CN112735480A - 一种基于神经网络的声带病变检测装置 - Google Patents
一种基于神经网络的声带病变检测装置 Download PDFInfo
- Publication number
- CN112735480A CN112735480A CN202110097058.2A CN202110097058A CN112735480A CN 112735480 A CN112735480 A CN 112735480A CN 202110097058 A CN202110097058 A CN 202110097058A CN 112735480 A CN112735480 A CN 112735480A
- Authority
- CN
- China
- Prior art keywords
- neural network
- efficientnet
- vocal cord
- signal
- module
- 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
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 28
- 210000001260 vocal cord Anatomy 0.000 title claims abstract description 23
- 238000001514 detection method Methods 0.000 title claims abstract description 13
- 230000036285 pathological change Effects 0.000 title claims description 6
- 231100000915 pathological change Toxicity 0.000 title claims description 6
- 230000003902 lesion Effects 0.000 claims abstract description 9
- 230000009467 reduction Effects 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims abstract description 4
- 230000005236 sound signal Effects 0.000 claims description 21
- 238000000605 extraction Methods 0.000 claims description 18
- 238000003062 neural network model Methods 0.000 claims description 15
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 2
- 239000000284 extract Substances 0.000 claims description 2
- 230000001755 vocal effect Effects 0.000 claims 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 4
- 201000010099 disease Diseases 0.000 abstract description 3
- 208000013154 Vocal cord disease Diseases 0.000 description 7
- 239000002131 composite material Substances 0.000 description 7
- 238000000034 method Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 5
- 206010047676 Vocal cord thickening Diseases 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 206010020880 Hypertrophy Diseases 0.000 description 2
- 210000000867 larynx Anatomy 0.000 description 2
- 206010013952 Dysphonia Diseases 0.000 description 1
- 208000010473 Hoarseness Diseases 0.000 description 1
- 206010023845 Laryngeal oedema Diseases 0.000 description 1
- 201000008197 Laryngitis Diseases 0.000 description 1
- 208000028389 Nerve injury Diseases 0.000 description 1
- 206010033799 Paralysis Diseases 0.000 description 1
- 208000005248 Vocal Cord Paralysis Diseases 0.000 description 1
