CN111462920A - 用于监控传染疾病流行程度的声音监测方法及系统 - Google Patents

用于监控传染疾病流行程度的声音监测方法及系统 Download PDF

Info

Publication number
CN111462920A
CN111462920A CN202010445335.XA CN202010445335A CN111462920A CN 111462920 A CN111462920 A CN 111462920A CN 202010445335 A CN202010445335 A CN 202010445335A CN 111462920 A CN111462920 A CN 111462920A
Authority
CN
China
Prior art keywords
monitoring
disease
sound
voice signal
average power
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
CN202010445335.XA
Other languages
English (en)
Inventor
张铭
章雒霏
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.)
Shaoxing Sound Technology Co ltd
Original Assignee
Shaoxing Sound Technology 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 Shaoxing Sound Technology Co ltd filed Critical Shaoxing Sound Technology Co ltd
Priority to CN202010445335.XA priority Critical patent/CN111462920A/zh
Publication of CN111462920A publication Critical patent/CN111462920A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Signal Processing (AREA)
  • Data Mining & Analysis (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Epidemiology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Primary Health Care (AREA)
  • Databases & Information Systems (AREA)
  • Emergency Alarm Devices (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明公开了用于监控传染疾病流行程度的声音监测方法及系统，其在监测区域内的若干监测点布置监测装置组成监控网络，该方法包括如下步骤：S1)通过各监测点的监测装置进行声音监测的步骤，包括：拾取声音信号，进行声音信号预处理后，从中检测和截取出人声信号，基于机器学习模型进行人声信号的疾病声音识别与疾病声音统计，从而获得该监测点的声音监测结果；S2)基于各监测点的声音监测结果，进行全监测区域的分析和统计，获得全监测区域内传染疾病流行程度的步骤。本发明统计速度快，可实现传染性、流行性疾病的实时监控和预警，覆盖面广泛，具有较高的应用推广意义，可广泛推广使用。

