种基于端对端网络模型的手写公式识别方法
CN109299227B (zh) 基于语音识别的信息查询方法和装置
CN113094578A (zh) 基于深度学习的内容推荐方法、装置、设备及存储介质
CN112836702B (zh) 一种基于多尺度特征提取的文本识别方法
CN111125457A (zh) 一种深度跨模态哈希检索方法及装置
CN111459977A (zh) 自然语言查询的转换
CN117076693A (zh) 一种数字人教师多模态大语言模型预训练学科语料库的构建方法
CN113627190A (zh) 可视化数据转换方法、装置、计算机设备及存储介质
CN115481679A (zh) 一种多模态情感分析方法及其***
US11494431B2 (en) Generating accurate and natural captions for figures
CN111259223B (zh) 基于情感分析模型的新闻推荐和文本分类方法
CN112069402A (zh) 一种基于情感和图卷积神经网络的个性化评论推荐方法
CN113744831A (zh) 一种线上医疗应用购买***
CN114064873A (zh) 保险领域faq知识库构建方法、装置及电子设备
CN112002306B (zh) 语音类别的识别方法、装置、电子设备及可读存储介质
CN114116953A (zh) 基于词向量的高效率语义拓展检索方法、装置及存储介质
CN111312215B (zh) 一种基于卷积神经网络和双耳表征的自然语音情感识别方法
CN114169340A (zh) 一种基于融合多模态数据矩阵式的认知方法及***
CN110648666B (zh) 一种基于会议概要提升会议转写性能的方法与***
CN112101559A (zh) 一种基于机器学习的案件罪名推断方法

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