本发明属于设备领域，具体涉及一种医疗系统，更具体地是涉及一种功能智慧医疗系统。
背景技术：
医疗多功能自助智能终端是智慧医疗的重要前端智能感知单元，是医院智能化的最前端设备以及与用户直接交互的单元，也是健康产业中科技含量高、需求量大、智能化与人性化要求高的产品，处于产业链十分重要环节。对解决医院“三长一短”现象、提高医疗服务质量与服务效率、降低医院服务成本、改善医院形象、提高患者满意度等方面具有重要作用。
目前，医院在门诊的办卡、挂号、收费、取检验报告等工作的大多数环节在一定程度上还依赖于人工服务，导致重复劳动现象严重、工作效率低下和服务满意度低等问题。智能自助终端设备的投入，减少人工窗口工作人员的工作量，让设备解放人工，提供安全可靠的7*24小时实时服务，节约人工成本、提高服务效率。同时，智能自助终端设备为用户提供智能化的自助服务提供了途径。自助服务系统借助灵敏的触摸屏界面和良好的人机交互，面向用户提供了一种更为自由方便的服务方式。医疗行业自助终端在优化门诊流程、解决看病难等问题上具有重要作用。同时，可以避免扎堆排队，实现患者分流的功能，提供高患者对医疗服务的整体满意度。
随着医院信息化建设的不断发展，计算机技术的应用在医疗服务行业占据着非常重要的地位，医院自助终端己经成为医院必不可少的基础设施。医院自助终端的好处有很多，采用医院自助挂号机挂号、自助预约挂号、自助缴费和人工挂号、缴费等多种手段相结合的方式，能有效缓解医院人工窗口挂号、缴费的压力；可减少患者就医过程中的排队，全面提升医院门诊效率，为就诊患者提供更为优质和便捷的服务；在非法倒号问题上采用医保卡或本人有效身份证件办就诊卡的方式，最大程度抑制“倒号”的违法行为；在解决患者取检查化验结果时翻找麻烦、泄露病人隐私的诸多问题上，提高患者的取单效率,并有效的保护了患者的隐私。
随着数据挖掘、机器学习和模式识别等技术的飞速发展，医院自助终端已经不仅仅作为简单的挂号、缴费工具存在，而能够完成如智能医疗诊断、医疗图像处理和机器视觉等操作的智能设备。其中，医疗诊断是从数据挖掘与机器学习技术中受益的最主要领域之一。很多分类技术如决策树、最紧邻与核方法，都己在该领域取得了一定的成功。作为医院自助终端服务的补充与扩展，智能自助挂号系统针对现有自助机使用中发现的问题与新需求，将医疗智能诊断引入自助服务之中，为患者提供病症描述、科室推荐与专家信息等功能。解决患者就医疑惑，对病患诊疗给予最大程度便利。
机器学习是研究如何利用经验来改善计算机自身系统的科学，它能够主动研究和分析数据信息并从样本变量中做出高精度的智能决策，所以在医疗智能诊断模型中得到了广泛的研究和应用。朴素贝叶斯模型以其很好的鲁棒性与预测效果成为处理分类任务的重要模型。学者宫秀军等人对基于贝叶斯理论的增量学习进行了详细论证，并给出了完整的增量贝叶斯分类模型。虽然增量贝叶斯分类模型能很好解决在类别平衡的数据集上样本的增量学习问题。但是应用中，该模型面临两点问题。其一，该模型并没有对新出现的类别或特征增量予描述。其二，在不平衡训练集中，分类器不能识别少数样本所代表的类别。故对现有贝叶斯増量模型做出优化与调整，适应实际应用场景，才能建立具有高泛化能力的疾病智能诊断模型。
技术实现要素：
本发明的目的是提供一种智能化医院自助终端，集成医院办卡、挂号、缴费、充值、打印检验报告等常规功能的前提下，实现实名认证与担保人认证、监控、门禁报警、智能化就诊、个人健康数据智能分析等功能。尤其是以智能分诊、化验单解读、在线医生咨询、医院医生查询、医院周边商户查询、医院地理位置导航、院内科室导航、疾病查询、药物使用、急救流程指导、健康资讯播报等更加人性化“一站式”信息服务，实现了从身体不适到完成治疗，通过机器学习的功能，还可以实现智能诊断患者疾病，指导患者就诊，采取增量模型训练方法，实现分类模型的及时校正与优化。在使用中，控制调整模型预测的性能，増强了建议的准确性与合理性。
为了实现以上目的，本发明的方案为：
一种多功能智慧医疗系统，所述多功能智慧医疗系统包括感知层，所述感知层与数据接口层连接，然后数据接口层连接有应用层，所述应用层最后连接终端系统，其中所述终端系统中设有数据处理中心、人机交互模块、读卡器模块、挂号打印模块、纸币支付模块、诊断报告打印模块、银联支付模块、ups、指示灯模块、语音输出模块和摄像头，其中数据处理中心具有机器学习模块，所述机器学习模块采用增量贝叶斯学习功能，所述终端系统中的所有模块分别与数据处理中心连接，将数据输入到数据处理中心中。