- 206010047675 Vocal cord polyp Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 201000009243 chronic laryngitis Diseases 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002567 electromyography Methods 0.000 description 1
- 238000001839 endoscopy Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000002576 laryngoscopy Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000008764 nerve damage Effects 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 208000014515 polyp of vocal cord Diseases 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000008961 swelling Effects 0.000 description 1
- 230000008719 thickening Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L21/00—Processing of the speech or voice signal to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
- G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
- G10L21/0208—Noise filtering
- G10L21/0216—Noise filtering characterised by the method used for estimating noise
- G10L21/0232—Processing in the frequency domain
-
- 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
- G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
- G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks
Abstract
本发明公开了一种基于神经网络的声带病变检测装置，主要方法包括：利用声音采集装置获取用户的原始声音信息；将原始声音数据进行降噪，增强等预处理后，再提取声音特征，作为神经网络输入；使用EfficientNeT神经网络对大量有效数据训练后得出模型；利用训练好的模型检测用户是否患有声带病变方面的疾病。
Description
技术领域
本发明涉及神经网络检测技术领域，尤其是涉及一种基于神经网络的声带病变检测装置。
背景技术
在日常生活中，人与人之间为了良好的沟通，都需要利用说话来进行信息交互，因此，嗓音是传达信息、社交活动和交流感情必不可少的工具。随着社会的进发展，经济的繁荣，人们交往和沟通的频繁，嗓音作为一种十分便捷的信息传递手段，无疑成为现代通信及信息时代越来越重要的工具，但如此同时，也伴随着声带病变的发病率的上升。嗓音的检查一直为耳鼻喉科医生、言语病理学家所重视。
对嗓音状况的调查表明，我国患有声带病变的人数众多，涉及到生理和工作环境等许多原因。声带病变包括声带肥厚、声带小结及声带麻痹等，声带肥厚指声带肿胀或增厚，声带小结为两侧声带前、中1/3交界处所发生的对称性小结，两者均属慢性喉炎所致；声带麻痹，为喉运动性神经疾病，多因神经损伤造成。三者都以声嘶为临床主要表现。此外临床上还常见有声带息肉、声带水肿等疾病。
对于此类疾病的医学研究及诊断，还大多采用传统方法来进行，例如喉镜检查，动态镜检查，肌电图描记等，但这些方法一来非常不方便，二来都为侵入性的检查方法，容易对患者造成一定的痛苦及损伤，并且对身体状况和配合度都有较高要求。这些检测方法往往比较依赖于临床医生的个人经验，一旦无法对喉部及声带的病变做出早期预诊，非常容易耽误治疗。
发明内容
为解决现有技术的不足，实现提高检测的效率、舒适度和准确性的目的，本发明采用如下的技术方案：
一种基于神经网络的声带病变检测装置，包括依次连接的采集模块、降噪模块、特征提取模块和神经网络模型，所述采集装置采集用户在一个时间段的声音信号，所述降噪模块对声音信号进行降噪预处理，所述特征提取模块对预处理好的声音信号进行特征提取，所述神经网络模型采用EfficientNet神经网络模型，对提取到的特征进行训练，再通过采集模块采集到的用户声音信号，经降噪模块预处理后，由特征提取模块提取的特征作为输入，通过训练好的神经网络模型完成对声带病变的分类和识别。
进一步的，所述EfficientNet神经网络模型的公式如下：
其中w，d，r为系数，w表示卷积核的大小，决定了感受野大小，d表示神经网络深度，r表示分辨率大小，Xi为输入张量，
代表整个卷积网络，i代表第i个卷积层，s表示stage，即多个结构相同的卷积层，Fi表示对第i层的卷积运算，Li表示Fi在第i个stage中有Li个一样结构的卷积层，Hi Wi Ci表示第i层输入的维度，
