INTELLIGENT TRADITIONAL CHINESE MEDICINE DIAGNOSIS METHOD, SYSTEM AND TRADITIONAL CHINESE MEDICINE SYSTEM

本申请要求于2017年07月31日提交中国专利局、申请号为201710639260.7、发明名称为“一种中医智能诊断方法、系统及中医医疗系统”的中国专利申请的优先权，其全部内容通过引用结合在本申请中。

本发明涉及疾病诊断技术领域，特别涉及一种中医智能诊断方法、系统及中医医疗系统。

我国的中医治疗方法是临床医学中最具特色的一种治疗疾病的方法，通过中医医师对患者进行望诊、闻诊、问诊和切诊，就可以得到关于人体疾病的各种信息，中医医师通过对所获得到的疾病信息进行综合的分析，就可以给出患者的治疗方案，相比于西医治疗，中医治疗更为安全，效果更加稳定。近年来，随着现代医学技术的不断发展，人们愈加希望将传统的中医治疗方法与人工智能结合起来，进而减轻中医医师的工作量。目前已经研究出很多可以辅助中医诊断的医疗系统，但是在目前常见的医疗诊断系统当中，往往是针对患者疾病某一方面的疾病信息来给出患者的诊断方案，诊断结果经常会出现准确率较低，甚至是误诊的现象，这也是在中医智能诊断系统领域中亟待解决的一个问题。

发明内容

有鉴于此，本发明的目的在于提供一种中医智能诊断方法及系统，用于提升中医智能诊断系统的准确率。其具体方案如下：

一种中医智能诊断方法，包括：

服务器端从分布式客户端集群中获取患者的望诊训练数据、闻诊训练数据、问诊训练数据和切诊训练数据；

所述服务器端利用所述望诊训练数据、所述闻诊训练数据、所述问诊训练数据和所述切诊训练数据，对基于深度神经网络算法构建的待训练模型进行训练，得到训练后模型；

所述服务器端利用所述训练后模型对患者的疾病数据进行诊断，得出所述疾病数据的诊断结果。

优选的，所述方法具体使用分布式客户端服务器架构或云计算架构。

优选的，所述利用所述望诊训练数据、所述闻诊训练数据、所述问诊训练数据和所述切诊训练数据，对基于深度神经网络算法构建的待训练模型进行训练，得到训练后模型的过程，包括：

利用所述望诊训练数据，对基于卷积神经网络算法构建的望诊待训练模型进行训练，得到望诊训练后模型；

利用所述闻诊训练数据，对基于BP神经网络算法构建的闻诊待训练模型进行训练，得到闻诊训练后模型；

利用所述问诊训练数据，对基于BP神经网络算法构建的问诊待训练模型进行训练，得到问诊训练后模型；

利用所述切诊训练数据，对基于深度神经网络算法构建的切诊待训练模型进行训练，得到切诊训练后模型。

优选的，所述利用所述望诊训练数据、所述闻诊训练数据、所述问诊训练数据和所述切诊训练数据，对基于深度神经网络算法构建的待训练模型进行训练，得到训练后模型的过程，包括：

利用所述望诊训练数据，对基于卷积神经网络算法构建的望诊待训练模型进行训练，得到望诊训练后模型；

利用所述闻诊训练数据，对基于BP神经网络算法构建的闻诊待训练模型进行训练，得到闻诊训练后模型；

利用所述问诊训练数据，对基于BP神经网络算法构建的问诊待训练模型进行训练，得到问诊训练后模型；

利用所述切诊训练数据，对基于深度神经网络算法构建的切诊待训练模型进行训练，得到切诊训练后模型；

利用提取到的所述望诊训练后模型、所述闻诊训练后模型、所述问诊训练后模型和所述切诊训练后模型的输出端数据，对基于概率神经网络算法构建的待训练模型进行训练，得到训练后模型。