进一步地，所述感知层设有his诊疗信息模块、emr电子病历模块、lis检验模块、ris检查模块。
进一步地，所述数据接口层设有病患信息接口、临床数据接口、检验检查信息接口、医院信息接口。
进一步地，所述所述应用层设有健康分析模块、化验单解读模块、充值缴费模块、科室导航模块、专家信息查询模块、报告打印模块。
终端包括硬件部分与软件部分两部分组成。硬件部分包括：工控机、触控一体机、读卡器模块、打印机、二代证模块、摄像头、指示灯、门禁、报警控制模块、银联pos模块、音响、定时开关机模块、机箱外壳、线材、开光等等。能够支持如自助挂号、二代身份证读取、电子病历打印、化验报告和检验报告打印、现金充值缴费、银联pos机转账缴费、就诊卡和医保卡读取、摄像头监控、定时开关机、供电等功能。系统基于c/b/s架构，包括：系统功能模块设计、类库设计、数据库设计三部分。系统功能模块分为门诊系统和住院系统两部分。门诊系统主要功能：自助办理就诊卡、预存、缴费、预约、查询、打印等功能；住院系统的主要功能：住院预缴、日清单打印、住院费用查询等功能；以及智能化的服务功能：如个人健康分析、化验报告解读等。类库设计分为完成应用程序与用户之间信息交流的可视用户对象设计，与封装和完成一定业务逻辑的类用户对象设计。数据库设计包括数据库规范化设计、概念结构设计和逻辑结构设计。
进一步地，所述数据处理中心(5)采用增量贝叶斯学习来进行机器学习，将样本中的新类别和新特征得到的参数加入到贝叶斯模型参数中，将各类别样本的数量分布，计算代价矩阵，使用当前模型对增量集进行分类，获得所有被错分的样本形成集合，将错分集合中样本按其类别在训练集中存在的数量进行升序排序，取出升序后的第一个样本进行学习，更新贝叶斯模型，随后，更新代价矩阵，再将已学样本从增量集中删除。重复此过程，直至増量集为空或没有新的错误样本产生。充分利用医院各科室就诊数据，采取增量模型训练方法，实现分类模型的及时校正与优化，实现智能诊断患者疾病，指导患者就诊，使得自助终端更加人性化，为患者提供便利。简化服务流程，减少医务工作者负担，节省人工成本，提高工作效率的效果，提升终端智能化程度。
本发明优点为：集成医院办卡、挂号、缴费、充值、打印检验报告等常规功能的前提下，实现实名认证与担保人认证、监控、门禁报警、智能化就诊、个人健康数据智能分析等功能。尤其是以智能分诊、化验单解读、在线医生咨询、医院医生查询、医院周边商户查询、医院地理位置导航、院内科室导航、疾病查询、药物使用、急救流程指导、健康资讯播报等更加人性化“一站式”信息服务，实现了从身体不适到完成治疗的。
服务智能化。医疗自助终端在人性化交互的基础上，将根据患者个人健康档案以及医院数据中心数据实现智能医疗诊断与分析、根据医院就诊历史日志数据提供智能就诊等智能化、个性化的服务。智能终端将成为医院、科室、医生的纽带，将患者与医生点对点的对接起来，实现“以病人为中心”的智能服务。
采取增量模型训练方法，实现分类模型的及时校正与优化。在使用中，控制调整模型预测的性能，増强了建议的准确性与合理性。此外，智能导诊所获得的新就诊数据，也为医院采集了宝贵数据，为进一步了解患者情况，更好地改善服务提供了新思路。
附图说明
图1为本发明的结构示意图，其中：
1、感知层，2、数据接口层，3，应用层，4、终端系统，5、数据处理中心，6、人机交互模块，7、读卡器模块，8、挂号打印模块，9、纸币支付模块，10、诊断报告打印模块，11、银联支付模块，12、ups，13、指示灯模块，14、语音输出模块，15、his诊疗信息模块，16、emr电子病历模块、17、lis检验模块、18、ris检查模块，19、病患信息接口，20、临床数据接口，21、检验检查信息接口，22、医院信息接口，23、健康分析模块，24、化验单解读模块，25、充值缴费模块，26、科室导航模块，27、专家信息查询模块，28、报告打印模块，29、摄像头。
具体实施方式
以下通过附图结合实施例对本发明进行进一步地说明。