为自定义计算符，通过优化参数d，w和r实现最好的模型准确率。
进一步的，EfficientNet神经网络的规范化复合调参使用了一个复合系数
对d，w和r参数进行复合调整：
s.t.α*β2*γ2≈2(α≥1，β≥1，γ≥1)
其中，α，β，γ为常数，通过网格搜索获得，
通过人工调节进行优化，通过基线网络调节确定最佳的α，β，γ，再利用最佳的α，β，γ将基准网络扩展或放大到大的网络，使得大网络也具有较高的准确率和效率。
进一步的，所述EfficientNet神经网络模型，使用TensorFlow框架运行EfficientNet神经网络，EfficientNet神经网络利用复合系数统一缩放模型的所有维度，达到精度最高、效率最高，包括Stem、Blocks、Con2D、GlobalAveragePooling2D和Dense。
进一步的，所述降噪模块是LMS自适应滤波器，对采集到的声音信号进行降噪，将输入信号序列定义为xi(n)，期望输出信号为d(n)，定义误差信号为：
其中ωi为权系数，M为输入信号维数，通过寻找最优的权系数ωi，使得误差信号e(n)最小。
进一步的，所述权系数的迭代公式为：
求收敛因子μ和梯度因子以求得最优解，收敛因子μ控制收敛的速率，其取值范围为
其中λ为自相关矩阵的最大特征值，X(k)为输入信号的矢量模式，梯度因子表示为
因此权系数最终表达为W(k+1)＝W(k)+2μe(k)X(k)，设定好滤波器w(k)初值
计算滤波器实际输出的估计值y(k)＝WT(k)X(k)，计算估算误差e(k)＝d(k)-y(k)，更新k+1时刻滤波器系数W(k+1)＝W(k)+2μe(k)X(k)，迭代后得出最优解。
进一步的，所述特征提取模块提取声音信号的基频类特征、振幅类特征、含噪类特征。
进一步的，所述基频类特征是嗓音基频，即嗓音的第一谐波，通过嗓音频率或周期来描述嗓音信号的稳定度，通过基频标准差来衡量基频总体稳定程度，整体反应声带振动的稳定性。
进一步的，所述振幅类特征是振幅，描述嗓音信号的振幅稳定性程度。
进一步的，所述含噪类特征包括：NNE、NHR、VTT和SPI，描述能量分布情况，所述NNE是总的声学能量减去谐波能量；所述NHR用于计算频率带宽1500Hz—4500Hz中非谐波成分能量与频率带宽70Hz—4500Hz中谐波成分能量的比值；所述VTT用于计算频率带宽2800Hz—5800Hz中非谐波成分能量与频率带宽70Hz—450Hz中谐波成分能量的比值；所述SPI用于计算频率带宽70Hz—1600Hz中谐波成分能量与频率带宽1600Hz—4500Hz中谐波成分能量的比值。
本发明的优势和有益效果在于：
本发明通过深度学习的方法来对声带疾病进行早期检测，为患者带来便捷，同时深度学习有利于提高精准度，通过EfficientNet模型，可以更好的通过嗓音的特征来对用户是否患有声带疾病做出检测，在非侵入性检测提高舒适度的同时，既能减少用户就医的时间，又能提高准确度。
附图说明
图1是本发明中检测装置结构示意图。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。
采用深度学习的方法来对声带疾病进行早期检测，能为患者带来许多便捷。深度学习是机器学习的分支，是一种以人工神经网络为架构，对数据进行表征学习的算法。深度学习广泛应用在各个领域，例如计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域。EfficientNet模型是谷歌2019年推出的，它具有很独特的特点，例如：利用残差神经网络增大神经网络的深度，通过更深的神经网络实现特征提取，改变每一层提取的特征层数，实现更多层的特征提取，得到更多的特征，提升宽度，通过增大输入图片的分辨率也可以使得网络可以学习与表达的东西更加丰富，有利于提高精准度。那么通过EfficientNet模型，就可以很好的通过嗓音的特征来对用户是否患有声带疾病做出判断，既能减少用户就医的时间，又能提高准确度。
如图1所示，一种基于EfficientNet神经网络的声带病变检测装置，包括麦克风装置、声音信号降噪模块、声音信号的特征参数提取模块和EfficientNet神经网络模型。
1、麦克风装置，采集用户在一个时间段的声音信号；具体地，将麦克风装置放置于用户身边，按下开关即可使用麦克风阵列采集用户的声音信息；
2、声音信号降噪模块，对声音信号进行降噪预处理；具体地，采用LMS自适应滤波器对采集到的声音信号进行降噪，将输入信号序列定义为xi(n)，期望输出信号为d(n)，定义误差信号为：
其中ωi为权系数，M为输入信号维数，LMS算法的本质就是寻找最优的权系数ωi，使得误差信号e(n)最小，权系数的迭代公式为：
求收敛因子μ和梯度因子以求得最优解，收敛因子μ控制收敛的速率，其取值范围为
其中λ为自相关矩阵的最大特征值，X(k)为输入信号的矢量模式，梯度因子表示为
因此权系数最终表达为W(k+1)＝W(k)+2μe(k)X(k)，设定好滤波器w(k)初值
计算滤波器实际输出的估计值y(k)＝WT(k)X(k)，计算估算误差e(k)＝d(k)-y(k)，更新k+1时刻滤波器系数W(k+1)＝W(k)+2μe(k)X(k)，迭代后得出最优解。
