CN109602421A - 健康监测方法、装置及计算机可读存储介质 - Google Patents

健康监测方法、装置及计算机可读存储介质 Download PDF

Info

Publication number
CN109602421A
CN109602421A CN201910008882.9A CN201910008882A CN109602421A CN 109602421 A CN109602421 A CN 109602421A CN 201910008882 A CN201910008882 A CN 201910008882A CN 109602421 A CN109602421 A CN 109602421A
Authority
CN
China
Prior art keywords
pig
data
health
voice
sample data
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.)
Pending
Application number
CN201910008882.9A
Other languages
English (en)
Inventor
王健宗
程宁
肖京
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN201910008882.9A priority Critical patent/CN109602421A/zh
Publication of CN109602421A publication Critical patent/CN109602421A/zh
Pending legal-status Critical Current

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
    • A61B5/0823—Detecting or evaluating cough events
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4803—Speech analysis specially adapted for diagnostic purposes
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2503/00—Evaluating a particular growth phase or type of persons or animals
    • A61B2503/40—Animals

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Signal Processing (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Pulmonology (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明涉及智能决策，公开了一种健康监测方法，该方法包括：获取猪的语音样本数据，所述语音样本数据包括猪发出的不同的语音数据及每种语音样本数据对应的实际健康状态，其中每种语音样本数据对应的实际健康状态为咳嗽或者非咳嗽；根据所述猪的语音样本数据，训练得到健康监测模型；获取监控的目标猪的语音数据；将所述目标猪的语音数据作为所述健康监测模型的输入，确定所述目标猪的健康状态。本发明还提出一种健康监测装置以及一种计算机可读存储介质。本发明从监控的实时的猪的音频数据中，准确判断猪是否健康，从而发送提示信息。

Description

健康监测方法、装置及计算机可读存储介质
技术领域
本发明涉及计算机技术领域，尤其涉及一种健康监测方法、装置及计算机可读存储介质。
背景技术
在养猪场中监测动物的健康状况对养猪场的可持续管理至关重要，咳嗽作为身体的一种防御呼吸道感染的机制，可能是呼吸系统紊乱或感染的征兆。它已经被作为超过100种疾病的指数，经验丰富的医生可以根据咳嗽确定感染声音，在识别呼吸道疾病的气道病理机制方面，其性状的变化可能具有相当大的价值。咳嗽作为一种预后手段的重要性不仅仅限于人类，还包括动物。因此，需要及时识别猪的咳嗽情况。
发明内容
本发明提供一种健康监测方法、装置及计算机可读存储介质，其主要目的在于实现了从监控的实时的猪的音频数据中，准确判断猪是否健康，从而发送提示信息。
为实现上述目的，本发明还提供一种健康监测方法，所述方法包括：获取猪的语音样本数据，所述语音样本数据包括猪发出的不同的语音数据及每种语音样本数据对应的实际健康状态，其中每种语音样本数据对应的实际健康状态为咳嗽或者非咳嗽；根据所述猪的语音样本数据，训练得到健康监测模型；获取监控的目标猪的语音数据；将所述目标猪的语音数据作为所述健康监测模型的输入，确定所述目标猪的健康状态。
