CN107767874A - 一种婴儿啼哭声识别提示方法及系统 - Google Patents
一种婴儿啼哭声识别提示方法及系统 Download PDFInfo
- Publication number
- CN107767874A CN107767874A CN201710787722.XA CN201710787722A CN107767874A CN 107767874 A CN107767874 A CN 107767874A CN 201710787722 A CN201710787722 A CN 201710787722A CN 107767874 A CN107767874 A CN 107767874A
- Authority
- CN
- China
- Prior art keywords
- baby
- sob
- state
- baby crying
- acoustical signal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L17/00—Speaker identification or verification
- G10L17/06—Decision making techniques; Pattern matching strategies
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
- G10L25/24—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being the cepstrum
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
- G10L25/66—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination for extracting parameters related to health condition
Abstract
本发明公开了一种婴儿啼哭声识别提示方法及系统,包括步骤:实时获取婴儿的啼哭声信号和动作图像;对婴儿啼哭声信号进行预处理后,计算获得婴儿啼哭声信号的反向梅尔频率倒谱系数,并对反向梅尔频率倒谱系数进行离散化处理,得到反向梅尔频率倒谱系数的离散值;根据预设的基于贝叶斯分类算法建立的婴儿哭声识别模型,对反向梅尔频率倒谱系数的离散值进行分类处理,从而识别出该婴儿啼哭声信号所对应的哭声状态;采用实时获取的婴儿动作图像校验从婴儿啼哭声信号识别获得的哭声状态;发出对应的提示信号。本发明计算方法简单,计算效率高,识别精度高,可以提高哭声状态识别的准确度和精度,可广泛应用于婴儿护理领域中。
Description
技术领域
本发明涉及婴儿声音分析技术领域,特别是涉及一种婴儿啼哭声识别提示方法及系统。
背景技术
啼哭是婴儿表达的唯一方式,是一种特殊的“语言”。婴儿的哭声有几种基本表达,包括饥饿、困倦、需要拍嗝、肠痉挛和不舒适,现代科学研究表明,全世界的宝宝在3月龄前,婴儿的哭声根据婴儿的当前状态而存在固有的典型模式,可成人一般不能准确理解婴儿啼哭的原因,不能了解婴儿啼哭所反应的需求,这样难免造成对婴儿护理、照料的不周,不利于婴儿的健康成长。对于现在的新生儿科、产科或月子中心等医疗服务机构来说,婴儿住院期间,对婴儿啼哭声进行监视是通过采集到婴儿啼哭声后,人工去查看婴儿的情况,或者同时还采集婴儿的图像,结合图像来判断婴儿的需求。这种方式也依赖于护士等工作人员的经验,不能准确、科学地获取婴儿啼哭声所反应的需求状态。
发明内容
为了解决上述的技术问题,本发明的目的是提供一种婴儿啼哭声识别提示方法及系统。
本发明解决其技术问题所采用的技术方案是:
一种婴儿啼哭声识别提示方法,包括以下步骤:
实时获取婴儿的啼哭声信号和动作图像;
对婴儿啼哭声信号进行预处理后,计算获得婴儿啼哭声信号的反向梅尔频率倒谱系数,并对反向梅尔频率倒谱系数进行离散化处理,得到反向梅尔频率倒谱系数的离散值;
根据预设的基于贝叶斯分类算法建立的婴儿哭声识别模型,对反向梅尔频率倒谱系数的离散值进行分类处理,从而识别出该婴儿啼哭声信号所对应的哭声状态;
基于预设的动作行为数据库,采用实时获取的婴儿动作图像校验从婴儿啼哭声信号识别获得的哭声状态;