优选的，还包括：

对所述望诊训练数据进行去噪和/或平滑处理。

优选的，还包括：

对所述闻诊训练数据进行滤波和/或分帧处理。

优选的，所述利用所述训练后模型对患者的疾病数据进行诊断，得出所述疾病数据的诊断结果的过程之前，还包括：

利用新训练数据，对所述训练后模型进行优化，以提高所述训练后模型的精度；

其中，所述新训练数据为对患者诊断结果验证通过后得到的疾病数据。

本发明还公开了一种中医智能诊断系统，包括：

数据获取模块，用于服务器端从分布式客户端集群中获取患者的望诊训练数据、闻诊训练数据、问诊训练数据和切诊训练数据；

模型构建模块，用于所述服务器端利用所述望诊训练数据、所述闻诊训练数据、所述问诊训练数据和所述切诊训练数据，对基于深度神经网络算法构建的待训练模型进行训练，得到训练后模型；

诊断结果获取模块，用于所述服务器端利用所述训练后模型对患者的疾病数据进行诊断，得出所述疾病数据的诊断结果。

进一步的，本发明还公开了一种中医医疗系统，包括前述公开的中医智能诊断系统，还包括：

中医智能治疗系统，用于利用所述中医智能诊断系统得到的诊断结果，确定出相应的治疗方案；

其中，所述中医智能治疗系统为基于深度神经网络算法训练得到的治疗系统，对应的训练样本包括历史诊断结果以及相应的治疗方案。

优选的，所述中医智能治疗系统确定出的治疗方案包括中成药处方和/或理疗方案。

优选的，训练所述中医智能治疗系统的深度神经网络算法包括卷积神经网络算法。

本发明中，首先服务器端从分布式客户端集群中获取患者的望诊训练数据、闻诊训练数据、问诊训练数据和切诊训练数据；服务器端利用望诊训练数据、闻诊训练数据、问诊训练数据和切诊训练数据，对基于深度神经网络算法构建的待训练模型进行训练，得到训练后模型；服务器端利用训练后模型对患者的疾病数据进行诊断，得出疾病数据的诊断结果。在本发明中，待训练模型输入端的数据为从分布式客户端集群中采集到的患者的望诊训练数据、闻诊训练数据、问诊训练数据和切诊训练数据，显然，通过这样的方式，会得到患者大量的疾病数据，而且，这些疾病数据是利用不同的方法得到的，这些疾病数据，相互联系，又彼此制约，能够更加全面的体现患者的疾病状况，相比之下，会比在待训练模型输入端输入一种类型的疾病数据，模型训练精度更高。而且，本发明提供的方法，是应用在分布式客户端服务器架构中，所以本发明中的模型不仅可以获取更多的患者的疾病数据，使得模型的训练精度更加精准，而且诊断患者的疾病数据时，可以获得更加快速的诊断速度。

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，还可以根据提供的附图获得其他的附图。

图1为本发明实施例一公开的一种中医智能诊断方法流程图；

图2为本发明实施例二公开的一种中医智能诊断方法流程图；

图3为望诊待训练模型的训练流程图；

图4为望诊待训练模型的结构图；

图5为整个望诊待训练模型的基本结构图；

图6为闻诊训练数据预处理的流程图；

图7为闻诊待训练模型的结构图；

图8为整个闻诊待训练模型的基本结构图；

图9为问诊待训练模型的基本结构图；

图10为整个问诊待训练模型的基本结构图；

图11为本发明实施例三公开的一种中医智能诊断方法流程图；

图12为概率神经网络的基本结构图；

图13为整个深度神经网络算法的结构示意图；

图14为终端云服务器的示意图；

图15为本发明实施例公开的一种中医智能诊断系统结构图。

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

本发明实施例一公开了一种中医智能诊断方法，参见图1所示，该方法包括：

步骤S11：服务器端从分布式客户端集群中获取患者的望诊训练数据、闻诊训练数据、问诊训练数据和切诊训练数据。

本实施例中，从设于多个医院、诊所的分布式客户端集群中获取患者的望诊训练数据、闻诊训练数据、问诊训练数据和切诊训练数据，通过这样的方法，可以更加全面的得到患者疾病的全部信息，然后将获取得到的患者的疾病信息进行综合分析，可以更加精准的得到患者所对应的疾病诊断结果。