3、声音信号的特征参数提取模块，对处理好的声音信号进行特征提取；具体地，提取声音信号的基频类特征、振幅类特征、含噪类特征。嗓音基频就是嗓音的第一谐波，此类特征通过嗓音频率或者周期来描述嗓音信号的稳定度，通过基频标准差来衡量基频总体稳定程度，能整体反应声带振动的稳定性。振幅和基频一样是描述嗓音信号的基本量，振幅类特征主要描述嗓音信号的振幅稳定性程度。含噪类特征描述的是能量分布情况，如NNE是指总的声学能量减去谐波能量，NHR计算的是频率带宽1500Hz—4500Hz中非谐波成分能量与频率带宽70Hz—4500Hz中谐波成分能量的比值，VTT计算的是频率带宽2800Hz—5800Hz中非谐波成分能量与频率带宽70Hz—450Hz中谐波成分能量的比值，SPI计算的是频率带宽70Hz—1600Hz中谐波成分能量与频率带宽1600Hz—4500Hz中谐波成分能量的比值。
4、EfficientNet神经网络模型，使用EfficientNet神经网络对提取到的特征进行训练；具体地，使用TensorFlow框架运行EfficientNet神经网络，EfficientNet利用复合系数统一缩放模型的所有维度，达到精度最高效率最大高，它一共由Stem+16个Blocks+Con2D+GlobalAveragePooling2D+Dense组成。其中包括w，d，r三个系数，w表示卷积核的大小，决定了感受野大小；d表示神经网络深度；r表示分辨率大小。
神经网络的数学公式如下：
其中：Xi为输入张量，
代表整个卷积网络，i代表第i个卷积层，1…s表示stage(多个结构相同的卷积层)的讯号，Fi表示对第i层的卷积运算，Li的意思是Fi在第i个stage中有Li个一样结构的卷积层，Hi Wi Ci表示第i层输入的维度，
为自定义计算符，这个公式表现为如何优化参数d，w和r来实现最好的模型准确率。
EfficientNet的规范化复合调参方法使用了一个复合系数
来对d，w和r参数进行复合调整。
s.t.α*β2*γ2≈2(α≥1，β≥1，γ≥1)
其中，α，β，γ为常数，可以用过网格搜索获得。而
需要通过人工调节来进行优化。优化方法如下：第一步我们可以通过基线网络来调节确定最佳的α，β，γ，然后，用这个参数将基准网络扩展或放大到大的网络，这样就可以使大网络也具有较高的准确率和效率。将选定的特征参数作为输入对模型进行训练。
使用训练好的模型完成对声带病变的分类和识别；具体地，将采集到的用户声音信号预处理后提取出的特征作为输入，模型识别后给出声带病变分类。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的范围。
Claims (10)
1.一种基于神经网络的声带病变检测装置，包括依次连接的采集模块、降噪模块、特征提取模块和神经网络模型，其特征在于所述采集装置采集用户在一个时间段的声音信号，所述降噪模块对声音信号进行降噪预处理，所述特征提取模块对预处理好的声音信号进行特征提取，所述神经网络模型采用EfficientNet神经网络模型，对提取到的特征进行训练，再通过采集模块采集到的用户声音信号，经降噪模块预处理后，由特征提取模块提取的特征作为输入，通过训练好的神经网络模型完成对声带病变的分类和识别。
2.如权利要求1所述的一种基于神经网络的声带病变检测装置，其特征在于所述EfficientNet神经网络模型的公式如下：
其中w，d，r为系数，w表示卷积核的大小，决定了感受野大小，d表示神经网络深度，r表示分辨率大小，Xi为输入张量，
代表整个卷积网络，i代表第i个卷积层，s表示stage，即多个结构相同的卷积层，Fi表示对第i层的卷积运算，Li表示Fi在第i个stage中有Li个一样结构的卷积层，Hi Wi Ci表示第i层输入的维度，
为自定义计算符。
3.如权利要求2所述的一种基于神经网络的声带病变检测装置，其特征在于EfficientNet神经网络的规范化复合调参使用了一个复合系数
对d，w和r参数进行复合调整：
depth:
width:
resoluton:
s.t.α*β2*γ2≈2(α≥1，β≥1，γ≥1)
其中，α，β，γ为常数，通过网格搜索获得，
通过人工调节进行优化，通过基线网络调节确定最佳的α，β，γ，再利用最佳的α，β，γ将基准网络扩展或放大到大的网络。
4.如权利要求1所述的一种基于神经网络的声带病变检测装置，其特征在于所述EfficientNet神经网络模型，使用TensorFlow框架运行EfficientNet神经网络，EfficientNet神经网络利用复合系数统一缩放模型的所有维度，包括Stem、Blocks、Con2D、GlobalAveragePooling2D和Dense。
5.如权利要求1所述的一种基于神经网络的声带病变检测装置，其特征在于所述降噪模块是LMS自适应滤波器，对采集到的声音信号进行降噪，将输入信号序列定义为xi(n)，期望输出信号为d(n)，定义误差信号为：
其中ωi为权系数，M为输入信号维数，通过寻找最优的权系数ωi，使得误差信号e(n)最小。
6.如权利要求5所述的一种基于神经网络的声带病变检测装置，其特征在于所述权系数的迭代公式为：
求收敛因子μ和梯度因子以求得最优解，收敛因子μ控制收敛的速率，其取值范围为
其中λ为自相关矩阵的最大特征值，X(k)为输入信号的矢量模式，梯度因子表示为
因此权系数最终表达为W(k+1)＝W(k)+2μe(k)X(k)，设定好滤波器w(k)初值W(0)＝0,
计算滤波器实际输出的估计值y(k)＝WT(k)X(k)，计算估算误差e(k)＝d(k)-y(k)，更新k+1时刻滤波器系数W(k+1)＝W(k)+2μe(k)X(k)，迭代后得出最优解。