基于校验后的哭声状态,发出对应的提示信号。
进一步,所述哭声状态包括以下状态中的任一种:饥饿、困倦、需要拍嗝、肠痉挛和不舒适。
进一步,还包括建立哭声识别模型这一步骤,其包括步骤:
获取多个婴儿啼哭声样本信号,并标注每个婴儿啼哭声样本信号所对应的哭声状态;
对每个婴儿啼哭声样本信号进行预处理后,计算获得婴儿啼哭声样本信号的反向梅尔频率倒谱系数,并对反向梅尔频率倒谱系数进行离散化处理,得到反向梅尔频率倒谱系数的离散值;
建立样本数据库,记录下每个婴儿啼哭声样本信号所对应的哭声状态、反向梅尔频率倒谱系数的离散值;
利用贝叶斯分类算法对样本数据库进行处理后,建立贝叶斯分类模型,并将贝叶斯分类模型作为婴儿哭声识别模型。
进一步,所述利用贝叶斯分类算法对样本数据库进行处理后,建立贝叶斯分类模型,并将贝叶斯分类模型作为婴儿哭声识别模型这一步骤,具体包括步骤:
统计样本数据库中每个哭声状态所对应的婴儿啼哭声样本信号的数量,进而计算样本数据库中每个哭声状态的统计概率;
统计每个哭声状态下的每个反向梅尔频率倒谱系数的离散值所对应的婴儿啼哭声样本信号的数量,进而计算每个哭声状态下的每个反向梅尔频率倒谱系数的离散值的条件概率;
将计算得到的各个统计概率和条件概率作为贝叶斯分类模型的参数,建立贝叶斯分类模型,并将贝叶斯分类模型作为婴儿哭声识别模型。
进一步,所述根据预设的基于贝叶斯分类算法建立的婴儿哭声识别模型,对反向梅尔频率倒谱系数的离散值进行分类处理,从而识别出该婴儿啼哭声信号所对应的哭声状态这一步骤,具体包括步骤:
针对该婴儿啼哭声信号的反向梅尔频率倒谱系数的离散值,获取其在婴儿哭声识别模型中对应的每个哭声状态下的条件概率以及该哭声状态的统计概率,并计算两者的乘积作为该婴儿啼哭声信号对应于该哭声状态的分布概率;
比对该婴儿啼哭声信号对应的每个哭声状态的分布概率,将分布概率最大的哭声状态作为该婴儿啼哭声信号所对应的哭声状态。
进一步,还包括建立预设的动作行为数据库这一步骤,其包括步骤:
获取多个婴儿动作图像,并标注每个婴儿动作图像所对应的哭声状态;
针对每个婴儿动作图像,对其进行预处理后,基于卡尔曼滤波器的自适应背景估计差分法,进行运动目标检测,提取获得对应的运动目标特征值;
基于所有婴儿动作图像提取获得的运动目标特征值,统计后获得每个哭声状态对应的运动目标特征值的变化区间;
将每个哭声状态与变化区间进行关联后,作为预设的动作行为数据库。
进一步,所述基于预设的动作行为数据库,采用实时获取的婴儿动作图像校验从婴儿啼哭声信号识别获得的哭声状态这一步骤,具体包括:
对实时获取的婴儿动作图像进行预处理后,基于卡尔曼滤波器的自适应背景估计差分法,进行运动目标检测,提取获得对应的运动目标特征值;
将计算获得的运动目标特征值与动作行为数据库进行比对后,获得其所处的变化区间;
获取该变化区间对应的哭声状态,并判断其是否与从婴儿啼哭声信号识别获得的哭声状态一致,若是,则校验结束,反之,统计预设时间阈值内,从实时的婴儿啼哭声信号识别获得的多个哭声状态和从实时的婴儿动作图像识别获得的多个哭声状态,并将出现次数最多的哭声状态作为校验后的哭声状态。
本发明解决其技术问题所采用的另一技术方案是:
一种婴儿啼哭声识别提示系统,包括主控电脑、显示终端、提示模块以及用于采集婴儿的啼哭声信号的声音传感器和用于采集婴儿的动作图像的图像传感器,所述显示终端和提示模块设置于医院的护理站,所述显示终端、提示模块、声音传感器和图像传感器均与主控电脑连接,所述主控电脑用于执行以下步骤:
实时获取婴儿的啼哭声信号和动作图像;
对婴儿啼哭声信号进行预处理后,计算获得婴儿啼哭声信号的反向梅尔频率倒谱系数,并对反向梅尔频率倒谱系数进行离散化处理,得到反向梅尔频率倒谱系数的离散值;
根据预设的基于贝叶斯分类算法建立的婴儿哭声识别模型,对反向梅尔频率倒谱系数的离散值进行分类处理,从而识别出该婴儿啼哭声信号所对应的哭声状态;
基于预设的动作行为数据库,采用实时获取的婴儿动作图像校验从婴儿啼哭声信号识别获得的哭声状态;
基于校验后的哭声状态,发出对应的提示信号。
进一步,所述提示模块采用蜂鸣器和闪烁提示指示灯。
进一步,所述哭声状态包括以下状态中的任一种:饥饿、困倦、需要拍嗝、肠痉挛和不舒适。