而且，本发明实施例是应用在分布式客户端服务器架构中，通过这样的方式，不仅可以获取更多的患者的疾病数据，使得模型的训练精度更加精准，而且诊断患者的疾病数据时，可以获得更加快速的诊断速度。而且，本模型可以同时诊断多个患者，相比于现有技术，提高了模型的实用性能。

进一步的，还可以对望诊训练数据、闻诊训练数据和切诊训练数据进 行预处理，得到较为理想的训练数据，以方便后续步骤的处理。

步骤S12：服务器端利用望诊训练数据、闻诊训练数据、问诊训练数据和切诊训练数据，对基于深度神经网络算法构建的待训练模型进行训练，得到训练后模型。

在本实施例中，基于深度神经网络算法构建待训练模型，深度神经网络算法，包括但不限于，常见的卷积神经网络算法、BP神经网络算法和概率神经网络算法；当然可以在上述的深度神经网络的输入端和输出端，添加新的神经网络层，来优化所建立的训练后模型。

可以理解的是，建立的待训练模型中，可以运用一种神经网络算法，也可以运用几种神经网络算法，当然也可以在一个大的神经网络系统中运用几种小的神经网络子系统；此时，应该以所要达到解决实际问题为目的。

可以理解的是，通过本申请实施例提供的这种方法，会相比通过单一的卷积神经网络处理患者的舌像信息，诊断结果更加精准。可以理解的是，患者的舌像信息只能表征出患者的一部分疾病信息，这样导致的结果，就是所建立的模型，输入端的训练数据较少，由此得到的疾病诊断结果也不是很精确。

而且，通过这样的方式，会相比于传统方法，基于专家系统提供患者的治疗方案，诊断结果会更加精准，可以理解的是，深度神经网络算法具有学习以及再学习的能力，可以通过对已知的数据进行学习和归纳总结，所以可以保证模型训练时，对已有的训练数据有更高的使用效率；而基于专家系统提供的治疗方案，就达不到这样的效果，因为，再有经验的专家，所建立的训练数据，也是有限的，而且通过专家建立的数据库，不能覆盖患者疾病信息所对应的所有诊断结果，所以相比而言，通过这样的方法，患者疾病的诊断结果会更精准。

步骤S13：服务器端利用训练后模型对患者的疾病数据进行诊断，得出疾病数据的诊断结果。

在本实施例中，利用深度神经网络算法所建立的模型当中，训练数据包含了对患者进行望诊、闻诊、问诊和切诊四个方面的疾病信息，可以理解的是，患者的疾病数据可以是患者疾病的某一方面的疾病信息，也可以 是患者疾病的几个方面的信息，此时，根据深度神经网络算法所建立的模型会根据患者所提供的疾病信息，给出相应的诊断结果。可以理解的是，本实施例中的诊断结果实质上是基于深度学习由计算机等信息处理设备得到的分类结果，这与医生利用医学理论得到的诊断结论是不相同的。

当然，更进一步的，还可以利用患者诊断结果验证通过后所对应的疾病数据，来对所建立的训练后模型进行优化，使得建立的训练后模型的诊断结果更加精准，能够更好地诊断患者的疾病。需要说明的是，此处患者诊断结果验证通过后所对应的疾病数据可以是包含在云端服务器中患者康复所对应的疾病数据，也可以是通过其他方法获得的使得患者疾病康复的疾病数据；此处对优化训练后模型的待训练数据不作限定。

而且本发明实施例是应用于分布式客户端服务器架构中，可以理解的是，分布式客户端服务器架构可以优化客户端资源紧张与响应瓶颈的问题，而且也可以解决集中式系统中的数据运算速度较慢的问题。