7.如权利要求1所述的一种基于神经网络的声带病变检测装置，其特征在于所述特征提取模块提取声音信号的基频类特征、振幅类特征、含噪类特征。
8.如权利要求7所述的一种基于神经网络的声带病变检测装置，其特征在于所述基频类特征是嗓音基频，即嗓音的第一谐波，通过嗓音频率或周期来描述嗓音信号的稳定度，通过基频标准差来衡量基频总体稳定程度，整体反应声带振动的稳定性。
9.如权利要求7所述的一种基于神经网络的声带病变检测装置，其特征在于所述振幅类特征是振幅，描述嗓音信号的振幅稳定性程度。
10.如权利要求7所述的一种基于神经网络的声带病变检测装置，其特征在于所述含噪类特征包括：NNE、NHR、VTT和SPI，描述能量分布情况，所述NNE是总的声学能量减去谐波能量；所述NHR用于计算频率带宽1500Hz—4500Hz中非谐波成分能量与频率带宽70Hz—4500Hz中谐波成分能量的比值；所述VTT用于计算频率带宽2800Hz—5800Hz中非谐波成分能量与频率带宽70Hz—450Hz中谐波成分能量的比值；所述SPI用于计算频率带宽70Hz—1600Hz中谐波成分能量与频率带宽1600Hz—4500Hz中谐波成分能量的比值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110097058.2A CN112735480A (zh) | 2021-01-25 | 2021-01-25 | 一种基于神经网络的声带病变检测装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110097058.2A CN112735480A (zh) | 2021-01-25 | 2021-01-25 | 一种基于神经网络的声带病变检测装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112735480A true CN112735480A (zh) | 2021-04-30 |
Family
ID=75595267
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110097058.2A Pending CN112735480A (zh) | 2021-01-25 | 2021-01-25 | 一种基于神经网络的声带病变检测装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112735480A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113743404A (zh) * | 2021-09-06 | 2021-12-03 | 中国计量大学 | 一种智能垃圾收运车垃圾图像分类方法 |
| CN117409819A (zh) * | 2023-12-15 | 2024-01-16 | 北京大学第三医院（北京大学第三临床医学院） | 一种基于人工智能的人体嗓音检测分析方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108922560A (zh) * | 2018-05-02 | 2018-11-30 | 杭州电子科技大学 | 一种基于混合深度神经网络模型的城市噪声识别方法 |
| 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 |
| CN109727608A (zh) * | 2017-10-25 | 2019-05-07 | 香港中文大学深圳研究院 | 一种基于中文语音的病态嗓音评估方法 |
| CN111613210A (zh) * | 2020-07-06 | 2020-09-01 | 杭州电子科技大学 | 一种各类呼吸暂停综合征的分类检测系统 |
| CN111657870A (zh) * | 2020-07-02 | 2020-09-15 | 杭州电子科技大学 | 一种基于d-s证据理论的呼吸暂停判决系统 |
| CN111887824A (zh) * | 2020-07-30 | 2020-11-06 | 杭州电子科技大学 | 一种基于毫米波和神经网络的动脉硬化检测装置 |
-
2021
- 2021-01-25 CN CN202110097058.2A patent/CN112735480A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109727608A (zh) * | 2017-10-25 | 2019-05-07 | 香港中文大学深圳研究院 | 一种基于中文语音的病态嗓音评估方法 |
| CN108922560A (zh) * | 2018-05-02 | 2018-11-30 | 杭州电子科技大学 | 一种基于混合深度神经网络模型的城市噪声识别方法 |
| 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 |
| CN111657870A (zh) * | 2020-07-02 | 2020-09-15 | 杭州电子科技大学 | 一种基于d-s证据理论的呼吸暂停判决系统 |
| CN111613210A (zh) * | 2020-07-06 | 2020-09-01 | 杭州电子科技大学 | 一种各类呼吸暂停综合征的分类检测系统 |