可选地，所述获取猪的语音样本数据包括：
通过声音传感器采集猪的不同声音数据；
将采集的声音数据转换成声音数字信号；
对所述声音数字信号进行预处理；
将预处理后的数据作为猪的语音样本数据。
可选地，，所述对所述声音数字信号进行预处理包括：
对声音数字信号中的声纹数据流进行分段成为多个预设时长的帧；
对每帧中的声纹数据进行噪声处理；
将每帧的去噪声后的数据转换成为每帧的包含预设数量的频率分量的序列；
将每帧的包含预设数量的频率分量的序列进行分类标注，并将每帧的标注后的数据作为预处理后的数据。
可选地，，所述健康监测模型包括循环神经网络模型，所述循环神经网络模型包括：输入层、隐藏层和输出层；
输入层：用于定义猪的语音样本数据中不同类型的数据输入；
隐藏层：用于利用激励函数对输入层输入的猪的语音样本数据进行非线性化处理；
输出层：用于对隐藏层拟合的结果进行输出表示，输出猪的语音样本数据对应的健康状态；
记忆单元：记忆单元在神经元内部决定是否应该写入或删除对信息的记忆，并将之前的记录的猪的健康数据、现在的记忆的猪的健康数据和当前输入的猪的语音样本数据结合在一起，对长期信息进行记录。
可选地，，所述输入层包含128和64神经元的两个双向循环层，并含有32个神经元的单向循环层；隐藏层为256个神经元，输出层神经元节点为1。
可选地，，所述根据所述猪的语音样本数据，训练得到健康监测模型包括：
输入猪的语音样本数据；
构建健康监测模型的损失函数，所述损失函数用于表示猪的语音样本数据对应的预测健康状态与猪的语音样本数据对应的实际健康状态的差异；
迭代计算所述损失函数，直至猪的语音样本数据对应的预测健康状态与猪的语音样本数据对应的实际健康状态的差异小于预设差异值。
可选地，，所述将所述目标猪的语音数据作为所述健康监测模型的输入，确定所述目标猪的健康状态包括：
若健康监测模型输出的结果为咳嗽，则确定目标猪的健康状态为咳嗽状态；
若健康监测模型输出的结果为不咳嗽，则确定目标猪的健康状态为不咳嗽状态。
可选地，，所述方法还包括：
在确定目标猪的健康状态为咳嗽状态之后，发送预警信息至所述目标猪的养殖户的终端上。
为实现上述目的，本发明还提供一种健康监测装置，所述装置包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的健康监测程序，所述健康监测程序被所述处理器执行时实现如下步骤：
获取猪的语音样本数据，所述语音样本数据包括猪发出的不同的语音数据及每种语音样本数据对应的实际健康状态，其中每种语音样本数据对应的实际健康状态为咳嗽或者非咳嗽；
根据所述猪的语音样本数据，训练得到健康监测模型；
获取监控的目标猪的语音数据；
将所述目标猪的语音数据作为所述健康监测模型的输入，确定所述目标猪的健康状态。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有健康监测程序，所述健康监测程序可被一个或者多个处理器执行，以实现如上所述的健康监测方法的步骤。
本发明获取猪的语音样本数据，所述语音样本数据包括猪发出的不同的语音数据及每种语音样本数据对应的实际健康状态，其中每种语音样本数据对应的实际健康状态为咳嗽或者非咳嗽；根据所述猪的语音样本数据，训练得到健康监测模型；获取监控的目标猪的语音数据；将所述目标猪的语音数据作为所述健康监测模型的输入，确定所述目标猪的健康状态。本发明还提出一种健康监测装置以及一种计算机可读存储介质。本发明从监控的实时的猪的音频数据中，准确判断猪是否健康，从而发送提示信息。
附图说明
图1为本发明一实施例提供的健康监测方法的流程示意图；
图2为本发明一实施例提供的健康监测方法的流程示意图；
图3为本发明一实施例提供的健康监测装置的内部结构示意图；
图4为本发明一实施例提供的健康监测装置中健康监测程序的模块示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明提供一种健康监测方法。参照图1所示，为本发明一实施例提供的健康监测方法的流程示意图。该方法可以由一个装置执行，该装置可以由软件和/或硬件实现。
在本实施例中，健康监测方法包括：
S10、获取猪的语音样本数据。
在本实施例中，所述语音样本数据包括猪发出的不同的语音数据及每种语音样本数据对应的实际健康状态，其中每种语音样本数据对应的实际健康状态为咳嗽或者非咳嗽。
在一具体实现中，所述获取猪的语音样本数据包括：通过声音传感器采集猪的不同声音数据；将采集的声音数据转换成声音数字信号；对所述声音数字信号进行预处理；将预处理后的数据作为猪的语音样本数据。
具体地，通过一个声音传感器捕捉猪的声音，采集猪的不同声音数据，并利用MFCCs(Mel-frequency cepstral coefficients:梅尔频率倒谱系数)算法从所述采集猪的不同声音数据中提取出特征数据，提取后的特征数据也可以称为声纹数据，将声纹数据转换为声音数字信号。所述MFCCs是一种在自动语音和说话人识别中广泛使用的特征。