进一步的，本实施例中的中医智能诊断方法具体可以使用分布式客户端服务器架构或云计算架构。

本发明中，首先服务器端从分布式客户端集群中获取患者的望诊训练数据、闻诊训练数据、问诊训练数据和切诊训练数据；服务器端利用望诊训练数据、闻诊训练数据、问诊训练数据和切诊训练数据，对基于深度神经网络算法构建的待训练模型进行训练，得到训练后模型；服务器端利用训练后模型对患者的疾病数据进行诊断，得出疾病数据的诊断结果。在本发明中，待训练模型输入端的数据为从分布式集群中采集到的患者的望诊训练数据、闻诊训练数据、问诊训练数据和切诊训练数据，显然，通过这样的方式，会得到患者大量的疾病数据，而且，这些疾病数据是利用不同的方法得到的，这些疾病数据，相互联系，又彼此制约，能够更加全面的体现患者的疾病状况，相比之下，会比在待训练模型输入端输入一种类型的疾病数据，模型训练精度更高。而且，本发明提供的方法，是应用在分布式客户端服务器架构中，所以本发明中的模型不仅可以获取更多的患者的疾病数据，使得模型的训练精度更加精准，而且诊断患者的疾病数据时，可以获得更加快速的诊断速度。

本发明实施例二公开了一种具体的中医智能诊断方法，参见图2所示，相对于上一实施例，本实施例对技术方案作了进一步的说明和优化。具体的：

步骤S21：服务器端从分布式客户端集群中获取患者的望诊训练数据、闻诊训练数据、问诊训练数据和切诊训练数据。

在本实施例中，患者的望诊训练数据，包括但不限于，获取患者面像和舌像的信息；患者的闻诊训练数据，包括但不限于，获取患者的说话声音、咳嗽和喘息声；患者的问诊训练数据，包括但不限于，获取患者的病症原因和患病史；患者的切诊训练数据，包括但不限于，获取患者的脉象信息。

从分布式客户端集群中获取患者的疾病数据，也即，患者的疾病数据可是从全国各地的医院及诊所当中获得患者的疾病数据，这样可以使得模型获得的疾病数据样本更加全面，然后将获取得到的全部疾病信息进行综合分析，可以更加精准的得到患者所对应的疾病诊断结果。

步骤S22：服务器端利用望诊训练数据、闻诊训练数据、问诊训练数据和切诊训练数据，对基于深度神经网络算法构建的待训练模型进行训练，得到训练后模型；在本实施例中，该步骤具体包括下面步骤S221、步骤S222、步骤S223和步骤S224。

步骤S221：利用望诊训练数据，对基于卷积神经网络算法构建的望诊待训练模型进行训练，得到望诊训练后模型。

在本实施例中，基于卷积神经网络算法(Convolution Neural Network Algorithm，CNN)构建望诊待训练模型，采用的是有监督学习的方式，可以理解的是，望诊训练数据是有标签的数据。望诊待训练模型的训练流程如图3所示。

具体的，在本实施例中，对于望诊待训练模型采用的是自下向上非监督(监督)学习，首先采用无标定数据(也可以是有标定数据)分层训练望诊待训练模型各层参数，然后用无标定数据(也可以是有标定数据)训练望诊待训练模型的第一层，可以理解的是，训练望诊待训练模型时先学 习模型当中第一层的参数，之后望诊待训练模型通过学习得到第n-1层的参数，再将第n-1层的输出作为第n层的输入，训练望诊待训练模型的第n层，由此分别得到望诊待训练模型当中各层的参数。

自顶向下的监督学习，首先通过带标签的数据去训练望诊待训练模型，误差自顶向下传输，可以对神经网络进行微调，从而得到望诊待训练模型的训练学习结果。望诊待训练模型的整体架构如图4所示。