一种多功能智慧医疗系统，所述多功能智慧医疗系统包括感知层1，所述感知层1与数据接口层2连接，然后数据接口层2连接有应用层3，所述应用层最后连接终端系统4，其中所述终端系统4中设有数据处理中心5、人机交互模块6、读卡器模块7、挂号打印模块8、纸币支付模块9、诊断报告打印模块10、银联支付模块11、ups12、指示灯模块13、语音输出模块14和摄像头29，其中数据处理中心5具有机器学习模块，所述机器学习模块采用增量贝叶斯学习功能，所述终端系统4中的所有模块分别与数据处理中心5连接，将数据输入到数据处理中心5中。
所述感知层1设有his诊疗信息模块15、emr电子病历模块16、lis检验模块17、ris检查模块18。
所述数据接口层2设有病患信息接口19、临床数据接口20、检验检查信息接口21、医院信息接口22。
所述所述应用层3设有健康分析模块23、化验单解读模块24、充值缴费模块25、科室导航模块26、专家信息查询模块27、报告打印模块28。
基于贝叶斯估计方法，对样本中带有新类别标示和新特征时，学习过程中的参数估计与模型修正公式进行论证。并给出了修正方法的数学表达。面向类别域和特征域的学习可分为下述三种情况。
(1)类别域
新类别的样本出现的一个重要原因往往是由于采集的样本的特征分布比起真实样本空间的特征分布要稀疏。由现有特征域中的特征取值进行了新的组合而代表了新的类别。将出现带有新类别标示的样本记为：
由于学习了新的样本，模型的其他参数p(y＝ym+1)与p(xk|ym+1)也要进行相应的修正。对于新增参数p(y＝ym+1)的估计如下。
与此同时，应当对模型中的其他p(y＝yi)参数进行修正，如式2。
此后，也要对新参数
进而使得其他
至此，给出完整类别增量修正参数的数学表达如式5，对带有新类别的样本，学习的过程就是向原有模型添加新参数，并对其进行估计，再将其他相关参数进行修正的过程。
(2)特征域
引入新的特征维度在诸多应用情形下也是必要的。比如面部特征不但与照明、朝向和表情等等有关，还会随年龄发生成长或衰老。但是，只要增加描述样本的特征维度，就使得原本线性不可分的问题转化为了线性可分。类别域不变的情形下，将出现的带有新特征的样本记为
可得到完整特征增量修正参数的数学表达如式7。
(3)类别域与特征域
在更为复杂的情形中，上述两种问题是同时存在的。特别是在疾病识别方面，同种疾病随病毒的快速变异会体现出新的症状，如h7n1病毒在短短数月就可变异出8种之多。新的疾病也是随着人类生活环境的变化而出现的。将出现的新样本记为
由式(8)可得完整特征与类别增量修正参数的数学表达式(9)。
分类精度(accuracy)是对分类器在测试集上表现的整体性评价，用式10表示，其中f(x)代表分类器，y表示样本x的实际类别，而i(z)称为示性函数，当f(x)＝y时，i值取1，其他情况i值均为0。ntest为测试集中样本的总数。而召回率(recall)则是分类器对每一目标类别的识别情况的评价如式11，其中count(yi)代表测试集中类别为yi的样本总数，y′i为分类器对x的预测，而yi为样本x的实际类别。
从决策风险的角度来看，传统贝叶斯分类器基于最大化后验概率进行决策，其本质等价于在0-1损失下最小化风险。这种决策假设所有的错误决策的风险都是相同的。考虑到数据集样本数量的不平衡性，0-1损失显然是不合理的。故预设错分代价函数如式12。其中count(yi)表示当前训练集中类别为yi的样本个数，0＜α＜1作为一种对决策错误的惩罚参数。当α＜0.5时，可体现出将训练集中数量少的类别被预测为数量多的类别，其代价更高。从而使得决策对数量少的类别更加关注。
进而依据贝叶斯决策理论，此时的风险计算变为了如式13所示。而决策也由最大化后验概率变为了最小化风险。故决策函数也相应调整为式14所示。
r(yi|x)＝∑p(yj|x)*cost(yj,yi)(13)
f(x)＝argminr(yi|x)(14)
在进行增量学习之前，首先，根据当前各类别样本的数量分布，计算代价矩阵，使用当前模型对增量集进行分类，获得所有被错分的样本形成集合。为了在训练阶段尽量平衡各类别的样本数量，采取优先学习少数样本代表的类信息，故将错分集合中样本按其类别在训练集中存在的数量进行升序排序。取出升序后的第一个样本进行学习，更新贝叶斯模型。随后，更新代价矩阵。再将已学样本从增量集中删除。重复此过程，直至増量集为空或没有新的错误样本产生。