具体地，所述声音传感器由压电传感器和附加元件，如信号调理电路、FPGA(Field－Programmable Gate Array，即现场可编程门阵列)等组成。所述信号调理电路使得压电传感器可以放大呼吸音和完全消除环境声音。通过所述FPGA对声音数字信号进行预处理，包括端点检测、去噪等操作，接下来将其转化为数字信号。
在一具体实现中，所述对所述声音数字信号进行预处理包括：对声音数字信号中的声纹数据流进行分段成为多个预设时长的帧；对每帧中的声纹数据进行噪声处理；将每帧的去噪声后的数据转换成为每帧的包含预设数量的频率分量的序列；将每帧的包含预设数量的频率分量的序列进行分类标注，并将每帧的标注后的数据作为预处理后的数据。
由于所收集的特征数据高度不对称，算法无法处理所有不再同一维度的数据，最终有可能导致网络模型训练的失败，因此在获得海量数据后，有必要对特征数据进行数据预处理操作。在预处理过程中,对声纹数据流进行分段成为每4毫秒长的帧，并对数据进行去噪，删除不相关的数据，如静音和背景噪音。经过去噪之后的每帧数据被转换为每帧有64个频率分量的序列，这些序列及对应的标签(咳嗽和非咳嗽)将作为训练模型的输入。
S11、根据所述猪的语音样本数据，训练得到健康监测模型。
在本发明的实施例中，所述健康监测模型为循环神经网络模型(RNNs模型)，所述循环神经网络模型包括：输入层、隐藏层和输出层，具体如图2所示。
输入层：用于定义猪的语音样本数据中不同类型的数据输入。
隐藏层：用于利用激励函数对输入层输入的猪的语音样本数据进行非线性化处理。
输出层：用于对隐藏层拟合的结果进行输出表示，输出猪的语音样本数据对应的健康状态。
记忆单元：记忆单元在神经元内部决定是否应该写入或删除对信息的记忆，并将之前的记录的猪的健康数据、现在的记忆的猪的健康数据和当前输入的猪的语音样本数据结合在一起，对长期信息进行记录。
所述RNNs模型通常用于描述动态的序列数据，随着时间的变化而动态调整自身的网络状态，并且不断进行循环传递，又被称为循环神经网络模型。在传统的神经网络模型中，神经元从输入层到隐藏层，再从隐藏层到输出层，层与层之间是全连接或者局部连接的方式，且在数据的传递中，会丢失上一层计算过程中产生的特征信息，而RNNs所不同于传统神经网络模型的地方在于一个序列当前的输出与前面的输出也有关。具体的表现形式为网络会对前面的信息进行记忆并应用与当前输出的计算中，即隐藏层之间的解点不再是无连接的而是有链接的，并且隐藏层的输出不仅包括输入层的输出，还包括上一时刻隐藏层的输出。为了有效的对病猪的声音进行分类，需要设计有效的神经网络结构预测模型，决定一个神经网络结构的主要因素在于输入层、隐藏层和输出层，而为使神经网络达到最优，避免梯度问题的因素在于记忆单元和激活函数的选择。
在一具体实现中，所述输入层包含128和64神经元的两个双向循环层，并含有32个神经元的单向循环层；隐藏层为256个神经元，输出层神经元节点为1。
在本发明的实施例中，本发明利用编码-解码模型实现了RNNs，通过用门控制循环单元(Gated Recurrent Unit,GRU)和长短期记忆网络(Long Short-Term Memory，LSTM)分别对所输入数据进行编码和解码，并利用时间反向传播算法对RNNs进行训练，从而在分类层使用损失函数输出猪是否咳嗽的标签。
具体地，使用6层的编码-解码模型实现RNNs，编码层(输入层)为分别包含128和64神经元的两个双向循环层，并含有32个神经元的单向循环层。其中将猪声音的音频向量数据作为序列输入到编码器中，通过门控制循环单元(Gated Recurrent Unit,GRU)进行复位门和更新门，确定了咳嗽的三个阶段(初始爆破，中间阶段，最后爆发)，全连接层(隐藏层)为256个神经元，分类层(输出层)神经元节点为1，即猪是否咳嗽的结果。
在一具体实现中，所述根据所述猪的语音样本数据，训练得到健康监测模型包括：
输入猪的语音样本数据；
构建健康监测模型的损失函数，所述损失函数用于表示猪的语音样本数据对应的预测健康状态与猪的语音样本数据对应的实际健康状态的差异；
迭代计算所述损失函数，直至猪的语音样本数据对应的预测健康状态与猪的语音样本数据对应的实际健康状态的差异小于预设差异值。
其中对损失函数不做任何限制，例如损失函数可以为对数损失函数、最小二乘损失函数。
具体地，利用梯度下降算法迭代计算所述损失函数。梯度下降算法是神经网络模型训练最常用的优化算法。现有的人工智能模型当中基本都是采用梯度下降算法来进行优化训练的。利用梯度下降算法能使所述损失函数快速收敛。
S12、获取监控的目标猪的语音数据。
在本发明的实施例中，所述目标猪可以是养殖区中的多个猪。例如，当有多头猪时，对每头猪进行标识，以区别每头猪的数据。对目标猪的语音数据与步骤S10相同，在此不再赘述。
S13、将所述目标猪的语音数据作为所述健康监测模型的输入，确定所述目标猪的健康状态。
在本发明的实施例中，所述将所述目标猪的语音数据作为所述健康监测模型的输入，确定所述目标猪的健康状态包括：