如图4所示，C1，C2，C3和C4为望诊待训练模型的卷积层，其中C1有11*11卷积核96个，C2有5*5卷积核为256个，C3有3*3卷积核384个，C4有3*3卷积核256个；望诊待训练模型当中max-pooling层有4层，每层max-pooling的核都为2*2；其中，第四层max-pooling层的输出作为全连接层的输入；全连接层将第四层的max-pooling的输出链接成为一个一维向量；全连接层的输出到softmax层进行分类。

当然，参数的具体设置方法也可以是其他的方式，以达到实际应用为目的，此处不作限定。

需要说明的是，在本实施例中，望诊待训练模型中，输入的是望诊训练数据，也即，患者的面部图像、舌头图像和形体图像，而且，上述图像均为3通道，即RGB图。

进一步的，在本步骤中，还可以对望诊训练数据进行去噪去噪和/或平滑处理。

可以理解的是，通过这样的处理方式，使得望诊训练数据更加理想，更易于后续步骤的处理分析。整个望诊待训练模型的基本结构如图5所示。

步骤S222：利用闻诊训练数据，对基于BP神经网络算法构建的闻诊待训练模型进行训练，得到闻诊训练后模型。

具体的，在本实施例中，闻诊训练数据的获取方法，包括但不限于，采集患者的声音数据，包括患者的说话声音、咳嗽和喘息声。

进一步的，在本步骤中，还可以对闻诊训练数据进行滤波和/或分帧处理。

可以理解的是，通过这样的处理方式，使得望诊训练数据更加理想，具体的，对闻诊训练数据预加重主要是对采集到的声音信号进行一定的滤 波和分帧，因为加窗分帧处理是将采集到的声音数据进行分段处理，使声音信号连续并保持一定的重叠率，这样更易于后续步骤的处理分析。而且，在本实施例中，是将预处理后的数据进行特征提取，然后将提取到的特征向量作为闻诊待训练模型的输入数据，不足部分补零。闻诊训练数据预处理的过程如图6所示。

如图7所示是闻诊待训练模型的结构图，在本实施例中，建立的闻诊待训练模型是采用含有两层隐含层的BP神经网络，输入神经元为600个，中间每个隐含层的神经元为54个，输出层的神经元为5个。BP神经网络的学习过程由信号的正向传播与误差的反向传播两个过程组成。正向传播时，输入信号从输人层输入，经各隐含层逐层处理后，传向输出层。若输出层的实际输出与期望的输出(标签)不符，则转入误差的反向传播阶段。误差反传是将输出误差以某种形式通过隐藏层向输入层反传，并将误差分摊给各层的所有单元，从而获得各层单元的误差信号，此误差信号可以作为修正各单元权值的依据。经过信号正向传播与误差反向传播不断的修正调整模型当中各层之间的权值，可以不断的提高模型的训练精度。整个闻诊待训练模型的基本结构如图8所示。

步骤S223：利用问诊训练数据，对基于BP神经网络算法构建的问诊待训练模型进行训练，得到问诊训练后模型。

在本实施例中，问诊训练数据是患者通过回答系统所设置的问题获取到的，比如，系统设置的问题，包括但不限于，患者的年龄、性别、病史、家庭及生活环境等问题。

在本实施例中，建立的问诊待训练模型是采用含有3个隐含层和2个输入层和2个输出层的BP神经网络。建立的问诊待训练模型的基本构架如图9所示；具体的，问诊待训练模型为8输入9输出的BP神经网络，每个隐含层的节点设置为8个；可以理解的是，设置多个隐含层相比设置单个隐藏层能更好地保证问诊待训练模型的精确度，以及较强的数据泛化能力。整个问诊待训练模型的基本结构如图10所示。

当然，参数的具体设置方法也可以是其他的方式，以达到实际应用为目的，此处不作限定。

步骤S224：利用切诊训练数据，对基于深度神经网络算法构建的切诊待训练模型进行训练，得到切诊训练后模型。

在本实施例中，切诊训练数据是由是由华科电子研究所设计的数字化脉象传感器HK-2000C采集得到的。具体的，该切诊训练数据，经过平滑滤波预处理后，会得到更加理想的切诊训练数据。可以理解的是，通过这样的处理方式，使得望诊训练数据更易于后续步骤的处理分析。

