基于神经网络的非法行医行为识别与监督方法与流程

1.本发明属于人工智能技术领域，尤其涉及一种基于神经网络的非法行医行为识别与监督方法以及实现所述方法的后台服务器监管平台。


背景技术：

2.随着“互联网 ”技术的发展，行医或者医疗行为，逐渐从传统的线下诊疗发展到线上，给医疗体系带来变革，由网络信息技术和生物医学技术融合而成的移动医疗正以一种全新的医疗健康服务模式渗透进百姓的生活，并逐渐成为各大投资商和科技公司竞相追逐的热点。
3.然而，合法医疗可以利用互联网技术，非法医疗也同样可以。传统的非法行医，有场地、有行踪，查处有迹可循。但互联网上的非法行医则不同，它有隐匿的身份，有相对封闭的环境，并且通常在表象上是经过预先审批、注册和等级的“合法”形式，体现为各种医疗健康软件（app）及在线诊疗平台等“互联网在线寻医问药”模式。由于准入机制缺乏，网络行医监管缺位。互联网的虚拟性和隐蔽性导致患者无法准确判断网络坐诊“医生”的真实身份，严重影响网络问诊的质量和安全。
4.如何实现在线行医过程中的非法行为识别与监管，成为本领域亟待解决的技术问题，而现有技术并未对此提出有效的技术上的改进方案。


技术实现要素：

5.为解决上述技术问题，本发明提出一种基于神经网络的非法行医行为识别与监督方法以及实现所述方法的后台服务器监管平台。
6.在本发明的第一个方面，提出一种基于神经网络的非法行医行为识别与监督方法，所述方法包括如下步骤：s100：按照第一周期检查行医终端的任务进程表，将所述任务进程表与预置的终端行医备案表进行比对，确定已启动的行医app；s200：根据所述已启动的行医app的数量，激活人工神经网络的输入层；s300：针对输入层的每一个节点，根据每个行医app的在线时长，激活所述人工神经网络的第一中间层；s400：根据在线时长大于第一预设阈值的每个行医app的语义交互记录，激活所述人工神经网络的第二中间层；s500：在行医app活跃时间段内，基于所述人工神经网络识别是否存在非法行医行为；若存在非法行医行为，则发出监督信号。
7.在本发明中，所述非法行医行为包括如下之一或者其任意组合：同一时间段在超过备案数量的行医app上活跃；语义交互记录存在非法关键词；
行医app长期在线但无及时响应。
8.在本发明的上述技术方案中，所述神经网络为人工神经网络（ann），所述人工神经网络包括输入层、中间层和输出层；通过所述输出层输出所述非法行医行为信息。
9.具体的，所述步骤s500还包括：识别出存在非法行医行为的行医app和涉及非法行医的语义交互记录以及该存在非法行医行为的行医app的活跃时长。
10.作为进一步的技术方案，所述人工神经网络为动态可配置的神经网络，具体体现在不同层级（输入层、中间层）的激活节点数量随着实际场景动态变化。
11.所述输入层包括第一数量的输入节点；所述中间层包括第一中间层和第二中间层；所述第一中间层包括第四数量的第一中间节点，所述第二中间层包括第五数量的第二中间节点；但是在初始状态下，所述第一数量的输入节点、第四数量的第一中间节点、第五数量的第二中间节点处于未激活状态。
12.这里，节点处于未激活状态，指的是虽然存在这个节点，但是该节点并未产生数据输入/输出，也不与其他层级或者其他节点发生数据交互。
13.所述步骤s200包括：根据所述已启动的行医app的第二数量，激活所述人工神经网络的输入层中第三数量的输入节点；所述步骤s300包括：每个已启动的行医app对应所述输入层的至少一个节点；当某个已启动的行医app的在线时长超过第二预设阈值时，激活所述人工神经网络的第一中间层的一个第一中间节点。
14.所述步骤s400包括：针对每个行医app的每一次的语义交互记录的启动和关闭，激活所述人工神经网络的第二中间层的一个第二中间节点。
15.进一步的，在所述步骤s500之后，所述方法还包括如下步骤：基于非法行医行为信息更新所述人工神经网络；所述非法行医行为信息包括存在非法行医行为的行医app和涉及非法行医的语义交互记录以及该存在非法行医行为的行医app的活跃时长。
16.在实际应用本发明的硬件环境中，所述行医终端包括桌面终端和移动终端；所述行医终端上安装有多种行医app；所述行医app在发布前执行app备案，记录至所述终端行医备案表中。