若健康监测模型输出的结果为咳嗽，则确定目标猪的健康状态为咳嗽状态；若健康监测模型输出的结果为不咳嗽，则确定目标猪的健康状态为不咳嗽状态。
在一具体实现中，所述方法还包括：
在确定目标猪的健康状态为咳嗽状态之后，发送预警信息至所述目标猪的养殖户的终端上。
本发明还提供一种健康监测装置。参照图3所示，为本发明一实施例提供的健康监测装置的内部结构示意图。
在本实施例中，健康监测装置1可以是个人电脑(PersonalComputer，PC)，也可以是智能手机、平板电脑、便携计算机等终端设备。该健康监测装置1至少包括存储器11、处理器12，通信总线13，以及网络接口14。
其中，存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器11在一些实施例中可以是健康监测装置1的内部存储单元，例如该健康监测装置1的硬盘。存储器11在另一些实施例中也可以是健康监测装置1的外部存储设备，例如健康监测装置1上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，存储器11还可以既包括健康监测装置1的内部存储单元也包括外部存储设备。存储器11不仅可以用于存储安装于健康监测装置1的应用软件及各类数据，例如健康监测程序01的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
处理器12在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器或其他数据处理芯片，用于运行存储器11中存储的程序代码或处理数据，例如执行健康监测程序01等。
通信总线13用于实现这些组件之间的连接通信。
网络接口14可选的可以包括标准的有线接口、无线接口(如WI-FI接口)，通常用于在该装置1与其他电子设备之间建立通信连接。
可选地，该装置1还可以包括用户接口，用户接口可以包括显示器(Display)、输入单元比如键盘(Keyboard)，可选的用户接口还可以包括标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及有机发光二极管(Organic Light-Emitting Diode，OLED)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在健康监测装置1中处理的信息以及用于显示可视化的用户界面。
图3仅示出了具有组件11-14以及健康监测程序01的健康监测装置1，本领域技术人员可以理解的是，图1示出的结构并不构成对健康监测装置1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
在图3所示的装置1实施例中，存储器11中存储有健康监测程序01；处理器12执行存储器11中存储的健康监测程序01时实现如下步骤：
获取猪的语音样本数据。
在本实施例中，所述语音样本数据包括猪发出的不同的语音数据及每种语音样本数据对应的实际健康状态，其中每种语音样本数据对应的实际健康状态为咳嗽或者非咳嗽。
在一具体实现中，所述获取猪的语音样本数据包括：通过声音传感器采集猪的不同声音数据；将采集的声音数据转换成声音数字信号；对所述声音数字信号进行预处理；将预处理后的数据作为猪的语音样本数据。
具体地，通过一个声音传感器捕捉猪的声音，采集猪的不同声音数据，并利用MFCCs(Mel-frequency cepstral coefficients:梅尔频率倒谱系数)算法从所述采集猪的不同声音数据中提取出特征数据，提取后的特征数据也可以称为声纹数据，将声纹数据转换为声音数字信号。所述MFCCs是一种在自动语音和说话人识别中广泛使用的特征。
具体地，所述声音传感器由压电传感器和附加元件，如信号调理电路、FPGA(Field－Programmable Gate Array，即现场可编程门阵列)等组成。所述信号调理电路使得压电传感器可以放大呼吸音和完全消除环境声音。通过所述FPGA对声音数字信号进行预处理，包括端点检测、去噪等操作，接下来将其转化为数字信号。
在一具体实现中，所述对所述声音数字信号进行预处理包括：对声音数字信号中的声纹数据流进行分段成为多个预设时长的帧；对每帧中的声纹数据进行噪声处理；将每帧的去噪声后的数据转换成为每帧的包含预设数量的频率分量的序列；将每帧的包含预设数量的频率分量的序列进行分类标注，并将每帧的标注后的数据作为预处理后的数据。
由于所收集的特征数据高度不对称，算法无法处理所有不再同一维度的数据，最终有可能导致网络模型训练的失败，因此在获得海量数据后，有必要对特征数据进行数据预处理操作。在预处理过程中,对声纹数据流进行分段成为每4毫秒长的帧，并对数据进行去噪，删除不相关的数据，如静音和背景噪音。经过去噪之后的每帧数据被转换为每帧有64个频率分量的序列，这些序列及对应的标签(咳嗽和非咳嗽)将作为训练模型的输入。