具体的，在本实施例中，输入切诊待训练模型的切诊训练数据，也即采集到的脉象图片，而且，脉象图片为3通道，也即RGB图；切诊待训练模型是根据深度神经网络学习算法构建的，可以理解的是，切诊待训练模型输入端的数据为采集到的切诊待训练数据，输出层为切诊待训练数据对应的疾病诊断结果，隐藏层层数及具体参数的设定可以根据实际情况进行相应的调整，此处不作限定。

步骤S23：服务器端利用训练后模型对患者的疾病数据进行诊断，得出疾病数据的诊断结果。

在本实施例中，是对患者的疾病信息进行了分类，分别建立了与望诊待训练数据、闻诊待训练数据、问诊待训练数据和切诊待训练数据相对应的深度神经网络模型。可以理解的是，通过这样的方法，可以获得患者疾病较为全面的疾病数据信息，然后将获取得到的患者的疾病信息进行综合分析，可以更加精准的得到患者所对应的疾病诊断结果，这样相比于单一的通过卷积神经网络算法来处理患者的舌像信息，诊断结果会更加精确。

本发明实施例三公开了一种具体的中医智能诊断方法，如图11所示，相对于上一实施例，本实施例对技术方案作了进一步的说明和优化。具体的：

步骤S31：服务器端从分布式客户端集群中获取患者的望诊训练数据、闻诊训练数据、问诊训练数据和切诊训练数据。

在本实施中，从分布式客户端集群中获取患者的望诊训练数据、闻诊训练数据、问诊训练数据和切诊训练数据，可以参考前述公开的实施二公开的方法，在此不作赘述。

步骤S32：服务器端利用望诊训练数据、闻诊训练数据、问诊训练数据和切诊训练数据，对基于深度神经网络算法构建的待训练模型进行训练，得到训练后模型；在本实施例中，该步骤具体包括下面步骤S321、步骤S322、步骤S323、步骤S324和步骤S325。

步骤S321：利用望诊训练数据，对基于卷积神经网络算法构建的望诊待训练模型进行训练，得到望诊训练后模型。

步骤S322：利用闻诊训练数据，对基于BP神经网络算法构建的闻诊待训练模型进行训练，得到闻诊训练后模型。

步骤S323：利用问诊训练数据，对基于BP神经网络算法构建的问诊待训练模型进行训练，得到问诊训练后模型。

步骤S324：利用切诊训练数据，对基于深度神经网络算法构建的切诊待训练模型进行训练，得到切诊训练后模型。

需要说明的是，本实施中的步骤S321、步骤S322、步骤S323和步骤S324可参考前述公开的实施二中对应的方法步骤，此处不再赘述。

步骤S325：利用提取到的望诊训练后模型、闻诊训练后模型、问诊训练后模型和切诊训练后模型的输出端数据，对基于概率神经网络算法构建的待训练模型进行训练，得到训练后模型。

在本实施例中，基于概率神经网络算法(Probabilistic neural network，PNN)构建待训练模型，将望诊训练后模型、闻诊训练后模型、问诊训练后模型和切诊训练后模型诊断出来的疾病结果，作为待训练模型输入端的输入数据。概率神经网络的基本结构如图12所示。

可以理解的是，通过在望诊训练后模型、闻诊训练后模型、问诊训练后模型和切诊训练后模型的基础上，再通过一层深度神经网络对所建立的模型进行诊断结果的优化，这样会使得患者疾病的诊断结果更加的精确。

具体的，在本实施例中，根据概率神经网络算法所构建的待训练模型输入层的神经元数目等于望诊训练后模型、闻诊训练后模型、问诊训练后模型和切诊训练后模型输出端的矢量维数之和；整个基于深度神经网络算法构建的模型如图13所示。