Description

用于监控传染疾病流行程度的声音监测方法及系统
技术领域
本发明涉及声学处理技术领域，具体涉及一种声音监测方法及系统。
背景技术
现在的传染病监控的方式还相对比较传统，主要是通过医院监控前来看病的人，从而实现相应的统计和了解。但是医院的实地收集和统计，一般都是在疾病已经流行起来后才发现，而且统计面比较受限。
现有的传染病监控的方式存在以下的缺点：医院统计反应比较缓慢、覆盖面较窄、代价昂贵。
发明内容
发明目的：针对现有技术中的问题，本发明的其中一个目的是提供一种用于监控传染疾病流行程度的声音监测方法，本发明的另一个目的是提供一种用于监控传染疾病流行程度的声音监测系统。
技术方案：为了实现上述目的，本发明提供了一种用于监控传染疾病流行程度的声音监测方法，其在监测区域内的若干监测点布置监测装置组成监控网络，该方法包括如下步骤：
S1)通过各监测点的监测装置进行声音监测的步骤，包括：
拾取声音信号，进行声音信号预处理后，从中检测和截取出人声信号，基于机器学习模型进行人声信号的疾病声音识别与疾病声音统计，从而获得该监测点的声音监测结果；
S2)基于各监测点的声音监测结果，进行全监测区域的分析和统计，获得全监测区域内传染疾病流行程度的步骤。
进一步优选的，所述监测装置包括主要由若干麦克风组成的麦克风阵列；
所述S1)通过各监测点的监测装置进行声音监测的步骤，具体包括：
S11)声音信号拾取：通过主要由若干麦克风组成的多麦克风阵列拾取声音信号；
S12)声音信号预处理：对多麦克风阵列采集拾取到的声音信号进行消噪处理，得到消噪后的声音信号；
S13)人声预检测：从消噪后的声音信号中检测和截取出人声信号；
S14)疾病声音识别：将截取出的人声信号送入训练好的机器学习模型，识别出其中的若干疾病声音信号及其类别；
S15)疾病声音统计：统计步骤S13)得到的人声信号的平均功率、步骤S14)得到的若干疾病声音信号的平均功率、以及步骤S14)得到的若干疾病声音信号与步骤S13) 得到的人声信号的平均功率比；
S16)信息传输：向汇集端传输该监测点的声音监测结果；
所述声音监测结果包括步骤S15)得到的人声信号的平均功率，以及所述若干疾病声音信号与所述人声信号的平均功率比。
进一步优选的，所述S2)基于各监测点的声音监测结果，进行全监测区域的分析和统计，获得全监测区域内传染疾病流行程度的步骤，具体包括：
S21)将各监测点输出的声音监测结果与预设监控阈值进行比较，得到各监测点的传染疾病流行指标；
S22)根据各监测点的传染疾病流行指标，统计全监测区域传染疾病的流行率；
S23)判断步骤S22)得到的全监测区域传染疾病的流行率是否大于预设预警阈值，如是，则输出预警信息。
进一步优选的，所述S15)疾病声音统计：统计步骤S13)得到的人声信号的平均功率、步骤S14)得到的若干疾病声音信号的平均功率、以及步骤S14)得到的若干疾病声音信号与步骤S13)得到的人声信号的平均功率比，具体包括：
计算得到第n种疾病声音信号的平均功率：
Figure RE-GDA0002538513730000021
其中，t为时间，xn(t)为步骤S14)得到的若干疾病声音信号中的第n种疾病声音信号，
Figure RE-GDA0002538513730000022
为第n种疾病声音信号对应的平滑系数；
计算得到上述若干疾病声音信号总的加权平均功率：
Figure RE-GDA0002538513730000023
其中，N为步骤S14)得到的若干疾病声音信号的类别总数，wn为第n种疾病声音信号的预设权值；