本发明方法、系统的有益效果是:本发明通过基于反向梅尔频率倒谱系数和贝叶斯分类算法对婴儿啼哭声信号识别获得对应的哭声状态,并结合婴儿的动作图像进行校验后,获得校验后的哭声状态,从而发出对应的提示信号,提示护理站等监控中心,护理站根据提示的哭声状态直接获知婴儿的需求,大大降低了护理工作量。而且本发明基于反向梅尔频率倒谱系数和贝叶斯分类算法进行哭声状态识别,计算方法简单,计算效率高,识别精度高,而结合婴儿的动作图像对婴儿的哭声状态进行校验,可以提高哭声状态识别的准确度和精度,科学地识别获得婴儿啼哭声对应的需求状态。
附图说明
图1是本发明的一种婴儿啼哭声识别提示方法的流程图;
图2是本发明的婴儿啼哭声识别提示系统的结构框图。
具体实施方式
参照图1,本发明提供了一种婴儿啼哭声识别提示方法,包括以下步骤:
实时获取婴儿的啼哭声信号和动作图像;
对婴儿啼哭声信号进行预处理后,计算获得婴儿啼哭声信号的反向梅尔频率倒谱系数,并对反向梅尔频率倒谱系数进行离散化处理,得到反向梅尔频率倒谱系数的离散值;
根据预设的基于贝叶斯分类算法建立的婴儿哭声识别模型,对反向梅尔频率倒谱系数的离散值进行分类处理,从而识别出该婴儿啼哭声信号所对应的哭声状态;
基于预设的动作行为数据库,采用实时获取的婴儿动作图像校验从婴儿啼哭声信号识别获得的哭声状态;
基于校验后的哭声状态,发出对应的提示信号。
进一步作为优选的实施方式,所述哭声状态包括以下状态中的任一种:饥饿、困倦、需要拍嗝、肠痉挛和不舒适。
进一步作为优选的实施方式,还包括建立哭声识别模型这一步骤,其包括步骤:
获取多个婴儿啼哭声样本信号,并标注每个婴儿啼哭声样本信号所对应的哭声状态;
对每个婴儿啼哭声样本信号进行预处理后,计算获得婴儿啼哭声样本信号的反向梅尔频率倒谱系数,并对反向梅尔频率倒谱系数进行离散化处理,得到反向梅尔频率倒谱系数的离散值;
建立样本数据库,记录下每个婴儿啼哭声样本信号所对应的哭声状态、反向梅尔频率倒谱系数的离散值;
利用贝叶斯分类算法对样本数据库进行处理后,建立贝叶斯分类模型,并将贝叶斯分类模型作为婴儿哭声识别模型。
进一步作为优选的实施方式,所述利用贝叶斯分类算法对样本数据库进行处理后,建立贝叶斯分类模型,并将贝叶斯分类模型作为婴儿哭声识别模型这一步骤,具体包括步骤:
统计样本数据库中每个哭声状态所对应的婴儿啼哭声样本信号的数量,进而计算样本数据库中每个哭声状态的统计概率;
统计每个哭声状态下的每个反向梅尔频率倒谱系数的离散值所对应的婴儿啼哭声样本信号的数量,进而计算每个哭声状态下的每个反向梅尔频率倒谱系数的离散值的条件概率;
将计算得到的各个统计概率和条件概率作为贝叶斯分类模型的参数,建立贝叶斯分类模型,并将贝叶斯分类模型作为婴儿哭声识别模型。
进一步作为优选的实施方式,所述根据预设的基于贝叶斯分类算法建立的婴儿哭声识别模型,对反向梅尔频率倒谱系数的离散值进行分类处理,从而识别出该婴儿啼哭声信号所对应的哭声状态这一步骤,具体包括步骤:
针对该婴儿啼哭声信号的反向梅尔频率倒谱系数的离散值,获取其在婴儿哭声识别模型中对应的每个哭声状态下的条件概率以及该哭声状态的统计概率,并计算两者的乘积作为该婴儿啼哭声信号对应于该哭声状态的分布概率;
比对该婴儿啼哭声信号对应的每个哭声状态的分布概率,将分布概率最大的哭声状态作为该婴儿啼哭声信号所对应的哭声状态。
进一步作为优选的实施方式,还包括建立预设的动作行为数据库这一步骤,其包括步骤:
获取多个婴儿动作图像,并标注每个婴儿动作图像所对应的哭声状态;
针对每个婴儿动作图像,对其进行预处理后,基于卡尔曼滤波器的自适应背景估计差分法,进行运动目标检测,提取获得对应的运动目标特征值;
基于所有婴儿动作图像提取获得的运动目标特征值,统计后获得每个哭声状态对应的运动目标特征值的变化区间;
将每个哭声状态与变化区间进行关联后,作为预设的动作行为数据库。
进一步作为优选的实施方式,所述基于预设的动作行为数据库,采用实时获取的婴儿动作图像校验从婴儿啼哭声信号识别获得的哭声状态这一步骤,具体包括:
对实时获取的婴儿动作图像进行预处理后,基于卡尔曼滤波器的自适应背景估计差分法,进行运动目标检测,提取获得对应的运动目标特征值;
将计算获得的运动目标特征值与动作行为数据库进行比对后,获得其所处的变化区间;
获取该变化区间对应的哭声状态,并判断其是否与从婴儿啼哭声信号识别获得的哭声状态一致,若是,则校验结束,反之,统计预设时间阈值内,从实时的婴儿啼哭声信号识别获得的多个哭声状态和从实时的婴儿动作图像识别获得的多个哭声状态,并将出现次数最多的哭声状态作为校验后的哭声状态。
