面向防疫的智能导诊机器人关键技术及应用
防疫期间，智能导诊机器人肩负着相关医疗咨询服务的责任，通过人工智能解答，借助语音交互技术，快速应对网络问诊和信息上报的需求。智能导诊机器人中的语音交互主要涉及语音识别与语音合成，用于实现语音片段与文本之间的转换。相较于一般的自然语言处理任务，语音识别的特殊之处在于声学模型。因此，与语音识别相关的研究主要围绕声学模型展开。经典的声学模型GMM-HMM分别采用广义矩估计（generalizedmethodofmoment，GMM）和隐马尔可夫模型（hiddenMarkovmodel，HMM）对语音的观察概率及语音的时序进行建模，导致无法学习深层非线性特征变换。微软于2012年率先将前馈神经网络（feedforwardneuralnetwork，FNN）引入声学模型建模[18]，大大降低了语音识别的错误率，引领了DNN-HMM混合声学模型的风潮，并衍生出RNN-HMM、LSTM-HMM、CNN-HMM等混合声学模型[19,20,21,22,23]。上述基于DNN-HMM的声学模型要求训练特征序列和标注特征序列必须是等长的，即训练数据中每一帧都要预先确定对应的标注。针对上述问题，谷歌GravesA等人[24]将连接时序分类（connectionisttemporalclassification，CTC）技术引入语音识别，通过前向后向算法自动学习语音特征中的模型边界，解决训练特征序列与标注特征序列不等长的问题，实现了端到端语音识别。至此，业界开始在语音识别系统中大量使用CTC技术，如百度的DeepSpeech[25]和DeepSpeech2[26]、谷歌的NSR[27]等，均取得了比传统混合识别系统更好的性能。但是，CTC技术无法对输出之间的依赖关系进行建模，对上下文信息利用不充分。针对CTC技术的不足，谷歌GravesA[28]提出了RNN-T模型，巧妙地将语言模型与声学模型整合在一起进行联合优化。考虑到语音识别的本质是两个序列之间的转换，谷歌将机器翻译中广泛使用的基于注意力机制的Seq2Seq模型引入语音识别，提出了一种新颖的端到端的语音识别框架LAS[29-30]。尽管当前语音识别精度取得了较大的提升，但是重口音、方言、嘈杂环境、多人同时说话等场景下的语音识别仍表现不佳，这是当前语音交互面临的重要挑战。智能导诊机器人（医疗机器人）
智能导诊机器人概述(CZ-Robot1s-MED) 智能导诊机器人开发初衷是解决门诊导医人数较少、重复问答较多的现实情况。在医院业务高峰期人满为患的情况下，智能医疗服务机器人可以及时响应，可以指导患者就医、引导分诊，同时向患者可以介绍医院就医环境、门诊就诊流程和医疗保健知识等。导诊机器人通过语音识别、语音合成和自然语言理解等技术，支持语音、触控、图像等多种交互方式，改善就医体验，提高医疗服务质量，是医院智慧医疗的重要组成部分和具体体现。 智能导诊机器人功能联系我们电话：4006-935-088 4006-937-088
售后：4008-128-728
地址：北京・清华科技园九号楼5层
智能问诊机器人价格***，可致电咨询。
查看更多相似文章