需要说明的是，在此步骤中，所建立的待训练模型中各个层的神经元的个数和连接关系以及具体的参数，都需要根据实际问题所要达到的目的进行相应的调整，此处对模型中的参数不作限定。

步骤S33：利用新训练数据，对训练后模型进行优化，以提高训练后模型的精度。

其中，新训练数据为对患者诊断结果验证通过后得到的疾病数据。

可以理解的是，利用患者诊断结果验证通过后的疾病数据对训练后模型的参数进行优化，可以提高模型的诊断精度。

需要说明的是，此训练模型会有两种工作模式，一种是模型的训练模式，也即，建立的模型不能独立诊断患者疾病时，它会通过大量的带标签的数据集进行不断的训练；另外一种是模型的工作和逐渐优化模式，也即，训练后模型在正常使用过程中，会给出患者相应的诊断结果，然后会根据患者诊断结果验证通过后得到的疾病数据对模型的精度进行不断的优化。

步骤S34：服务器端利用训练后模型对患者的疾病数据进行诊断，得出疾病数据的诊断结果。

在本实施例中，首先是针对望诊训练数据、闻诊训练数据、问诊训练数据和切诊训练数据分别建立相应的模型，然后在此基础之上，又建立一个基于概率神经网络的待训练模型，将提取到的望诊训练后模型、闻诊训练后模型、问诊训练后模型和切诊训练后模型输出端的数据，作为待训练模型输入端的数据，再一次的对患者的疾病数据进行训练优化。

可以理解的是，通过本实施例提供的这种方法，显著提高了模型的训练精度。

如图14所示，是该模型建立的终端云服务器示意图，具体的，在本实施例中，终端云服务器和各个诊所的输入端连接，其中，望诊训练数据、闻诊训练数据、问诊训练数据和切诊训练数据通过云服务器中的望诊采集端、闻诊声音采集端、问诊信息采集端和脉搏采集端采集得到的。需要说明的是，本申请实施例中患者的疾病数都是带有数据标签的训练数据；也即，医师通过对患者的疾病数据进行整理，设置相应的数据标签。

可以理解的是，将望诊训练数据、闻诊训练数据、问诊训练数据和切 诊训练数据存储在云服务器中。可以使所建立的模型具备大规模训练数据的能力，而且通过这样的方式，还可以使建立的模型能够同时诊断多个患者，大大提高了模型的实用性能。

更进一步的，云服务器通过相关的设置，可以首先检测患者是否在云服务器中存在有病例库，如果有，则进行正常的疾病数据诊断流程；如果没有，则系统将会自动建立完整的患者疾病数据库。而且，本系统还可以在系统的终端打印出患者的治疗方案的处方以及患者在日常生活中的注意事项。