针对每个婴儿动作图像,对其进行预处理后,基于卡尔曼滤波器的自适应背景估计差分法,进行运动目标检测,提取获得对应的运动目标特征值的步骤,具体为:针对每个婴儿动作图像,对其进行自适应滤波预处理,实现降噪后,基于卡尔曼滤波器的自适应背景估计差分法,对其进行运动区域标记,进而提取获得每个运动区域的位置、动作参数,实现运动目标检测,提取获得对应的运动目标特征值。
本步骤中,进行校验时,当从婴儿啼哭声信号识别获得的哭声状态为困倦状态,而根据实时获取的婴儿动作图像识别获得的哭声状态为饥饿状态时,则获取预设时间阈值内,例如预设的30秒时间内,从实时的婴儿啼哭声信号识别获得的多个哭声状态,假设共有8个饥饿状态和2个困倦状态,以及从实时的婴儿动作图像识别获得的多个哭声状态,假设共有7个饥饿状态和3个困倦状态,则饥饿状态的出现次数为15次,困倦状态的出现次数为5次,从而获取饥饿状态作为校验后的哭声状态。通过本方式进行校验,在判断根据婴儿动作识别获得的哭声状态与根据婴儿啼哭声信号识别获得的哭声状态不同时,可以进行纠错,获取最为接近婴儿需求的哭声状态。
本方法可以根据婴儿啼哭声自动识别获得婴儿的哭声状态,并结合婴儿的动作图像进行校验后,获得婴儿的哭声状态,从而发出对应的提示信号,提示护理站等监控中心,护理站根据提示的哭声状态直接获知婴儿的需求,大大降低了护理工作量。而且本方法基于反向梅尔频率倒谱系数和贝叶斯分类算法进行哭声状态识别,计算方法简单,计算效率高,识别精度高,而结合婴儿的动作图像对婴儿的哭声状态进行校验,可以提高哭声状态识别的准确度和精度,科学地识别获得婴儿啼哭声对应的需求状态。
参照图2,本发明还提供了一种婴儿啼哭声识别提示系统,包括主控电脑、显示终端、提示模块以及用于采集婴儿的啼哭声信号的声音传感器和用于采集婴儿的动作图像的图像传感器,所述显示终端和提示模块设置于医院的护理站,所述显示终端、提示模块、声音传感器和图像传感器均与主控电脑连接,所述主控电脑用于执行以下步骤:
实时获取婴儿的啼哭声信号和动作图像;
对婴儿啼哭声信号进行预处理后,计算获得婴儿啼哭声信号的反向梅尔频率倒谱系数,并对反向梅尔频率倒谱系数进行离散化处理,得到反向梅尔频率倒谱系数的离散值;
根据预设的基于贝叶斯分类算法建立的婴儿哭声识别模型,对反向梅尔频率倒谱系数的离散值进行分类处理,从而识别出该婴儿啼哭声信号所对应的哭声状态;
基于预设的动作行为数据库,采用实时获取的婴儿动作图像校验从婴儿啼哭声信号识别获得的哭声状态;
基于校验后的哭声状态,发出对应的提示信号。这里的提示信号,可以是通过显示终端显示的提示信息,也可以是提示模块显示的提示信息,优选的,提示模块采用蜂鸣器和闪烁提示指示灯。因此,可以通过蜂鸣信号或者灯光闪烁进行提示。
进一步作为优选的实施方式,所述哭声状态包括以下状态中的任一种:饥饿、困倦、需要拍嗝、肠痉挛和不舒适。
本系统可以根据婴儿啼哭声自动识别获得婴儿的哭声状态,并结合婴儿的动作图像进行校验后,获得婴儿的哭声状态,从而发出对应的声光提示信号,提示护理站等监控中心,护理站根据提示的哭声状态直接获知婴儿的需求,大大降低了护理工作量。而且本方法基于反向梅尔频率倒谱系数和贝叶斯分类算法进行哭声状态识别,计算方法简单,计算效率高,识别精度高,而结合婴儿的动作图像对婴儿的哭声状态进行校验,可以提高哭声状态识别的准确度和精度,科学地识别获得婴儿啼哭声对应的需求状态。
以上是对本发明的较佳实施进行了具体说明,但本发明创造并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换,这些等同的变型或替换均包含在本申请权利要求所限定的范围内。
Claims (10)
1.一种婴儿啼哭声识别提示方法,其特征在于,包括以下步骤:
实时获取婴儿的啼哭声信号和动作图像;
对婴儿啼哭声信号进行预处理后,计算获得婴儿啼哭声信号的反向梅尔频率倒谱系数,并对反向梅尔频率倒谱系数进行离散化处理,得到反向梅尔频率倒谱系数的离散值;
根据预设的基于贝叶斯分类算法建立的婴儿哭声识别模型,对反向梅尔频率倒谱系数的离散值进行分类处理,从而识别出该婴儿啼哭声信号所对应的哭声状态;基于预设的动作行为数据库,采用实时获取的婴儿动作图像校验从婴儿啼哭声信号识别获得的哭声状态;