根据所述猪的语音样本数据，训练得到健康监测模型。
在本发明的实施例中，所述健康监测模型为循环神经网络模型(RNNs模型)，所述循环神经网络模型包括：输入层、隐藏层和输出层，具体如图2所示。
输入层：用于定义猪的语音样本数据中不同类型的数据输入。
隐藏层：用于利用激励函数对输入层输入的猪的语音样本数据进行非线性化处理。
输出层：用于对隐藏层拟合的结果进行输出表示，输出猪的语音样本数据对应的健康状态。
记忆单元：记忆单元在神经元内部决定是否应该写入或删除对信息的记忆，并将之前的记录的猪的健康数据、现在的记忆的猪的健康数据和当前输入的猪的语音样本数据结合在一起，对长期信息进行记录。
所述RNNs模型通常用于描述动态的序列数据，随着时间的变化而动态调整自身的网络状态，并且不断进行循环传递，又被称为循环神经网络模型。在传统的神经网络模型中，神经元从输入层到隐藏层，再从隐藏层到输出层，层与层之间是全连接或者局部连接的方式，且在数据的传递中，会丢失上一层计算过程中产生的特征信息，而RNNs所不同于传统神经网络模型的地方在于一个序列当前的输出与前面的输出也有关。具体的表现形式为网络会对前面的信息进行记忆并应用与当前输出的计算中，即隐藏层之间的解点不再是无连接的而是有链接的，并且隐藏层的输出不仅包括输入层的输出，还包括上一时刻隐藏层的输出。为了有效的对病猪的声音进行分类，需要设计有效的神经网络结构预测模型，决定一个神经网络结构的主要因素在于输入层、隐藏层和输出层，而为使神经网络达到最优，避免梯度问题的因素在于记忆单元和激活函数的选择。
在一具体实现中，所述输入层包含128和64神经元的两个双向循环层，并含有32个神经元的单向循环层；隐藏层为256个神经元，输出层神经元节点为1。
在本发明的实施例中，本发明利用编码-解码模型实现了RNNs，通过用门控制循环单元(Gated Recurrent Unit,GRU)和长短期记忆网络(Long Short-Term Memory，LSTM)分别对所输入数据进行编码和解码，并利用时间反向传播算法对RNNs进行训练，从而在分类层使用损失函数输出猪是否咳嗽的标签。
具体地，使用6层的编码-解码模型实现RNNs，编码层(输入层)为分别包含128和64神经元的两个双向循环层，并含有32个神经元的单向循环层。其中将猪声音的音频向量数据作为序列输入到编码器中，通过门控制循环单元(Gated Recurrent Unit,GRU)进行复位门和更新门，确定了咳嗽的三个阶段(初始爆破，中间阶段，最后爆发)，全连接层(隐藏层)为256个神经元，分类层(输出层)神经元节点为1，即猪是否咳嗽的结果。
在一具体实现中，所述根据所述猪的语音样本数据，训练得到健康监测模型包括：
输入猪的语音样本数据；
构建健康监测模型的损失函数，所述损失函数用于表示猪的语音样本数据对应的预测健康状态与猪的语音样本数据对应的实际健康状态的差异；
迭代计算所述损失函数，直至猪的语音样本数据对应的预测健康状态与猪的语音样本数据对应的实际健康状态的差异小于预设差异值。
其中对损失函数不做任何限制，例如损失函数可以为对数损失函数、最小二乘损失函数。
具体地，利用梯度下降算法迭代计算所述损失函数。梯度下降算法是神经网络模型训练最常用的优化算法。现有的人工智能模型当中基本都是采用梯度下降算法来进行优化训练的。利用梯度下降算法能使所述损失函数快速收敛。
获取监控的目标猪的语音数据。
在本发明的实施例中，所述目标猪可以是养殖区中的多个猪。例如，当有多头猪时，对每头猪进行标识，以区别每头猪的数据。对目标猪的语音数据与步骤S10相同，在此不再赘述。
将所述目标猪的语音数据作为所述健康监测模型的输入，确定所述目标猪的健康状态。
在本发明的实施例中，所述将所述目标猪的语音数据作为所述健康监测模型的输入，确定所述目标猪的健康状态包括：
若健康监测模型输出的结果为咳嗽，则确定目标猪的健康状态为咳嗽状态；若健康监测模型输出的结果为不咳嗽，则确定目标猪的健康状态为不咳嗽状态。
在一具体实现中，所述处理器执行的步骤还包括：
在确定目标猪的健康状态为咳嗽状态之后，发送预警信息至所述目标猪的养殖户的终端上。
本发明还提供一种健康监测装置。参照图3所示，为本发明一实施例提供的健康监测装置的内部结构示意图。
可选地，在其他实施例中，健康监测程序还可以被分割为一个或者多个模块，一个或者多个模块被存储于存储器11中，并由一个或多个处理器(本实施例为处理器12)所执行以完成本发明，本发明所称的模块是指能够完成特定功能的一系列计算机程序指令段，用于描述健康监测程序在健康监测装置中的执行过程。
例如，参照图4所示，为本发明健康监测装置一实施例中的健康监测程序的程序模块示意图，该实施例中，健康监测程序可以被分割为板块获取模块10、训练模块20及确定模块30，示例性地：
获取模块10获取猪的语音样本数据，所述语音样本数据包括猪发出的不同的语音数据及每种语音样本数据对应的实际健康状态，其中每种语音样本数据对应的实际健康状态为咳嗽或者非咳嗽；
