本发明属于医疗信息，尤其涉及一种移动端、医生端、护士端就近身份信息比对确认方法。
背景技术：
1、当前医院中普遍使用医院自助挂号系统协助患者挂号，患者可以通过自助终端机进行挂号，不需要排队等候，可以节省时间和精力，而且自助终端机能够准确记录患者的个人信息和就诊需求，避免了人工操作中可能出现的错误，自助终端机还与医院信息系统相连，实时更新医生和科室的排班情况，方便患者选择合适的医生和科室。
2、医院自助挂号系统的缺陷还有以下不足：对于某些疾病，患者自身不清楚应该选择哪个科室或医生更合适。
3、公开号cn113380390的中国专利公开了一种医院患者就诊辅助系统，由rfid标签装置、rfid读写装置、数据采集器以及服务器构成，rfid标签装置用于记录患者的身份信息，rfid读写装置用于读取rfid标签装置内存储的患者身份信息；该方案可以快速的识别患者所处的区域，并自动统计该区域的人流量，当某一区域人流量过大时，自动的提醒导诊人员介入进行疏导，可以快速识别患者所处的区域是否有挂号信息或结算信息或者欠费信息，若存在则为患者自动的进行排队，无需患者手动进行取号排队，尤其是方便了老年患者或行动困难的患者，有效提高了排队的效率，同时不会出现交叉感染的风险，而且使得患者具有良好的就诊体验。但该方案对于不清楚挂号科室的患者，不能辅助患者自助进行挂号，比如应该选择哪个科室或哪个医生。
技术实现思路
1、有鉴于此，本发明提出了一种移动端、医生端、护士端就近身份信息比对确认方法，移动端接收患者的语音输入，根据病情推荐相应的科室和医生供患者进行选择，医生端和护士端就近进行患者的身份信息比对确认，确认身份后患者进行就医。
2、为实现上述目的，本发明提供一种移动端、医生端、护士端就近身份信息比对确认方法，移动端包括显示屏、语音输入装置、语音识别模块、病情分析及就医推荐模块；
3、所述语音输入装置接收患者的语音信息；
4、所述语音识别模块识别语音信息并转化为文字；
5、所述病情分析及就医推荐模块接收语音识别模块产生的数据，并对文字进行分割得到病情元素，将病情元素组合成病情向量；
6、将病情向量与多个预设的病症标准模板矩阵的向量进行匹配，匹配度得分最高的病症标准模板矩阵对应的病症确定为最终的病症；
7、根据病症及科室排班情况，推荐相应的科室供患者选择，并显示在显示屏上；
8、所述医生端和护士端包括医保卡识别装置，用于识别患者的身份，以便下一步的进行就医。
9、进一步地，病情元素为字符串，如人体部位+动词和/或+名词，或人体部位+形容词和或+副词，或病症名称；将每句话中提取的人体部位+动词和/或+名词组成病情元素类型x1，或将每句话中提取的人体部位+形容词组成病情元素类型x2，将患者输入信息中的所有病情元素组合成病情向量。
10、进一步地，将病情向量进行去重处理，包括去除相同的元素，以及保留病情严重级别不同的两个或多个病情元素中严重级别高的病情元素。
11、进一步地，将病症标准模板矩阵中的元素根据专家知识进行赋予不同的数值，并根据灰度关联算法计算出其中的主要成分元素，主要成分元素对应于病症的主要症状，病症标准模板矩阵中其它元素为非主要成分元素。
12、进一步地，如果患者输入信息中提取到病症名称，将病情向量与该病症对应的病症标准模板矩阵的向量进行匹配；如果患者输入信息中没有病症名称，则将病情向量与相关病症的病症标准模板矩阵的向量进行匹配；计算得到支持度sj和冲突度vj，综合支持度和冲突度，确定病情向量与病症标准模板矩阵的匹配度得分；
13、计算得到病情向量与所有病症标准模板矩阵的向量的匹配度得分，将所有匹配度得分进行排序，病情向量与病症标准模板矩阵的匹配度得分最高的病症为确定的病症。
14、进一步地，病情向量与第j个病症标准模板矩阵中向量的支持度sj计算方法如下：
15、如果xp与主成分元素匹配，则其匹配值dp为a1，如果xp与非主成分元素匹配，则其匹配值dp为a2，如果xp没有元素与其匹配，则其匹配值dp为0；
16、则病情向量的支持度sj计算方法为：
17、；
18、其中n为病情向量所有元素的个数。
19、进一步地，病情向量对第j个病症标准模板矩阵向量的冲突度vj的计算方法如下：
20、当病情向量的支持度sj<预设阈值p时：