基于校验后的哭声状态,发出对应的提示信号。
2.根据权利要求1所述的一种婴儿啼哭声识别提示方法,其特征在于,所述哭声状态包括以下状态中的任一种:饥饿、困倦、需要拍嗝、肠痉挛和不舒适。
3.根据权利要求1所述的一种婴儿啼哭声识别提示方法,其特征在于,还包括建立哭声识别模型这一步骤,其包括步骤:
获取多个婴儿啼哭声样本信号,并标注每个婴儿啼哭声样本信号所对应的哭声状态;
对每个婴儿啼哭声样本信号进行预处理后,计算获得婴儿啼哭声样本信号的反向梅尔频率倒谱系数,并对反向梅尔频率倒谱系数进行离散化处理,得到反向梅尔频率倒谱系数的离散值;
建立样本数据库,记录下每个婴儿啼哭声样本信号所对应的哭声状态、反向梅尔频率倒谱系数的离散值;
利用贝叶斯分类算法对样本数据库进行处理后,建立贝叶斯分类模型,并将贝叶斯分类模型作为婴儿哭声识别模型。
4.根据权利要求3所述的一种婴儿啼哭声识别提示方法,其特征在于,所述利用贝叶斯分类算法对样本数据库进行处理后,建立贝叶斯分类模型,并将贝叶斯分类模型作为婴儿哭声识别模型这一步骤,具体包括步骤:
统计样本数据库中每个哭声状态所对应的婴儿啼哭声样本信号的数量,进而计算样本数据库中每个哭声状态的统计概率;
统计每个哭声状态下的每个反向梅尔频率倒谱系数的离散值所对应的婴儿啼哭声样本信号的数量,进而计算每个哭声状态下的每个反向梅尔频率倒谱系数的离散值的条件概率;
将计算得到的各个统计概率和条件概率作为贝叶斯分类模型的参数,建立贝叶斯分类模型,并将贝叶斯分类模型作为婴儿哭声识别模型。
5.根据权利要求4所述的一种婴儿啼哭声识别提示方法,其特征在于,所述根据预设的基于贝叶斯分类算法建立的婴儿哭声识别模型,对反向梅尔频率倒谱系数的离散值进行分类处理,从而识别出该婴儿啼哭声信号所对应的哭声状态这一步骤,具体包括步骤:
针对该婴儿啼哭声信号的反向梅尔频率倒谱系数的离散值,获取其在婴儿哭声识别模型中对应的每个哭声状态下的条件概率以及该哭声状态的统计概率,并计算两者的乘积作为该婴儿啼哭声信号对应于该哭声状态的分布概率;
比对该婴儿啼哭声信号对应的每个哭声状态的分布概率,将分布概率最大的哭声状态作为该婴儿啼哭声信号所对应的哭声状态。
6.根据权利要求1所述的一种婴儿啼哭声识别提示方法,其特征在于,还包括建立预设的动作行为数据库这一步骤,其包括步骤:
获取多个婴儿动作图像,并标注每个婴儿动作图像所对应的哭声状态;
针对每个婴儿动作图像,对其进行预处理后,基于卡尔曼滤波器的自适应背景估计差分法,进行运动目标检测,提取获得对应的运动目标特征值;
基于所有婴儿动作图像提取获得的运动目标特征值,统计后获得每个哭声状态对应的运动目标特征值的变化区间;
将每个哭声状态与变化区间进行关联后,作为预设的动作行为数据库。
7.根据权利要求6所述的一种婴儿啼哭声识别提示方法,其特征在于,所述基于预设的动作行为数据库,采用实时获取的婴儿动作图像校验从婴儿啼哭声信号识别获得的哭声状态这一步骤,具体包括:
对实时获取的婴儿动作图像进行预处理后,基于卡尔曼滤波器的自适应背景估计差分法,进行运动目标检测,提取获得对应的运动目标特征值;
将计算获得的运动目标特征值与动作行为数据库进行比对后,获得其所处的变化区间;
获取该变化区间对应的哭声状态,并判断其是否与从婴儿啼哭声信号识别获得的哭声状态一致,若是,则校验结束,反之,统计预设时间阈值内,从实时的婴儿啼哭声信号识别获得的多个哭声状态和从实时的婴儿动作图像识别获得的多个哭声状态,并将出现次数最多的哭声状态作为校验后的哭声状态。
8.一种婴儿啼哭声识别提示系统,其特征在于,包括主控电脑、显示终端、提示模块以及用于采集婴儿的啼哭声信号的声音传感器和用于采集婴儿的动作图像的图像传感器,所述显示终端和提示模块设置于医院的护理站,所述显示终端、提示模块、声音传感器和图像传感器均与主控电脑连接,所述主控电脑用于执行以下步骤:
实时获取婴儿的啼哭声信号和动作图像;
对婴儿啼哭声信号进行预处理后,计算获得婴儿啼哭声信号的反向梅尔频率倒谱系数,并对反向梅尔频率倒谱系数进行离散化处理,得到反向梅尔频率倒谱系数的离散值;
根据预设的基于贝叶斯分类算法建立的婴儿哭声识别模型,对反向梅尔频率倒谱系数的离散值进行分类处理,从而识别出该婴儿啼哭声信号所对应的哭声状态;基于预设的动作行为数据库,采用实时获取的婴儿动作图像校验从婴儿啼哭声信号识别获得的哭声状态;