17.为实现上述方法，在本发明的第二个方面，提供一种后台服务器监管平台，所述监管平台连接多个行医app的数据中心服务器，所述数据中心服务器用于获取安装有所述行医app的行医终端的任务进程表，用于实现前述的基于神经网络的非法行医行为识别与监督方法。
18.在本发明第三个方面，提供一种数据存储介质，例如可以是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，所述计算机程序被处理器执行时，实现上述基于神经网络的非法行医行为识别与监督方法的各个步骤。
19.本发明能够基于可配置的动态人工神经网络实现在线行医行为的异常与非法识别并给出监管提示，从而基于人工智能技术，实现了互联网医疗行为的监督与管理，并能给出动态反馈，不断更新人工神经网络的准确度。
20.本发明的进一步优点将结合说明书附图在具体实施例部分进一步详细体现。
附图说明
21.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一些实施例，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，还可以根据这些附图获得其他的附图。
22.图1是本发明一个实施例的一种基于神经网络的非法行医行为识别与监督方法的流程示意图；图2是图1所述方法的进一步优选实施例步骤图；图3是本发明各个实施例使用的人工神经网络的结构示意图；图4是图3所述人工神经网络的节点激活与网络更新原理示意图；图5是图1或图2所述方法的后台服务器监管平台的工作原理示意图。
具体实施方式
23.下面，结合附图以及具体实施方式，对发明做出进一步的描述。
24.在介绍本技术的技术方案的具体实现方式之前，先从技术方面介绍现有技术，以及本发明涉及的相关技术术语的概念，以更好的理解本技术。
25.非法行医：传统上的非法行医是一个法律概念，针对传统医疗行业。刑法典有相应的“非法行医罪”规定，相关司法解释和部门规定也有进一步规定。该概念是一个法律术语。
26.然而，本发明中提及的“非法行医”，并不是从法律上探讨行为是否构成“非法行医罪”。本发明的技术场景针对于互联网在线医疗环境，尤其针对安装有各种医疗健康软件（app）及在线诊疗平台等各种可实现“互联网在线寻医问药”的终端设备的在线行医环境。
27.在本发明的上述环境中，“非法行医”的识别主要是从技术上判断，相应的终端服务提供者，是否遵循了基本的医疗规范，是否遵守了已有的关于在线医疗、移动医疗的有关规定。
28.具体来说，在本发明中，所述非法行医行为定义为包括如下之一或者其任意组合：同一时间段在超过备案数量的行医app上活跃；语义交互记录存在非法关键词；行医app长期在线但无及时响应。
29.在具体实现时，本发明提供后台服务器监管平台，所述监管平台连接多个行医app的数据中心服务器，所述数据中心服务器用于获取安装有所述行医app的行医终端的任务进程表，通过检查行医终端的任务进程表，将所述任务进程表与预置的终端行医备案表进行比对，即可确定已启动的行医app。
30.在此基础上，接下来具体介绍本发明的各个实施例。
31.参照图1，是本发明一个实施例的一种基于神经网络的非法行医行为识别与监督
方法的流程示意图。
32.在图1中，所述方法包括步骤s100-s500的执行过程，具体执行如下：s100：按照第一周期检查行医终端的任务进程表，将所述任务进程表与预置的终端行医备案表进行比对，确定已启动的行医app；s200：根据所述已启动的行医app的数量，激活人工神经网络的输入层；s300：针对输入层的每一个节点，根据每个行医app的在线时长，激活所述人工神经网络的第一中间层；s400：根据在线时长大于第一预设阈值的每个行医app的语义交互记录，激活所述人工神经网络的第二中间层；s500：在行医app活跃时间段内，基于所述人工神经网络识别是否存在非法行医行为；若存在非法行医行为，则发出监督信号。
33.针对各个步骤，更进一步的实现原理介绍如下：步骤s100中，所述预置的终端行医备案表，是指每个行医app在发布之前，必须进行备案。
34.app执行发布前备案制度，这是已有的法律规定。根据我国《互联网信息服务管理办法》的规定，“国家对经营性互联网信息服务实行许可制度；对非经营性互联网信息服务实行备案制度。未取得许可或者未履行备案手续的，不得从事互联网信息服务”。
35.而针对特殊行业app，例如教育、医疗、金融终端app，其更是有专门的备案审查制度。因此，终端行医备案表是公开的数据库，通过查询可以获知。