计算得到人声信号的平均功率Ps(t)：
Ps(t)＝αsPs(t-1)+(1-αs)s2(t)
其中，s(t)为步骤S13)得到的人声信号，αs为平滑系数；
统计得到所述若干疾病声音信号与所述人声信号的平均功率比R(t)为：
R(t)＝Px(t)/Ps(t)；
所述S16)信息传输中，向汇集端传输的该监测点的声音监测结果包括人声信号的平均功率Ps(t)，以及步骤S15)得到的所述若干疾病声音信号与所述人声信号的平均功率比R(t)。
进一步优选的，所述步骤S21)将各监测点输出的声音监测结果与预设监控阈值进行比较，得到各监测点的传染疾病流行指标，具体包括：
针对第m个监测点输出的声音监测结果Rm(t)和
Figure RE-GDA0002538513730000031
判断该监测点的若干疾病声音信号与人声信号的平均功率比Rm(t)是否大于第一预设监控阈值TR，同时判断该监测点人声信号的平均功率
Figure RE-GDA0002538513730000032
是否大于第二预设监控阈值TP，如两者同时为是，则将该监测点的传染疾病流行指标Fm(t)设为1，否则，则将该监测点的传染疾病流行指标Fm(t)设为0；
所述步骤S22)根据各监测点的传染疾病流行指标，统计全监测区域传染疾病的流行率中，全监测区域传染疾病的流行率为：
Figure RE-GDA0002538513730000033
其中，M为全监测区域内/全监测区域监控网络内的监测点的总数；
所述步骤S23)中，判断步骤S22)得到的全监测区域传染疾病的流行率E(t)是否大于预设预警阈值TE，如是，则输出预警信息。
优选的，所述步骤S14)前，还包括：预先构建机器学习模型，通过短时傅里叶变换将预先采集获取的各类疾病声音作为样本处理成二维时频图，输入机器学习模型进行训练，得到训练好的机器学习模型；所述各类疾病声音包括咳嗽声和/或喷嚏声；
所述步骤S14)中的疾病声音信号包括咳嗽声音信号和/或喷嚏声音信号。
本发明同时提供了一种用于监控传染疾病流行程度的声音监测系统，该系统包括监控网络；
所述监控网络包括云端服务器、在全监测区域内布置的若干监测点，以及在各监测点布置的监测装置；
所述云端服务器包括：
第一处理器；以及
存储有计算机可执行指令的第一存储器，所述第一存储器的可执行指令在被第一处理器执行时，实现如上任一所述方法中属于步骤S2)的步骤；
所述各监测装置包括主要由若干麦克风组成的麦克风阵列，以及
第二处理器；以及
存储有计算机可执行指令的第二存储器，所述第二存储器的可执行指令在被第二处理器执行时，实现如上任一所述方法中属于步骤S1)的步骤。
优选的，所述汇集端为云端。也即各监测点信息传输的汇集端为云端。
优选的，各监测点向云端传输该监测点的声音监测结果。
有益效果：本发明提供的用于监控传染疾病流行程度的声音监测方法及系统，通过在监测区域内设置若干监测点，并在各监测点布置监测装置组成监控网络，通过各监测点的监测装置进行声音信号拾取、预处理后，从中检测和截取出人声信号，基于机器学习模型进行人声信号的疾病声音识别与疾病声音统计，从而获得该监测点的声音监测结果，进而通过云端汇集各监测点的声音监测结果，进行全监测区域的分析和统计，获得全监测区域内传染疾病流行程度。本发明统计速度快，可实现传染性、流行性疾病的实时监控和预警，覆盖面广泛，具有较高的应用推广意义，可广泛推广使用。
附图说明
图1为本实施例提供的用于监控传染疾病流行程度的声音监测系统的架构示意图；
图2为本实施例提供的方法中通过各监测点的监测装置进行声音监测的流程示意图；