训练模块20根据所述猪的语音样本数据，训练得到健康监测模型；
所述获取模块10获取监控的目标猪的语音数据；
确定模块30将所述目标猪的语音数据作为所述健康监测模型的输入，确定所述目标猪的健康状态。
上述获获取模块10、训练模块20及确定模块30等程序模块被执行时所实现的功能或操作步骤与上述实施例大体相同，在此不再赘述。
此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有健康监测程序，所述健康监测程序可被一个或多个处理器执行，以实现如下操作：
获取猪的语音样本数据，所述语音样本数据包括猪发出的不同的语音数据及每种语音样本数据对应的实际健康状态，其中每种语音样本数据对应的实际健康状态为咳嗽或者非咳嗽；
根据所述猪的语音样本数据，训练得到健康监测模型；
获取监控的目标猪的语音数据；
将所述目标猪的语音数据作为所述健康监测模型的输入，确定所述目标猪的健康状态。
本发明计算机可读存储介质具体实施方式与上述健康监测装置和方法各实施例基本相同，在此不作累述。
需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。并且本文中的术语“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、装置、物品或者方法不仅包括那些要素，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、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种健康监测方法，其特征在于，所述方法包括：
获取猪的语音样本数据，所述语音样本数据包括猪发出的不同的语音数据及每种语音样本数据对应的实际健康状态，其中每种语音样本数据对应的实际健康状态为咳嗽或者非咳嗽；
根据所述猪的语音样本数据，训练得到健康监测模型；
获取监控的目标猪的语音数据；
将所述目标猪的语音数据作为所述健康监测模型的输入，确定所述目标猪的健康状态。
2.如权利要求1所述的健康监测方法，其特征在于，所述获取猪的语音样本数据包括：
通过声音传感器采集猪的不同声音数据；
将采集的声音数据转换成声音数字信号；
对所述声音数字信号进行预处理；
将预处理后的数据作为猪的语音样本数据。
3.如权利要求2所述的健康监测方法，其特征在于，所述对所述声音数字信号进行预处理包括：
对声音数字信号中的声纹数据流进行分段成为多个预设时长的帧；
对每帧中的声纹数据进行噪声处理；
将每帧的去噪声后的数据转换成为每帧的包含预设数量的频率分量的序列；
将每帧的包含预设数量的频率分量的序列进行分类标注，并将每帧的标注后的数据作为预处理后的数据。
4.如权利要求1所述的健康监测方法，其特征在于，所述健康监测模型包括循环神经网络模型，所述循环神经网络模型包括：输入层、隐藏层和输出层；
输入层：用于定义猪的语音样本数据中不同类型的数据输入；
隐藏层：用于利用激励函数对输入层输入的猪的语音样本数据进行非线性化处理；
输出层：用于对隐藏层拟合的结果进行输出表示，输出猪的语音样本数据对应的健康状态；
记忆单元：记忆单元在神经元内部决定是否应该写入或删除对信息的记忆，并将之前的记录的猪的健康数据、现在的记忆的猪的健康数据和当前输入的猪的语音样本数据结合在一起，对长期信息进行记录。
5.如权利要求4所述的健康监测方法，其特征在于，所述输入层包含128和64神经元的两个双向循环层，并含有32个神经元的单向循环层；隐藏层为256个神经元，输出层神经元节点为1。
6.如权利要求1所述的健康监测方法，其特征在于，所述根据所述猪的语音样本数据，训练得到健康监测模型包括：
输入猪的语音样本数据；
构建健康监测模型的损失函数，所述损失函数用于表示猪的语音样本数据对应的预测健康状态与猪的语音样本数据对应的实际健康状态的差异；
迭代计算所述损失函数，直至猪的语音样本数据对应的预测健康状态与猪的语音样本数据对应的实际健康状态的差异小于预设差异值。
7.如权利要求1所述的健康监测方法，其特征在于，所述将所述目标猪的语音数据作为所述健康监测模型的输入，确定所述目标猪的健康状态包括：
若健康监测模型输出的结果为咳嗽，则确定目标猪的健康状态为咳嗽状态；
若健康监测模型输出的结果为不咳嗽，则确定目标猪的健康状态为不咳嗽状态。
8.如权利要求1至7任意一项所述的健康监测方法，其特征在于，所述方法还包括：
在确定目标猪的健康状态为咳嗽状态之后，发送预警信息至所述目标猪的养殖户的终端上。
9.一种健康监测装置，其特征在于，所述装置包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的健康监测程序，所述健康监测程序被所述处理器执行时实现如下步骤：
获取猪的语音样本数据，所述语音样本数据包括猪发出的不同的语音数据及每种语音样本数据对应的实际健康状态，其中每种语音样本数据对应的实际健康状态为咳嗽或者非咳嗽；
