一种医疗费用自助支付系统技术方案

本发明专利技术涉及医疗领域，尤其为一种医疗费用自助支付系统，包括：摄像部件：用于抓取采样信息；信号处理器：用于对摄像部件抓取的采样信息进行处理，并将处理结果传输至主控计算机；主控计算机：用于确认信号处理器的信息并将最终确认结果传输至支付单元；支付单元：用于根据主控计算机传输的最终确认结果，控制输出并执行支付指令；触摸屏显示器：用于根据主控计算机输出确认结果进行显示。本发明专利技术的信号处理器通过融合加入通道注意力模块，通过残差思想进行特征输出，尽可能的减少特征信息的丢失，并加强了学习能力；通过自适应调节可调因子提升抗噪声性能，提升对人脸信息匹配的准确率，提升自助支付系统的支付效率，提升支付系统的安全性。安全性。安全性。

【技术实现步骤摘要】
一种医疗费用自助支付系统


[0001]本专利技术涉及医疗领域，尤其是一种医疗费用自助支付系统。

技术介绍

[0002]传统的医疗缴费需要花费大量的时间排队等候，耽误病人的看病时间。随着自动化技术的进步，可将先进的信息技术应用于医院缴费。因此，随着经济的飞速发展，人民生活水平得到了极大的提高，迫切需求一种自动化的医院自助支付系统，能够方便，快捷，给老百姓带来实惠，能够解决看病难的问题，节约病人的时间，提高看病的效率。随着电子商务的普及，数字化系统支付方式受到越来越多消费者和商家的青睐，消费者进行支付时无需使用现金，商家也无需进行找零，简化了交易过程。尤其是人脸识别技术进行识别支付的支付手段。人脸识别技术是生物识别技术的一种，由于每个人的人脸面相都具有独一无二性，并且人脸是人类视觉中最为自然和普遍的身份识别特征，所以基于人脸识别技术的身份验证系统得到广泛应用。但现有的人脸识别技术不能充分提取判别人脸特征和并且提取的人脸信息中存在大量噪声，易影响判断效果，降低支付效率，这对于支付系统来说存在一定的安全隐患。