36.本实施例所述的“行医app”，是指提供健康医疗服务的软件客户端，类似的软件客户端包括xx好医生、xx问药、xx诊疗app等，均为本领域技术人员所熟知的终端app，在经过备案之后，即可发布上线，供用户下载使用。
37.当用户启动行医app之后，在终端的任务进程表中存在相应的进程信息。
38.基于备案制度，本发明构建后台服务器监管平台，所述监管平台连接多个行医app的数据中心服务器，所述数据中心服务器用于获取安装有所述行医app的行医终端的任务进程表，通过检查行医终端的任务进程表，将所述任务进程表与预置的终端行医备案表进行比对，即可确定已启动的行医app。
39.在步骤s200-s500中，基于动态配置的人工神经网络实现非法行医行为的识别与监管。
40.人工神经网络，或称作连接模型，它是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。
41.人工神经网络的每个层级的每个节点都代表一个神经元。一个神经元类似于一个函数，该函数通常是多个输入，产生一个输出。人工神经网络在深度学习、人工智能方面的应用尤为突出。
42.然而，现有技术中，使用的人工神经网络往往是静态配置，其参数固定。当外界输入输出环境变化时，就需要重新构建参数，包括输入层、隐层（中间层）、输出层以及各层的节点数目。
43.然而，在互联网尤其是移动互联网环境下的在线医疗环境中，用户的行为以及app的启动数量、启动类型都是随机的，不存在统一规律，因此，如果预先训练好固定的神经网络，有可能无法适应移动互联网环境下的在线医疗环境，导致其识别准确度不够。
44.为此，本实施例对此进行了改进，采用动态配置的动态人工神经网络。其具体构思为：在预先构建的神经网络结构中，包括输入层、中间层和输出层；输入层包括第一数量的输入节点；所述中间层包括第一中间层和第二中间层；所述第一中间层包括第四数量的第一中间节点，所述第二中间层包括第五数量的第二中间节点。
45.所述第一数量为行医终端安装的所有的行医app的数量之和；所述第四数量为基于统计得出的每个行医终端的每日在线时长与预设时间阈值的比值；所述第五数量为基于统计语义得出的每个行医app的每一次的语义交互记录的启动和关闭的总次数。
46.可见，预先配置的人工神经网络，在节点数量上保持了足够的冗余度。但是在初始状态下，所述第一数量的输入节点、第四数量的第一中间节点、第五数量的第二中间节点处于未激活状态。
47.这里，节点处于未激活状态，指的是虽然存在这个节点，但是该节点并未产生数据输入/输出，也不与其他层级或者其他节点发生数据交互，可避免无对应节点数据时的神经网络数据传输的臃肿。
48.通过所述输出层输出所述非法行医行为信息。
49.具体的，所述步骤s500还包括：识别出存在非法行医行为的行医app和涉及非法行医的语义交互记录以及该存在非法行医行为的行医app的活跃时长。
50.在图1基础上，继续参见图2。
51.在图2中，在所述步骤s500之后，所述方法还包括如下步骤：基于非法行医行为信息更新所述人工神经网络；所述非法行医行为信息包括存在非法行医行为的行医app和涉及非法行医的语义交互记录以及该存在非法行医行为的行医app的活跃时长。
52.当然，作为更具体的优选实施例，所述步骤s500具体包括：在行医app活跃时间段内，基于所述人工神经网络识别是否存在非法行医行为；若存在非法行医行为，则发出监督信号；同时，基于非法行医行为信息更新所述人工神经网络，并减少所述第一周期，返回步骤s100；若不存在非法行医行为，则增大所述述第一周期，返回步骤s100。
53.接下来参见图3和图4，详细介绍本发明各个实施例使用的神经网络的结构和激活过程。
54.在图3中，所述人工神经网络包括输入层、中间层和输出层；通过所述输出层输出所述非法行医行为信息。所述输入层包括第一数量的输入节点。
55.结合图4，根据所述已启动的行医app的第二数量，激活所述人工神经网络的输入层中第三数量的输入节点；所述第三数量与所述第二数量成正比。
56.优选的，所述第二数量等于所述第三数量。即每启动一个行医app，则激活一个输入节点；所述中间层包括第一中间层和第二中间层；所述第一中间层包括第四数量的第一中间节点，所述第二中间层包括第五数量的第二中间节点；如前述，每个已启动的行医app对应所述输入层的至少一个节点；当某个已启动的行医app的持续在线时长超过第二预设阈值时，激活所述人工神经网络的第一中间层的一个第一中间节点，该中间节点与该已启动的行医app对应的输入层的至少一个节点连接。