基于校验后的哭声状态,发出对应的提示信号。
9.根据权利要求8所述的一种婴儿啼哭声识别提示系统,其特征在于,所述提示模块采用蜂鸣器和闪烁提示指示灯。
10.根据权利要求8所述的一种婴儿啼哭声识别提示系统,其特征在于,所述哭声状态包括以下状态中的任一种:饥饿、困倦、需要拍嗝、肠痉挛和不舒适。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710787722.XA CN107767874B (zh) | 2017-09-04 | 2017-09-04 | 一种婴儿啼哭声识别提示方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710787722.XA CN107767874B (zh) | 2017-09-04 | 2017-09-04 | 一种婴儿啼哭声识别提示方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107767874A true CN107767874A (zh) | 2018-03-06 |
CN107767874B CN107767874B (zh) | 2020-08-28 |
Family
ID=61265878
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710787722.XA Expired - Fee Related CN107767874B (zh) | 2017-09-04 | 2017-09-04 | 一种婴儿啼哭声识别提示方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107767874B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111243624A (zh) * | 2020-01-02 | 2020-06-05 | 武汉船舶通信研究所(中国船舶重工集团公司第七二二研究所) | 人员状态评估的方法和系统 |
CN112069949A (zh) * | 2020-08-25 | 2020-12-11 | 开放智能机器(上海)有限公司 | 一种基于人工智能的婴儿睡眠监测系统及监测方法 |
CN112750467A (zh) * | 2021-01-19 | 2021-05-04 | 珠海格力电器股份有限公司 | 婴儿哭声分析方法、模型训练方法、装置和电子设备 |
CN112967733A (zh) * | 2021-02-26 | 2021-06-15 | 武汉星巡智能科技有限公司 | 智能识别婴儿哭声类别的方法及装置 |
CN113012716A (zh) * | 2021-02-26 | 2021-06-22 | 武汉星巡智能科技有限公司 | 婴儿哭声类别识别方法、装置及设备 |
CN113035241A (zh) * | 2021-02-26 | 2021-06-25 | 武汉星巡智能科技有限公司 | 多特征融合识别婴儿哭声类别的方法、装置及设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103280220A (zh) * | 2013-04-25 | 2013-09-04 | 北京大学深圳研究生院 | 一种实时的婴儿啼哭声识别方法 |
KR20140066561A (ko) * | 2012-11-23 | 2014-06-02 | 광주광역시 광산구 | 영·유아 감시장치 |
CN104347066A (zh) * | 2013-08-09 | 2015-02-11 | 盛乐信息技术(上海)有限公司 | 基于深层神经网络的婴儿啼哭声识别方法及系统 |
CN104462780A (zh) * | 2014-11-14 | 2015-03-25 | 河海大学常州校区 | 一种基于物联网技术的婴儿智能辅助护理系统及其方法 |
CN106464844A (zh) * | 2014-04-08 | 2017-02-22 | 琼和欧文·雅各布斯以色列理工学院-康奈尔研究所 | 用于配置婴儿监控器摄像机以提供用于分析的统一数据集的系统和方法 |