图3为本实施例提供的方法中进行疾病声音统计的步骤的流程示意图。
具体实施方式
下面结合实施例和附图对本发明做进一步的详细说明，以下实施列对本发明不构成限定。
本实施例提供了一种用于监控传染疾病流行程度的声音监测方法，其在监测区域内的若干监测点布置监测装置组成监控网络，上述监测装置包括主要由若干麦克风组成的麦克风阵列；该方法包括如下步骤：
S1)通过各监测点的监测装置进行声音监测的步骤，包括：拾取声音信号，进行声音信号预处理后，从中检测和截取出人声信号，基于机器学习模型进行人声信号的疾病声音识别与疾病声音统计，从而获得该监测点的声音监测结果；
S2)基于各监测点的声音监测结果，进行全监测区域的分析和统计，获得全监测区域内传染疾病流行程度的步骤。
其中S1)通过各监测点的监测装置进行声音监测的步骤，对某一监测点而言，如图2所示，具体包括：
S11)声音信号拾取：通过主要由若干麦克风组成的多麦克风阵列拾取声音信号；
S12)声音信号预处理：对多麦克风阵列采集拾取到的声音信号进行消噪处理，得到消噪后的声音信号；
S13)人声预检测：从消噪后的声音信号中检测和截取出人声信号；
S14)疾病声音识别：将截取出的人声信号送入训练好的机器学习模型，识别出其中的若干疾病声音信号及其类别；
S15)疾病声音统计：统计步骤S13)得到的人声信号的平均功率、步骤S14)得到的若干疾病声音信号的平均功率、以及步骤S14)得到的若干疾病声音信号与步骤S13) 得到的人声信号的平均功率比；如图3所示，具体包括：
计算得到第n种疾病声音信号的平均功率：
Figure RE-GDA0002538513730000051
其中，t为时间，xn(t)为步骤S14)得到的若干疾病声音信号中的第n种疾病声音信号，为第n种疾病声音信号对应的平滑系数；
本实施例中，x(t)是麦克风阵列采集的声音信号在第t个时间采样点的值，如果识别出来是疾病声音信号，且是第n种类别的疾病声音信号(比如咳嗽或者打喷嚏是两种不同的类别)，则记为xn(t)，也即xn(t)为步骤S14)得到的若干疾病声音信号中的第n 种疾病声音信号；
计算得到上述若干疾病声音信号的平均功率，在本实施例中具体为上述若干疾病声音信号总的加权平均功率，也可称为总的疾病声音信号的加权平均功率：
Figure RE-GDA0002538513730000053
其中，N为步骤S14)得到的若干疾病声音信号的类别总数，wn为第n种疾病声音信号的预设权值；
计算得到人声信号的平均功率Ps(t)：
Ps(t)＝αsPs(t-1)+(1-αs)s2(t)
其中，s(t)为步骤S13)得到的人声信号，αs为平滑系数；
统计得到所述若干疾病声音信号与所述人声信号的平均功率比R(t)为：
R(t)＝Px(t)/Ps(t)；
图3中疾病声音信号的检测即为步骤S14)疾病声音识别，人声信号的检测即为步骤S13)人声预检测。文中所述若干疾病声音信号与所述人声信号的平均功率比R(t)，亦可称为上述若干疾病声音信号总的加权平均功率与人声信号的平均功率的比值R(t)，或总的疾病声音信号与人声信号的平均功率比R(t)，亦可简称为文中所述的若干疾病声音信号与人声信号的平均功率比R(t)。
S16)信息传输：向汇集端传输该监测点的声音监测结果。
所述声音监测结果包括步骤S15)得到的人声信号的平均功率，以及所述若干疾病声音信号与所述人声信号的平均功率比。