根据所述猪的语音样本数据，训练得到健康监测模型；
获取监控的目标猪的语音数据；
将所述目标猪的语音数据作为所述健康监测模型的输入，确定所述目标猪的健康状态。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有健康监测程序，所述健康监测程序可被一个或者多个处理器执行，以实现如权利要求1至7中任一项所述的健康监测方法。
CN201910008882.9A 2019-01-04 2019-01-04 健康监测方法、装置及计算机可读存储介质 Pending CN109602421A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910008882.9A CN109602421A (zh) 2019-01-04 2019-01-04 健康监测方法、装置及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910008882.9A CN109602421A (zh) 2019-01-04 2019-01-04 健康监测方法、装置及计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN109602421A true CN109602421A (zh) 2019-04-12

Family

ID=66015717

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910008882.9A Pending CN109602421A (zh) 2019-01-04 2019-01-04 健康监测方法、装置及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN109602421A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111028862A (zh) * 2019-12-17 2020-04-17 北京海益同展信息科技有限公司 处理语音数据的方法、装置、计算机设备和存储介质
CN113096691A (zh) * 2021-03-22 2021-07-09 深圳市安保科技有限公司 检测方法、装置、设备和计算机存储介质
CN113456055A (zh) * 2021-07-05 2021-10-01 自牧机器人(青岛)有限公司 一种基于人工智能的家禽呼吸道实时监测系统
CN113507490A (zh) * 2021-04-30 2021-10-15 华中农业大学 一种多源信息融合的生猪全链条智能监测方法及装置

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106847262A (zh) * 2016-12-28 2017-06-13 华中农业大学 一种猪呼吸道疾病自动识别报警方法
CN106971414A (zh) * 2017-03-10 2017-07-21 江西省杜达菲科技有限责任公司 一种基于深度循环神经网络算法的三维动画生成方法
CN107799114A (zh) * 2017-04-26 2018-03-13 珠海智牧互联科技有限公司 一种猪只咳嗽声音识别方法及系统
CN108694953A (zh) * 2017-04-07 2018-10-23 南京理工大学 一种基于Mel子带参数化特征的鸟鸣自动识别方法
CN108922622A (zh) * 2018-07-10 2018-11-30 平安科技（深圳）有限公司 一种动物健康监测方法、装置及计算机可读存储介质
CN108935188A (zh) * 2018-07-05 2018-12-07 平安科技（深圳）有限公司 猪只疾病识别方法、装置及电子设备
CN109009129A (zh) * 2018-08-20 2018-12-18 南京农业大学 基于声学分析的母猪呼吸系统疾病预警方法
CN109065027A (zh) * 2018-06-04 2018-12-21 平安科技（深圳）有限公司 语音区分模型训练方法、装置、计算机设备及存储介质
CN109087667A (zh) * 2018-09-19 2018-12-25 平安科技（深圳）有限公司 语音流利度识别方法、装置、计算机设备及可读存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106847262A (zh) * 2016-12-28 2017-06-13 华中农业大学 一种猪呼吸道疾病自动识别报警方法
CN106971414A (zh) * 2017-03-10 2017-07-21 江西省杜达菲科技有限责任公司 一种基于深度循环神经网络算法的三维动画生成方法
CN108694953A (zh) * 2017-04-07 2018-10-23 南京理工大学 一种基于Mel子带参数化特征的鸟鸣自动识别方法