CN106653059A (zh) * | 2016-11-17 | 2017-05-10 | 沈晓明 | 婴儿啼哭原因的自动识别方法及其系统 |
-
2017
- 2017-09-04 CN CN201710787722.XA patent/CN107767874B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140066561A (ko) * | 2012-11-23 | 2014-06-02 | 광주광역시 광산구 | 영·유아 감시장치 |
CN103280220A (zh) * | 2013-04-25 | 2013-09-04 | 北京大学深圳研究生院 | 一种实时的婴儿啼哭声识别方法 |
CN104347066A (zh) * | 2013-08-09 | 2015-02-11 | 盛乐信息技术(上海)有限公司 | 基于深层神经网络的婴儿啼哭声识别方法及系统 |
CN106464844A (zh) * | 2014-04-08 | 2017-02-22 | 琼和欧文·雅各布斯以色列理工学院-康奈尔研究所 | 用于配置婴儿监控器摄像机以提供用于分析的统一数据集的系统和方法 |
CN104462780A (zh) * | 2014-11-14 | 2015-03-25 | 河海大学常州校区 | 一种基于物联网技术的婴儿智能辅助护理系统及其方法 |
CN106653059A (zh) * | 2016-11-17 | 2017-05-10 | 沈晓明 | 婴儿啼哭原因的自动识别方法及其系统 |
Non-Patent Citations (3)
Title |
---|
刘丽岩: "基于MFCC与IMFCC的说话人识别研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
胡峰松: "基于梅尔频率倒谱系数与翻转梅尔频率倒谱系数的说话人识别方法", 《计算机应用》 * |
赵文博: "基于矢量量化的婴儿哭声识别算法", 《微计算机信息》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111243624A (zh) * | 2020-01-02 | 2020-06-05 | 武汉船舶通信研究所(中国船舶重工集团公司第七二二研究所) | 人员状态评估的方法和系统 |
CN112069949A (zh) * | 2020-08-25 | 2020-12-11 | 开放智能机器(上海)有限公司 | 一种基于人工智能的婴儿睡眠监测系统及监测方法 |
CN112750467A (zh) * | 2021-01-19 | 2021-05-04 | 珠海格力电器股份有限公司 | 婴儿哭声分析方法、模型训练方法、装置和电子设备 |
CN112967733A (zh) * | 2021-02-26 | 2021-06-15 | 武汉星巡智能科技有限公司 | 智能识别婴儿哭声类别的方法及装置 |
CN113012716A (zh) * | 2021-02-26 | 2021-06-22 | 武汉星巡智能科技有限公司 | 婴儿哭声类别识别方法、装置及设备 |
CN113035241A (zh) * | 2021-02-26 | 2021-06-25 | 武汉星巡智能科技有限公司 | 多特征融合识别婴儿哭声类别的方法、装置及设备 |
CN113012716B (zh) * | 2021-02-26 | 2023-08-04 | 武汉星巡智能科技有限公司 | 婴儿哭声类别识别方法、装置及设备 |
CN112967733B (zh) * | 2021-02-26 | 2023-08-08 | 武汉星巡智能科技有限公司 | 智能识别婴儿哭声类别的方法及装置 |
CN117037849A (zh) * | 2021-02-26 | 2023-11-10 | 武汉星巡智能科技有限公司 | 基于特征提取与分类的婴幼儿哭声分类方法、装置及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN107767874B (zh) | 2020-08-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107767874A (zh) | 一种婴儿啼哭声识别提示方法及系统 | |