技术实现思路

[0003]本专利技术的目的是通过提出一种医疗费用自助支付系统，以解决上述
技术介绍
中提出的缺陷。
[0004]本专利技术采用的技术方案如下：
[0005]提供一种医疗费用自助支付系统，包括：
[0006]摄像部件：与信号处理器连接，用于抓取采样信息；
[0007]信号处理器：与主控计算机连接，用于对摄像部件抓取的采样信息进行处理，并将处理结果传输至主控计算机；
[0008]主控计算机：与支付单元以及触摸屏显示器连接，用于确认信号处理器的信息并将最终确认结果传输至支付单元及触摸屏显示器；
[0009]支付单元：用于根据主控计算机传输的最终确认结果，执行支付指令；
[0010]触摸屏显示器：用于根据主控计算机输出确认结果进行显示。
[0011]作为本专利技术的一种优选技术方案：所述信号处理器中，通过分布式存储数据格存储采样信息样本数据集。
[0012]作为本专利技术的一种优选技术方案：所述信号处理器的处理步骤包括采样信息的预处理和特征识别。
[0013]作为本专利技术的一种优选技术方案：所述预处理步骤包括采样信息校准、采样信息归一化和采样信息增强。
[0014]作为本专利技术的一种优选技术方案：所述特征识别包括特征信息分析和处理，以及特征匹配。
[0015]作为本专利技术的一种优选技术方案：所述特征信息分析和处理步骤中，构建卷积神经网络对采样信息进行学习，通过加入通道注意力模块，减少特征信息的丢失，加强学习能力；记输入特征为F∈R
H
×
W
×
C
，其中，H
×
W为特征图尺寸，C为通道数；通过全局最大池化和最大池化取得通道全局注意力和通道局部注意力，两个分支点分别用逐点卷积融合通道信息，保存图像在每个空间位置上的通通道信息：
[0016][0017][0018]其中，F1为局部通道注意力，F2为全局通道注意力，W
C/r
表示第一层卷积核大小为C/r，W
C
表示第二层卷积核大小为C，其中r为下采样倍数，用来控制通道压缩的比例，σ为Relu激活函数，表示经过最大池化后的特征，表示经过局部最大池化后的特征，池化卷积核大小为7
×
7；
[0019]将全局通道注意力和局部通道注意力逐元素相加，并使用Sigmoid函数归一化，用δ表示，生成注意力权重，并与输入特征相乘，获得输出特征：
[0020]X＝δ(F1+F2)
·
F
[0021]将输入特征与输出特征以跳跃连接的方式相加获得最终输出特征：
[0022]x＝X+F
[0023]其中，x为最终输出特征。
[0024]作为本专利技术的一种优选技术方案：所述特征匹配步骤中，通过自适应的具有抗噪声性能的损失函数进行采样信息识别：
[0025]通过网络提取特征向量x
i
∈R
H
×
W
×
C
，其类别用y
i
表示，
[0026]对于第i个采样信息的分类概率P
i
表示为：
[0027][0028]交叉熵函数表示为：
[0029][0030]其中，y为类别标签，为第i个采样信息的最终分类概率，N为采样信息样本总数，s为采样信息样本中的正例样本个数；满足：
[0031][0032]β为独热编码形式，为引入的自适应调节因子，其中，τ为可调因子，通过调节可调因子提升抗噪声性能。
[0033]作为本专利技术的一种优选技术方案：所述特征匹配步骤中，通过余弦距离度量采样信息与数据库中数据集的相似性，设定相似性的阈值对采样信息进行匹配，当相似度大于
阈值时，则匹配成功，否则匹配失败。
[0034]作为本专利技术的一种优选技术方案：所述信号处理器对采样信息进行特征匹配，匹配成功后将匹配对应的数据库中的分布式数据格信息传输至所述主控计算机。
[0035]作为本专利技术的一种优选技术方案：所述主控计算机确认采样信息匹配并输出支付指令至所述支付单元，所述支付单元执行支付指令并将指令执行结果回传至所述主控计算机，所述主控计算机根据指令执行结果自动调整数据库中采用信息匹配的分布式数据格信息并重新存储至数据库中。
[0036]本专利技术提供的医疗费用自助支付系统，与现有技术相比，其有益效果有：
[0037]本专利技术的信号处理器通过融合加入通道注意力模块，通过残差思想进行特征输出，尽可能的减少特征信息的丢失，并加强了学习能力；通过自适应调节可调因子提升抗噪声性能，提升对人脸信息匹配的准确率，提升自助支付系统的支付效率，提升支付系统的安全性。
附图说明
[0038]图1为本专利技术优选实施例的系统框图。
[0039]图中各个标记的意义为：1、摄像部件；2、信号处理器；3、主控计算机；4、支付单元；5、触摸屏显示器。
具体实施方式
[0040]需要说明的是，在不冲突的情况下，本实施例中的实施例及实施例中的特征可以相互组合，下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。
[0041]参照图1，本专利技术优选实施例提供了一种医疗费用自助支付系统，包括：
[0042]摄像部件1：与信号处理器2连接，用于抓取采样信息；
[0043]信号处理器2：与主控计算机3连接，用于对摄像部件1抓取的采样信息进行处理，并将处理结果传输至主控计算机3；
[0044]主控计算机3：与支付单元4以及触摸屏显示器5连接，用于确认信号处理器2的信息并将最终确认结果传本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种医疗费用自助支付系统，其特征在于：包括：摄像部件(1)：与信号处理器(2)连接，用于抓取采样信息；信号处理器(2)：与主控计算机(3)连接，用于对摄像部件(1)抓取的采样信息进行处理，并将处理结果传输至主控计算机(3)；主控计算机(3)：与支付单元(4)以及触摸屏显示器(5)连接，用于确认信号处理器(2)的信息并将最终确认结果传输至支付单元(4)及触摸屏显示器(5)；支付单元(4)：用于根据主控计算机(3)传输的最终确认结果，执行支付指令；触摸屏显示器(5)：用于根据主控计算机(3)输出确认结果进行显示；所述信号处理器(2)的处理步骤包括采样信息的预处理和特征识别，所述特征识别包括特征信息分析和处理，以及特征匹配；所述特征信息分析和处理步骤中，构建卷积神经网络对采样信息进行学习，通过加入通道注意力模块，减少特征信息的丢失，加强学习能力；记输入特征为F∈R
H
×
W
×
C
，其中，H
×
W为特征图尺寸，C为通道数；通过全局最大池化和最大池化取得通道全局注意力和通道局部注意力，两个分支点分别用逐点卷积融合通道信息，保存图像在每个空间位置上的通通道信息：信息：其中，F1为局部通道注意力，F2为全局通道注意力，W
C/r
表示第一层卷积核大小为C/r，W
C
表示第二层卷积核大小为C，其中r为下采样倍数，用来控制通道压缩的比例，σ为Relu激活函数，表示经过最大池化后的特征，表示经过局部最大池化后的特征，池化卷积核大小为7
×
7；将全局通道注意力和局部通道注意力逐元素相加，并使用Sigmoid函数归一化，用δ表示，生成注意力权重，并与输入特征相乘，获得输出特征：X＝δ(F1+2)
·
将输入特征与输出特征以跳跃连接的方式相...

【专利技术属性】
技术研发人员：何晓俊，
申请(专利权)人：北京融威众邦电子技术有限公司，
类型：发明
国别省市：