21、如果元素xp中的身体部位与病症标准模板矩阵所有主成分元素中的身体部位不匹配，则其匹配值ds为b1；
22、如果xp中的身体部位与病症标准模板矩阵所有非主成分元素中的身体部位不匹配，则其匹配值ds为b2；
23、如果元素xp中的身体部位与病症标准模板矩阵所有主成分元素中的身体部位不匹配，而且该身体部位是病症标准模板矩阵所有主成分元素中的身体部位的相邻部位，则其匹配值ds为b3；
24、当病情向量的支持度sj>预设阈值p时：
25、如果xp中的身体部位与所有主成分元素中的身体部位不匹配，则其匹配值ds为c1，如果xp中的身体部位与所有非成分元素中的身体部位不匹配，则其匹配值ds为c2；
26、病情向量的支持度sj计算方法如下：
27、；
28、r为xp中的身体部位与所有主成分元素中的身体部位不匹配的元素数量，以及xp中的身体部位与所有非主成分元素中的身体部位不匹配的元素数量之和。
29、进一步地，计算病情向量与第j个病症标准模板矩阵的匹配度得分如下：
30、；
31、其中为修正系数；
32、将病情向量与所有病症标准模板矩阵的匹配度得分进行排序，得分最高的模板矩阵对应的病症为确定的病症。
33、进一步地，使用知识蒸馏方法进行训练，计算出a1、a2、b1、b2、b3、c1、c2和修正系数的最佳取值；所述知识蒸馏方法使用teacher—student模型，其中teacher是“知识”的输出者，student是“知识”的接受者。
34、本发明的有益效果如下：
35、本发明提出的辅助患者自助就医的系统，可以自动根据患者病情，推荐相应科室和医生进行挂号和就医。通过计算患者病症信息元素与预先建立的病症标准模板元素的冲突度和支持度，有效地计算出病症与模板的匹配度，从而提高了病症的判断准确性，可更准确地确定挂号的科室和医生。
1.一种移动端、医生端、护士端就近身份信息比对确认方法，包括移动端、医生端和护士端，其特征在于，移动端包括语音输入装置、语音识别模块、病情分析及就医推荐模块和显示屏；
2.根据权利要求1所述的移动端、医生端、护士端就近身份信息比对确认方法，其特征在于，病情元素为字符串，如人体部位+动词和/或+名词，或人体部位+形容词和或+副词，或病症名称；将每句话中提取的人体部位+动词和/或+名词组成病情元素类型x1，或将每句话中提取的人体部位+形容词组成病情元素类型x2，将患者输入信息中的所有病情元素组合成病情向量。
3.根据权利要求2所述的移动端、医生端、护士端就近身份信息比对确认方法，其特征在于，将病情向量进行去重处理，包括去除相同的元素以及保留病情严重级别不同的两个或多个病情元素中严重级别高的病情元素。
4.根据权利要求3所述的移动端、医生端、护士端就近身份信息比对确认方法，其特征在于，将病症标准模板矩阵中的元素根据专家知识进行赋予不同的数值，并根据灰度关联算法计算出其中的主要成分元素，主要成分元素对应于病症的主要症状，病症标准模板矩阵中其它元素为非主要成分元素。
5.根据权利要求4所述的移动端、医生端、护士端就近身份信息比对确认方法，其特征在于，如果患者输入信息中提取到病症名称，将病情向量与该病症对应的病症标准模板矩阵的向量进行匹配；如果患者输入信息中没有病症名称，则将病情向量与相关的病症的病症标准模板矩阵的向量进行匹配；计算得到支持度sj和冲突度vj，综合支持度和冲突度，确定病情向量与病症标准模板矩阵的匹配度得分；
6.根据权利要求5所述的移动端、医生端、护士端就近身份信息比对确认方法，其特征在于，病情向量与第j个病症标准模板矩阵中向量的支持度sj计算方法如下：
7.根据权利要求6所述的移动端、医生端、护士端就近身份信息比对确认方法，其特征在于，病情向量对第j个病症标准模板矩阵向量的冲突度vj的计算方法如下：
8.根据权利要求7所述的移动端、医生端、护士端就近身份信息比对确认方法，其特征在于，计算病情向量与第j个病症标准模板矩阵的匹配度得分如下：
9.根据权利要求8所述的移动端、医生端、护士端就近身份信息比对确认方法，其特征在于，使用知识蒸馏方法进行训练，计算出a1、a2、b1、b2、b3、c1、c2和修正系数的最佳取值；所述知识蒸馏方法使用teacher—student模型，其中teacher是“知识”的输出者，student是“知识”的接受者。