57.作为示例，当某个已启动的行医app的在线时长每超过第二预设阈值时，激活第一中间层的一个第一中间节点。
58.例如，已启动的行医app的持续在线时长每超过半小时，则激活第一中间层的一个第一中间节点；若所述已启动的行医app的持续在线时长达到3小时，则第一中间层的需要激活至少6个第一中间节点；同时，针对每个行医app的每一次的语义交互记录的启动和关闭，激活所述人工神经网络的第二中间层的一个第二中间节点。
59.在行医app的对话界面，患者和行医者存在语义交互记录，每次语义交互记录都有启动和关闭的过程；当每存在一次启动和关闭的过程，则激活所述人工神经网络的第二中间层的一个第二中间节点。
60.当然，作为进一步的改进，在预设数量的第一周期结束后，可以初始化所述神经网络，使得所有节点均恢复为未激活状态。
61.图4的主体流程概括了上述具体激活与更新过程如下（图中未示出部分步骤）：s41：根据已启动的行医app的第二数量，激活人工神经网络的输入层中第三数量的输入节点；s42：当某个已启动的行医app的持续在线时长的增量每超过一次第二预设阈值，就激活人工神经网络的第一中间层的一个第一中间节点；s43：针对每个行医app的每一次的语义交互记录的启动和关闭，激活人工神经网络的第二中间层的一个第二中间节点；s44：识别出存在非法行医行为的行医app和涉及非法行医的语义交互记录以及该存在非法行医行为的行医app的活跃时长；s45：基于非法行医行为信息更新所述人工神经网络并调节所述第一周期；s46：在预设数量的第一周期结束后，初始化所述人工神经网络，使得所有节点均恢复为未激活状态。
62.图5是图1或图2所述方法的后台服务器监管平台的工作原理示意图。
63.在图5中，提供一种后台服务器监管平台，所述监管平台连接多个行医app的数据中心服务器，所述数据中心服务器用于获取安装有所述行医app的行医终端的任务进程表，用于实现前述的基于神经网络的非法行医行为识别与监督方法。
64.在图5中，示出所述行医终端包括桌面终端和移动终端，所述桌面终端和移动终端均安装有至少一个行医app；作为示意性的例子，移动终端安装有行医app-a和行医app-b，桌面终端安装有行医app-c、行医app-a；存在针对行医app-a、行医app-b、行医app-c分别连接至各自的数据中心服务器a、数据中心服务器b和数据中心服务器c，当行医app-a、行医app-b、行医app-c启动、运行或者停止时，其状态进程表均传输至对应的数据中心服务器a、数据中心服务器b和数据中心服务器c；而所述监管平台连接多个行医app的数据中心服务器，即连接至数据中心服务器a、数据中心服务器b和数据中心服务器c，通过检查行医终端的任务进程表，将所述任务进程表与预置的终端行医备案表进行比对，即可确定已启动的行医app的状态，获得相应的输入数据至所述人工神经网络执行上述方法。
65.本发明能够基于可配置的动态人工神经网络实现在线行医行为的异常与非法识别并给出监管提示，从而基于人工智能技术，实现了互联网医疗行为的监督与管理，并能给出动态反馈，不断更新人工神经网络的准确度。
66.本发明再一个实施例中，提供一种终端设备，该终端设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。
67.本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
68.本技术是参照根据本技术实施例的方法、电力二次设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/ 或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理电力二次设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理电力二次设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
69.最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。