CN109984054B (zh) | 发情检测方法、发情检测装置和发情检测系统 | |
CN106653059B (zh) | 婴儿啼哭原因的自动识别方法及其系统 | |
US9801609B2 (en) | Device and method for enhancing accuracy of recognizing fetus heart rate acceleration data | |
CN107564541B (zh) | 一种便携式婴儿啼哭声识别器及其识别方法 | |
CN107072555B (zh) | 一种血压测量数据的校准方法及装置 | |
TWI710352B (zh) | 血壓預測方法與使用該方法的電子裝置 | |
CN108261176B (zh) | 胎心监护数据处理方法、装置、系统、存储介质和计算机设备 | |
CN110765972B (zh) | 一种动物的监控方法、装置、电子设备及存储介质 | |
CN108175389B (zh) | 一种多源信息融合奶牛行为监测系统及方法 | |
EP3430897A1 (en) | Monitoring device, monitoring method, and monitoring program | |
US20230233152A1 (en) | Methods, apparatus and systems for adaptable presentation of sensor data | |
CN113223498A (zh) | 基于喉部语音信息的吞咽障碍识别方法、设备及装置 | |
Sumi et al. | A study on cow monitoring system for calving process | |
CN114707608A (zh) | 医疗质控数据处理方法、装置、设备、介质及程序产品 | |
CN115547500B (zh) | 血液透析病人的健康监测设备及系统 | |
CN111956193A (zh) | 应用于智能耳机的健康状态检测方法、装置、介质及设备 | |
US10172564B2 (en) | Apparatus, computer-readable medium, and method for detecting biological data of target patient from attachable sensor attached to target patient | |
CN111414811A (zh) | 猪只饮水监测系统及方法 | |
CN110427848B (zh) | 一种精神分析系统 | |
CN108152481A (zh) | 一种快速检测人体尿液健康指标的系统及方法 | |
KR20220098314A (ko) | 뉴럴 네트워크의 트레이닝 방법과 장치 및 관련 대상 검출 방법과 장치 | |
US20180140193A1 (en) | Apparatus, computer-readable medium, and method for detecting biological data of target patient from attachable sensor attached to target patient | |
US20180140202A1 (en) | Apparatus, computer-readable medium, and method for detecting biological data of target patient from attachable sensor attached to target patient | |
TWI616185B (zh) | 腦波分析群體專注度之方法及系統 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200828 Termination date: 20210904 |
|
CF01 | Termination of patent right due to non-payment of annual fee |