| CN111887824A (zh) * | 2020-07-30 | 2020-11-06 | 杭州电子科技大学 | 一种基于毫米波和神经网络的动脉硬化检测装置 |
Non-Patent Citations (6)
| Title |
|---|
| 于燕平等: "病态嗓音特征的小波变换提取及识别研究", 《计算机工程与应用》, no. 22, 1 August 2009 (2009-08-01) * |
| 于燕平等: "病态嗓音特征的神经网络选择", 《中国生物医学工程学报》, no. 03, 20 June 2009 (2009-06-20) * |
| 周又玲等: "自适应LMS算法的DSP实现", 《现代电子技术》, no. 19, 15 October 2006 (2006-10-15) * |
| 周强等: "采用差异度的多参数声带疾病嗓音识别方法", 《电子器件》, no. 03, 20 June 2013 (2013-06-20), pages 309 - 312 * |
| 张立萍: "LMS自适应滤波器的Matlab设计与仿真", 《赤峰学院学报(自然科学版)》, no. 05, 25 May 2010 (2010-05-25), pages 135 - 137 * |
| 王迪等: "基于人耳听觉模型的自动嗓音评估方法", 《物理学报》, no. 07, 15 July 2008 (2008-07-15) * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113743404A (zh) * | 2021-09-06 | 2021-12-03 | 中国计量大学 | 一种智能垃圾收运车垃圾图像分类方法 |
| CN113743404B (zh) * | 2021-09-06 | 2023-06-30 | 中国计量大学 | 一种智能垃圾收运车垃圾图像分类方法 |
| CN117409819A (zh) * | 2023-12-15 | 2024-01-16 | 北京大学第三医院（北京大学第三临床医学院） | 一种基于人工智能的人体嗓音检测分析方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111696575B (zh) | 基于混合神经网络模型的低通气和呼吸暂停检测识别系统 | |
| CN104523266B (zh) | 一种心电信号自动分类方法 | |
| CN112735480A (zh) | 一种基于神经网络的声带病变检测装置 | |
| CN111202517B (zh) | 一种睡眠自动分期方法、系统、介质及电子设备 | |
| CN110755108A (zh) | 一种基于智能听诊器的心脏声音分类方法、系统、装置及可读存储介质 | |
| CN110600053A (zh) | 一种基于ResNet与LSTM网络的脑卒中构音障碍风险预测方法 | |
| CN114469124B (zh) | 一种运动过程中异常心电信号的识别方法 | |
| CN110148466A (zh) | 一种基于迁移学习的心冲击信号房颤计算机辅助诊断方法 | |
| CN111685774B (zh) | 基于概率集成回归模型的osahs诊断方法 | |
| CN111772669B (zh) | 基于自适应长短时记忆网络的肘关节收缩肌力估计方法 | |
| CN112806977B (zh) | 基于多尺度融合网络的生理参数测量方法 | |
| CN115530847A (zh) | 一种基于多尺度注意力的脑电信号自动睡眠分期方法 | |
| CN114732424B (zh) | 基于表面肌电信号提取肌肉疲劳状态复杂网络属性的方法 | |
| CN111789629A (zh) | 一种基于深度学习的呼吸音智能诊疗系统及方法 | |
| CN113796889A (zh) | 一种基于深度学习的辅助电子听诊器信号判别方法 | |
| CN113974607B (zh) | 一种基于脉冲神经网络的睡眠鼾声检测系统 | |
| CN113509186B (zh) | 基于深度卷积神经网络的ecg分类系统与方法 | |
| CN105796091B (zh) | 一种用于去除心电信号车辆运动噪声的智能终端 | |
| CN113116300A (zh) | 一种基于模型融合的生理信号分类方法 | |
| CN113033358A (zh) | 一种基于深度神经网络的无袖带血压建模方法 | |
| CN112307996A (zh) | 一种指尖心电身份识别装置及方法 | |
| CN117281479A (zh) | 一种基于表面肌电信号多维度特征融合的人体下肢慢性疼痛判别方法、存储介质及装置 | |
| CN116451110A (zh) | 基于信号能量特征和脉搏周期的血糖预测模型构建方法 | |
| CN115251845B (zh) | 基于TB-TF-BiGRU模型处理脑电波信号的睡眠监测方法 | |
| CN116030937A (zh) | 一种生成跑步运动处方的方法 |
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 |
Application publication date: 20210430 |
|
| RJ01 | Rejection of invention patent application after publication |