也即：所述S16)信息传输中，向汇集端传输的该监测点的声音监测结果包括人声信号的平均功率Ps(t)，以及步骤S15)得到的所述若干疾病声音信号与所述人声信号的平均功率比R(t)。本实施例中，上述汇集端为云端，各监测点向云端传输该监测点的声音监测结果。
其中S2)基于各监测点的声音监测结果，在汇集端也即云端，进行全监测区域的分析和统计，获得全监测区域内传染疾病流行程度的步骤，具体包括：
S21)将各监测点输出的声音监测结果与预设监控阈值进行比较，得到各监测点的传染疾病流行指标：
针对第m个监测点输出的声音监测结果Rm(t)和
Figure RE-GDA0002538513730000061
判断该监测点的若干疾病声音信号与人声信号的平均功率比Rm(t)是否大于第一预设监控阈值TR，同时判断该监测点人声信号的平均功率
Figure RE-GDA0002538513730000062
是否大于第二预设监控阈值TP，如两者同时为是，则将该监测点的传染疾病流行指标Fm(t)设为1，否则，则将该监测点的传染疾病流行指标Fm(t)设为0；
其中Rm(t)为该监测点的若干疾病声音信号与人声信号的平均功率比，
Figure RE-GDA0002538513730000063
为该监测点人声信号的平均功率；
S22)根据各监测点的传染疾病流行指标，统计全监测区域传染疾病的流行率：
全监测区域传染疾病的流行率为：
Figure RE-GDA0002538513730000071
其中，M为全监测区域内/全监测区域监控网络内的监测点的总数；
S23)判断步骤S22)得到的全监测区域传染疾病的流行率是否大于预设预警阈值，如是，则输出预警信息。也即，判断步骤S22)得到的全监测区域传染疾病的流行率E(t) 是否大于预设预警阈值TE，如是，则输出预警信息。
本实施例提供的用于监控传染疾病流行程度的声音监测方法中，在所述步骤S14)前，还包括：预先构建机器学习模型，采集各类疾病声音进行训练，得到训练好的机器学习模型，具体为：预先构建机器学习模型，通过短时傅里叶变换将预先采集获取的各类疾病声音作为样本处理成二维时频图，输入机器学习模型进行训练，得到训练好的机器学习模型。所述各类疾病声音包括咳嗽声和/或喷嚏声。所述步骤S14)中的疾病声音信号包括咳嗽声音信号和/或喷嚏声音信号。
本实施例同时提供了一种用于监控传染疾病流行程度的声音监测系统，如图1所示，该系统包括监控网络；
所述监控网络包括云端服务器、在全监测区域内布置的若干监测点，以及在各监测点布置的监测装置；
所述云端服务器包括：
第一处理器；以及
存储有计算机可执行指令的第一存储器，所述第一存储器的可执行指令在被第一处理器执行时，实现如上任一所述方法中属于步骤S2)的步骤；
所述各监测装置包括主要由若干麦克风组成的麦克风阵列，以及
第二处理器；以及
存储有计算机可执行指令的第二存储器，所述第二存储器的可执行指令在被第二处理器执行时，实现如上任一所述方法中属于步骤S1)的步骤。
各监测装置中，所述第二存储器、该监测装置的麦克风阵列中的各麦克风均与该监测装置的第二处理器电路连接。上述方法中属于步骤S2)的步骤，还包括步骤S21)、步骤S22)和步骤S23)；上述方法中属于步骤S1)的步骤，还包括步骤S11)、步骤S12)、步骤S13)、步骤S14)、步骤S15)、步骤S16)，以及在步骤S14)前的机器学习模型的构建与训练步骤。
本实施例中各监测点信息传输的汇集端为云端。
以上仅是本发明的部分优选实施方式，应当指出以上实施列对本发明不构成限定，在上述教导下，相关工作人员在不偏离本发明技术思想的范围内，所进行的多样变化和修改，均落在本发明的保护范围内。