CN107799114A (zh) * 2017-04-26 2018-03-13 珠海智牧互联科技有限公司 一种猪只咳嗽声音识别方法及系统
CN109065027A (zh) * 2018-06-04 2018-12-21 平安科技（深圳）有限公司 语音区分模型训练方法、装置、计算机设备及存储介质
CN108935188A (zh) * 2018-07-05 2018-12-07 平安科技（深圳）有限公司 猪只疾病识别方法、装置及电子设备
CN108922622A (zh) * 2018-07-10 2018-11-30 平安科技（深圳）有限公司 一种动物健康监测方法、装置及计算机可读存储介质
CN109009129A (zh) * 2018-08-20 2018-12-18 南京农业大学 基于声学分析的母猪呼吸系统疾病预警方法
CN109087667A (zh) * 2018-09-19 2018-12-25 平安科技（深圳）有限公司 语音流利度识别方法、装置、计算机设备及可读存储介质

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111028862A (zh) * 2019-12-17 2020-04-17 北京海益同展信息科技有限公司 处理语音数据的方法、装置、计算机设备和存储介质
CN111028862B (zh) * 2019-12-17 2022-09-06 京东科技信息技术有限公司 处理语音数据的方法、装置、计算机设备和存储介质
CN113096691A (zh) * 2021-03-22 2021-07-09 深圳市安保科技有限公司 检测方法、装置、设备和计算机存储介质
CN113507490A (zh) * 2021-04-30 2021-10-15 华中农业大学 一种多源信息融合的生猪全链条智能监测方法及装置
CN113456055A (zh) * 2021-07-05 2021-10-01 自牧机器人(青岛)有限公司 一种基于人工智能的家禽呼吸道实时监测系统

Similar Documents

Publication Publication Date Title
CN108053838B (zh) 结合音频分析和视频分析的欺诈识别方法、装置及存储介质
CN109602421A (zh) 健康监测方法、装置及计算机可读存储介质
CN108009521B (zh) 人脸图像匹配方法、装置、终端及存储介质
CN110832499B (zh) 通过稀疏时间池化网络的弱监督动作定位
CN109388807B (zh) 电子病历命名实体识别的方法、装置及存储介质
CN108922622B (zh) 一种动物健康监测方法、装置及计算机可读存储介质
CN109431507A (zh) 基于深度学习的咳嗽疾病识别方法及装置
CN108509411A (zh) 语义分析方法和装置
CN108121490A (zh) 用于处理多模式输入的电子装置、方法和服务器
CN108229268A (zh) 表情识别及卷积神经网络模型训练方法、装置和电子设备
EP3693966B1 (en) System and method for continuous privacy-preserved audio collection
WO2020006934A1 (zh) 猪只疾病识别方法、装置及计算机可读存储介质
CN110060677A (zh) 语音遥控器控制方法、装置及计算机可读存储介质
US10789961B2 (en) Apparatus and method for predicting/recognizing occurrence of personal concerned context
CN111444873A (zh) 视频中人物真伪的检测方法、装置、电子设备及存储介质
CN108920640A (zh) 基于语音交互的上下文获取方法及设备
CN110363090A (zh) 智能心脏疾病检测方法、装置及计算机可读存储介质
CN112418059A (zh) 一种情绪识别的方法、装置、计算机设备及存储介质
CN109871807A (zh) 人脸图像处理方法和装置
CN109447129A (zh) 一种多模式情绪识别方法、装置及计算机可读存储介质
CN110175588B (zh) 一种基于元学习的少样本面部表情识别方法及系统
CN110428816B (zh) 一种语音细胞库训练和分享的方法及装置
CN114078472A (zh) 一种低误唤醒率的关键词计算模型的训练方法及装置
CN109117800A (zh) 基于卷积神经网络的人脸性别识别方法及系统
CN109977737A (zh) 一种基于循环神经网络的字符识别鲁棒性方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190412