相应的，本发明实施例还公开了一种中医智能诊断系统，该系统具体设于基于云计算的分布式客户端服务器架构上，参见图15所示，该系统包括：

数据获取模块41，用于服务器端从分布式客户端集群中获取患者的望诊训练数据、闻诊训练数据、问诊训练数据和切诊训练数据。

模型构建模块42，用于服务器端利用望诊训练数据、闻诊训练数据、问诊训练数据和切诊训练数据，对基于深度神经网络算法构建的待训练模型进行训练，得到训练后模型。

诊断结果获取模块43，用于服务器端利用训练后模型对患者的疾病数据进行诊断，得出疾病数据的诊断结果。

具体的，模型构建模块42，包括望诊构建单元、闻诊构建单元、问诊构建单元和切诊构建单元；其中，

望诊构建单元，用于利用望诊训练数据，对基于卷积神经网络算法构建的望诊待训练模型进行训练，得到望诊训练后模型。

闻诊构建单元，用于利用闻诊训练数据，对基于BP神经网络算法构建的闻诊待训练模型进行训练，得到闻诊训练后模型。

问诊构建单元，用于利用问诊训练数据，对基于BP神经网络算法构建的问诊待训练模型进行训练，得到问诊训练后模型。

切诊构建单元，用于利用切诊训练数据，对基于深度神经网络算法构建的切诊待训练模型进行训练，得到切诊训练后模型。

更为具体的，模型构建模块42，包括望诊构建单元、闻诊构建单元、问诊构建单元、切诊构建单元和模型构建单元；其中，

望诊构建单元，用于利用望诊训练数据，对基于卷积神经网络算法构建的望诊待训练模型进行训练，得到望诊训练后模型。

闻诊构建单元，用于利用闻诊训练数据，对基于BP神经网络算法构建的闻诊待训练模型进行训练，得到闻诊训练后模型。

问诊构建单元，用于利用问诊训练数据，对基于BP神经网络算法构建的问诊待训练模型进行训练，得到问诊训练后模型。

切诊构建单元，用于利用切诊训练数据，对基于深度神经网络算法构建的切诊待训练模型进行训练，得到切诊训练后模型。

模型构建单元，用于利用提取到的望诊训练后模型、闻诊训练后模型、问诊训练后模型和切诊训练后模型的输出端数据，对基于概率神经网络算法构建的待训练模型进行训练，得到训练后模型。

进一步的，本发明实施例公开的中医智能诊断系统，还包括，望诊数据预处理模块和闻诊数据预处理模块；其中，

望诊数据预处理模块，用于对望诊训练数据进行去噪和/或平滑处理。

闻诊数据预处理模块，用于对闻诊训练数据进行滤波和/或分帧处理。

进一步的，本发明实施例公开的中医智能诊断系统，还包括：

模型优化模块，用于在诊断结果获取模块43利用训练后模型对患者的疾病数据进行诊断之前，利用新训练数据，对训练后模型进行优化，以提高所述训练后模型的精度。

其中，新训练数据为对患者诊断结果验证通过后得到的疾病数据。

关于上述各个模块和各个单元更加详细的工作过程可以参考前述实施例中公开的相应内容，在此不再进行赘述。

相应的，本发明实施例还公开了一种中医医疗系统，包括前述公开的中医智能诊断系统，还包括：

中医智能治疗系统，用于利用中医智能诊断系统得到的诊断结果，确定出相应的治疗方案；

其中，中医智能治疗系统为基于深度神经网络算法训练得到的治疗系统，对应的训练样本包括历史诊断结果以及相应的治疗方案。可以理解的是，本实施例中的治疗方案实质上是指基于深度学习由计算机等信息处理设备得到的分类结果，这与医生基于医学理论得到的治疗方案是不同的。

在本系统中，是将患者的诊断结果，利用深度神经网络算法训练得到的治疗系统，来给出患者相对应的治疗方案。当然，为了得到更好的治疗方案，还可以利用新的训练样本对其进行优化，此处不作限定。

具体的，中医智能治疗系统确定出的治疗方案包括中成药处方和/或理疗方案。

在本实施例中，由中医智能治疗系统确定出的治疗方案，包括但不限于中成药处方和/或理疗方案。这样不仅可以减轻医生的工作量，也可以给患者诊断结果提供相应的参考治疗方案，提升了患者的治疗体验。

具体的，训练中医智能治疗系统的深度神经网络算法包括卷积神经网络算法。

在本实施例中，利用卷积神经网络算法结构简单、训练参数少和适应性强的优点，来得到中医智能治疗系统。当然实际的应用当中，也可以使用其他的深度神经网络算法，此处不作限定。

在本发明实施例中，中医智能诊断系统主要是根据患者的疾病信息判断出患者所对应的疾病。中医智能治疗系统可以根据前述公开的医疗诊断系统，给患者提供相应的疾病诊断方案；而且，中医智能治疗系统给患者提供的药物治疗方案，还可以根据患者的不同状况灵活变换药物的比例权重。进一步的，本系统还可以在系统的终端打印出患者的治疗方案的处方以及患者在日常生活中的注意事项。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、 方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上对本发明所提供的一种中医智能诊断方法及系统进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。