Claims (8)

1.一种用于监控传染疾病流行程度的声音监测方法，其特征在于，在监测区域内的若干监测点布置监测装置组成监控网络，该方法包括如下步骤：
S1)通过各监测点的监测装置进行声音监测的步骤，包括：
拾取声音信号，进行声音信号预处理后，从中检测和截取出人声信号，基于机器学习模型进行人声信号的疾病声音识别与疾病声音统计，从而获得该监测点的声音监测结果；
S2)基于各监测点的声音监测结果，进行全监测区域的分析和统计，获得全监测区域内传染疾病流行程度的步骤。
2.根据权利要求1所述的用于监控传染疾病流行程度的声音监测方法，其特征在于：所述监测装置包括主要由若干麦克风组成的麦克风阵列；
所述S1)通过各监测点的监测装置进行声音监测的步骤，具体包括：
S11)声音信号拾取：通过主要由若干麦克风组成的多麦克风阵列拾取声音信号；
S12)声音信号预处理：对多麦克风阵列采集拾取到的声音信号进行消噪处理，得到消噪后的声音信号；
S13)人声预检测：从消噪后的声音信号中检测和截取出人声信号；
S14)疾病声音识别：将截取出的人声信号送入训练好的机器学习模型，识别出其中的若干疾病声音信号及其类别；
S15)疾病声音统计：统计步骤S13)得到的人声信号的平均功率、步骤S14)得到的若干疾病声音信号的平均功率、以及步骤S14)得到的若干疾病声音信号与步骤S13)得到的人声信号的平均功率比；
S16)信息传输：向汇集端传输该监测点的声音监测结果；
所述声音监测结果包括步骤S15)得到的人声信号的平均功率，以及所述若干疾病声音信号与所述人声信号的平均功率比。
3.根据权利要求1所述的用于监控传染疾病流行程度的声音监测方法，其特征在于：
所述S2)基于各监测点的声音监测结果，进行全监测区域的分析和统计，获得全监测区域内传染疾病流行程度的步骤，具体包括：
S21)将各监测点输出的声音监测结果与预设监控阈值进行比较，得到各监测点的传染疾病流行指标；
S22)根据各监测点的传染疾病流行指标，统计全监测区域传染疾病的流行率；
S23)判断步骤S22)得到的全监测区域传染疾病的流行率是否大于预设预警阈值，如是，则输出预警信息。
4.根据权利要求2所述的用于监控传染疾病流行程度的声音监测方法，其特征在于：所述S15)疾病声音统计：统计步骤S13)得到的人声信号的平均功率、步骤S14)得到的若干疾病声音信号的平均功率、以及步骤S14)得到的若干疾病声音信号与步骤S13)得到的人声信号的平均功率比，具体包括：
计算得到第n种疾病声音信号的平均功率：
Figure FDA0002505649930000021
其中，t为时间，xn(t)为步骤S14)得到的若干疾病声音信号中的第n种疾病声音信号，
Figure FDA0002505649930000022
为第n种疾病声音信号对应的平滑系数；
计算得到上述若干疾病声音信号总的加权平均功率：
Figure FDA0002505649930000023
其中，N为步骤S14)得到的若干疾病声音信号的类别总数，wn为第n种疾病声音信号的预设权值；
计算得到人声信号的平均功率Ps(t)：
Ps(t)＝αsPs(t-1)+(1-αs)s2(t)
其中，s(t)为步骤S13)得到的人声信号，αs为平滑系数；
统计得到所述若干疾病声音信号与所述人声信号的平均功率比R(t)为：
R(t)＝Px(t)/Ps(t)；
所述S16)信息传输中，向汇集端传输的该监测点的声音监测结果包括人声信号的平均功率Ps(t)，以及步骤S15)得到的所述若干疾病声音信号与所述人声信号的平均功率比R(t)。
5.根据权利要求3所述的用于监控传染疾病流行程度的声音监测方法，其特征在于：
所述步骤S21)将各监测点输出的声音监测结果与预设监控阈值进行比较，得到各监测点的传染疾病流行指标，具体包括：
针对第m个监测点输出的声音监测结果Rm(t)和
Figure FDA0002505649930000031
判断该监测点的若干疾病声音信号与人声信号的平均功率比Rm(t)是否大于第一预设监控阈值TR，同时判断该监测点人声信号的平均功率
Figure FDA0002505649930000032
是否大于第二预设监控阈值TP，如两者同时为是，则将该监测点的传染疾病流行指标Fm(t)设为1，否则，则将该监测点的传染疾病流行指标Fm(t)设为0；
所述步骤S22)根据各监测点的传染疾病流行指标，统计全监测区域传染疾病的流行率中，全监测区域传染疾病的流行率为：
Figure FDA0002505649930000033
其中，M为全监测区域内/全监测区域监控网络内的监测点的总数；
所述步骤S23)中，判断步骤S22)得到的全监测区域传染疾病的流行率E(t)是否大于预设预警阈值TE，如是，则输出预警信息。
6.根据权利要求2所述的用于监控传染疾病流行程度的声音监测方法，其特征在于：所述步骤S14)前，还包括：预先构建机器学习模型，通过短时傅里叶变换将预先采集获取的各类疾病声音作为样本处理成二维时频图，输入机器学习模型进行训练，得到训练好的机器学习模型；所述各类疾病声音包括咳嗽声和/或喷嚏声；
所述步骤S14)中的疾病声音信号包括咳嗽声音信号和/或喷嚏声音信号。
7.一种用于监控传染疾病流行程度的声音监测系统，其特征在于：该系统包括监控网络；
所述监控网络包括云端服务器、在全监测区域内布置的若干监测点，以及在各监测点布置的监测装置；
所述云端服务器包括：
第一处理器；以及
存储有计算机可执行指令的第一存储器，所述第一存储器的可执行指令在被第一处理器执行时，实现如权利要求1～6中的任一权利要求所述方法中属于步骤S2)的步骤；
所述各监测装置包括主要由若干麦克风组成的麦克风阵列，以及
第二处理器；以及
存储有计算机可执行指令的第二存储器，所述第二存储器的可执行指令在被第二处理器执行时，实现如权利要求1～6中的任一权利要求所述方法中属于步骤S1)的步骤。
8.根据权利要求7所述的用于监控传染疾病流行程度的声音监测系统，其特征在于：各监测点信息传输的汇集端为云端。
CN202010445335.XA 2020-05-24 2020-05-24 用于监控传染疾病流行程度的声音监测方法及系统 Pending CN111462920A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010445335.XA CN111462920A (zh) 2020-05-24 2020-05-24 用于监控传染疾病流行程度的声音监测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010445335.XA CN111462920A (zh) 2020-05-24 2020-05-24 用于监控传染疾病流行程度的声音监测方法及系统

Publications (1)

Publication Number Publication Date
CN111462920A true CN111462920A (zh) 2020-07-28

Family

ID=71680072

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010445335.XA Pending CN111462920A (zh) 2020-05-24 2020-05-24 用于监控传染疾病流行程度的声音监测方法及系统

Country Status (1)

Country Link
CN (1) CN111462920A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103093106A (zh) * 2013-01-25 2013-05-08 上海市浦东新区疾病预防控制中心 大型活动中多源数据的传染病症状监测与预警方法
CN109243470A (zh) * 2018-08-16 2019-01-18 南京农业大学 基于音频技术的肉鸡咳嗽监测方法
CN109431507A (zh) * 2018-10-26 2019-03-08 平安科技（深圳）有限公司 基于深度学习的咳嗽疾病识别方法及装置
CN110751942A (zh) * 2018-07-20 2020-02-04 北京京东金融科技控股有限公司 一种识别特征声音的方法和装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103093106A (zh) * 2013-01-25 2013-05-08 上海市浦东新区疾病预防控制中心 大型活动中多源数据的传染病症状监测与预警方法
CN110751942A (zh) * 2018-07-20 2020-02-04 北京京东金融科技控股有限公司 一种识别特征声音的方法和装置
CN109243470A (zh) * 2018-08-16 2019-01-18 南京农业大学 基于音频技术的肉鸡咳嗽监测方法
CN109431507A (zh) * 2018-10-26 2019-03-08 平安科技（深圳）有限公司 基于深度学习的咳嗽疾病识别方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
深圳前瞻资讯股份有限公司: ""AI+边缘计算两大新趋势融合：新设备凭咳嗽声就能预测传染病流行"", 《前瞻网》, 20 March 2020 (2020-03-20), pages 1 - 4 *
章雒霏 等: ""一种新的语音和噪声活动检测算法及其在手机双麦克风消噪系统中的应用"", 《电子与信息学报》, 31 August 2016 (2016-08-31), pages 3 - 4 *

Similar Documents

Publication Publication Date Title
CN108648748B (zh) 医院噪声环境下的声学事件检测方法
CN106847293A (zh) 设施养殖羊应激行为的声信号监测方法
CN106847262A (zh) 一种猪呼吸道疾病自动识别报警方法
CN109741759B (zh) 一种面向特定鸟类物种的声学自动检测方法
CN111951824A (zh) 一种基于声音判别抑郁症的检测方法
WO2008148289A1 (fr) Système et procédé d'identification audio intelligents
CN109637549A (zh) 一种对猪只进行声音检测的方法、装置和检测系统
CN110970042A (zh) 一种电子听诊器的肺部啰音人工智能实时分类方法、系统、装置及可读存储介质
CN111860203B (zh) 基于图像和音频混合的异常猪只识别装置、系统和方法
WO2020024807A1 (zh) 一种人工耳蜗的环境声感知方法和系统
CN112472065A (zh) 基于咳嗽声识别的病症检测方法及其相关设备
CN106328130A (zh) 一种机器人语音寻向转动系统及方法
CN116517860A (zh) 基于数据分析的通风机故障预警系统
CN107105092A (zh) 一种基于动态时间规整的人体跌倒识别方法
CN105916090A (zh) 一种基于智能化语音识别技术的助听器系统
CN115810365A (zh) 一种基于猪只声音的猪只健康预警方法及系统
CN113723521A (zh) 一种电机异响识别方法和识别系统
CN110580915B (zh) 基于可穿戴式设备的声源目标识别系统
CN111462920A (zh) 用于监控传染疾病流行程度的声音监测方法及系统
CN110660411B (zh) 基于语音识别的健身安全提示方法、装置、设备及介质
CN107221338A (zh) 声波提取装置以及提取方法
CN111862991A (zh) 一种婴儿哭声的识别方法及系统
CN113782051B (zh) 广播效果分类方法及系统、电子设备和存储介质
CN114664438A (zh) 咳嗽疾病识别模型构建方法及应用
CN115481689A (zh) 基于超声波同时识别用户手势和身份的系统及方法

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: 20200728